今日的 Hacker News 技术脉搏可以从几个反常的极端中感受：一边是 IOCCC 将 C 语言的混乱美学推向新高度，另一边则是工程师们正焦虑于 AI 正在把复杂的软件工程“抹平”为通用技能。从耗尽 token 的智能体到无需人工写代码的产品，再到克隆出的马球冠军，技术的边界在被不断推挤。这里是 Agili 的 Hacker Podcast 为你带来的今日科技简报。
Nick Craig-Wood（rclone 的创建者）提交了一个获奖作品，其源代码直接排列成了 GameBoy 掌机的形状。为了将一个完整的 GameBoy 模拟器塞进大赛限制的 2503 个字符内，他牺牲了 Tetris 用不到的特性，并利用了 <iso646.h> 中操作符只算一个 token 的规则来压缩字符数，甚至反编译了大赛的合法性检查程序来寻找漏洞。这个模拟器不仅能跑 Tetris，还能运行 π 计算器、3D 井字棋等多种自制游戏。
另一个惊人之作出自作者 cable，仅用 366 字节实现了一个 SUBLEQ 单指令集计算机。这是一种通过内存减法和条件跳转达成图灵完备的虚拟机架构，拥有时钟中断和 I/O 机制。在这个极简的虚拟机上，甚至可以引导 Linux 和运行经典游戏 Doom。
尽管大赛评委允许使用 AI 工具，只要人类是最终创作者，但多位获奖者表示，LLM 在编写需要创造性和狡黠的混淆代码方面远不如人。有作者提到，AI 在试图理解代码时甚至将其误判为恶意软件并拒绝处理。一位面试官则分享了 2000 年的旧事：他们曾让一位紧张的实习生看 IOCCC 代码，在对方道歉说不懂后，面试官大笑并当场录用了他——能识别出不懂，有时正是懂的开始。
一项研究在分析了 AI 多智能体系统 ChatDev 执行 30 个任务的轨迹后发现，平均 59.4% 的 token 被消耗在了迭代的代码审查阶段，而非初期的代码生成。输入 token（读大量代码）的占比高达 53.9%，这暴露了多智能体协作中的巨大效率浪费：一个系统可能读上百万 token 的上下文，只为了修改一行代码。
从业者的感受与数据一致。有人反映 GitHub Copilot 的月度额度在一次调价后，从“用不完”变成了两天耗尽。更夸张的案例发生在一家公司的 AI 产品演示会上：一条简单的设备查询就烧掉了 25 万个 token，客户看到消耗后立刻追问预算上限，让销售团队措手不及。
针对上下文冗余传递的问题，社区讨论指出可以利用缓存复用前缀，或者让模型先将代码库压缩为共享的缓存，供多个子智能体调用。由于代码审查这类例行任务用本地推理模型就已足够，将其作为批量后台任务运行，能有效避开云端的巨额费用。随着开源模型和廉价推理供应商的崛起，AI 接口定价的”武断“正在遭遇市场竞争的约束。
OpenAI 的一个团队用五个月时间，完全依靠 Codex 智能体构建并交付了一个内部产品，没有写一行手动代码。他们的角色不再是码农，而是设计环境、意图和反馈循环的架构师——负责构建能让 AI 可靠运行的“脚手架”。团队平均每人每天合入 3.5 个 Pull Request，五个月内仓库积累了约 100 万行代码。
为了提升自主性，团队做了大量反直觉的设计：允许智能体像人一样通过 Chrome DevTools 协议操作界面、截图甚至录屏，并将其中的日志和指标系统也暴露给智能体查询。代码质量的目标也发生了偏移：不再是“对人类优雅”，而是“对智能体可读”。他们设定了严格的分层架构并由自动化 Linter 强制执行依赖方向，以遏制 AI 产生的代码漂移。
随着吞吐量激增，团队发现代码库中出现了大量不加区分的模式复制，形成技术债。他们设置了后台任务定期扫描并重构偏差，如同垃圾回收机制。不过，这个实验高度依赖特定的内部工具链，其长期可维护性和成本效益仍有待验证，尤其是当文档积累到几 MB 后，智能体的架构决策是否会被过去的自己禁锢，依然是个未知数。
The Public Domain Image Archive 收录了 11082 件已过版权保护期的艺术作品，并以每周新增内容的频率持续扩充。用户可以按艺术家、世纪或主题浏览，也可以开启“无限视图”模式随机探索。
尽管网站主要面向美国公有领域，但全球各地的版权规则并不统一，部分国家对数字复制品可能仍拥有权利。不过对于寻找灵感的设计师或游戏开发者来说，这里依然是宝库。有用户从一本 1920 年代关于迷宫的书中获取了关卡设计的灵感——在“无限视图”模式下一不小心就刷了 20 分钟。
从今年三月起，大量 Steam 玩家发现多款依赖其 P2P 网络的游戏出现了延迟飙升的问题。《街霸 6》中，以色列国内玩家间的延迟高达 120ms，而连接到欧洲玩家却只有 60-80ms。《战锤：末世鼠疫2》和《深岩银河》的玩家也遭遇了连接被强制绕行 Steam 中继服务器，导致无法建立直接 P2P 连接的故障。玩家社区认为，这是 Valve 在三月初的更新中引入的 bug，导致 NAT 穿越失败。
在 Valve 慢速响应期间，一位中国玩家发现了一种变通方法：只需双方将 Steam 安装目录下的一个 dll 文件复制到游戏运行目录，即可强制游戏恢复真正的 P2P 连接。该方法已在多款游戏中验证有效。这一修复过程也让人们看到了开源社区自发排查和互助的价值，也引发了关于 Valve 工程文化中，这类“无聊”bug 是否缺乏维护动力的讨论。
一位拥有十年经验的支付领域软件工程师写下了他的焦虑。他发现，自己引以为傲的三项核心优势正被 LLM 逐一瓦解：他苦心积累的领域知识，LLM 通过公开资料也能“推理”出最佳实践；他赖以成名的分布式系统调试直觉，在 Claude Code 和 DataDog MCP 等工具面前，90% 能被一次性解决；而他对整洁架构和代码质量的追求，在“写给 AI 看”的新标准下，变成了可以被轻视的“品味”。
公司不再招聘“支付领域 - 软件工程师”，只招“软件工程师”，资深人士被迫与通才竞争。社区讨论指出，尽管 LLM 在处理常规任务时可能比人类更可靠，但它们在高监管行业（如金融、航空）不可预测的幻觉风险，恰恰是人类专业知识的最后堡垒。当“意图”和“对后果的理解”依然必须由人承担时，将代码等同于全部技能，或许本身就是一种错觉。
高性能符号计算框架 Symbolica 发布 2.0 大版本，核心是让用户能自定义符号的求导、展开和化简行为。新版本集成了 JIT 编译和执行速度提升 3 倍以上的双浮点运算路径。针对用户反馈不佳的计算案例，优化后获得了 2 到 1 万倍的速度提升。该工具非商业用途单核免费，被社区视作 Mathematica 等商业软件的替代选项。
2016 年，传奇马球运动员 Adolfo Cambiaso 首次骑上自己十年前去世的冠军马 Aiken Cura 的克隆体，并惊叹于“和原来一模一样”的转向灵活性与爆发力。他随后率领六匹克隆马队出战 Palermo 公开赛并夺冠，开创了克隆马参赛的先河。
每匹克隆马的成本约 4 万美元，背后是体细胞核移植技术（SCNT）极低的成功率。到 2026 年，仅阿根廷就预计有数百匹克隆马出生。有实验室甚至开始用 CRISPR 技术编辑马的肌肉生成基因。但此趋势引发了激烈争议：一方面，这项技术将马球比赛拉向了“基因军备竞赛”；另一方面，整个产业几乎依赖于单一的“阿根廷马球马”基因型，可能导致类似单一栽培作物的近交衰退和毁灭性的疾病风险。正如一位评论者所言，当比赛变成比谁能买得起最好的基因组时，运动本身的意义就被消解了。
Zig 语言社区领袖 Loris Cro 提出，软件的优先级应依次为：对用户有用、正确、可维护且高效。他认为，如果软件本身充满恶意或毫无用处，即便没有 bug 也毫无价值。这个简洁的宣言引发了社区关于“bug”与“功能”如何区分，以及“有用性”这一主观标准如何定义的深入探讨。Cro 也回应了关于 Zig 在 AI 时代价值的质疑，认为它作为“更好用的 C”，在交叉编译等领域的核心优势依然不可替代。
非营利机构 Biohub 开源了一套覆盖 28 亿条序列的蛋白质模型。其结构预测引擎在抗体-抗原相互作用预测上领先，并能在几天内设计出针对癌症靶点的全新蛋白质结合子，命中率最高达 88%。尽管成果激动人心，但评论也指出，由于原子级精度不足，设计蛋白质仍带有“碰运气”的成分，且生物学那套“粘糊、怪异、不可预测”的底层逻辑，依然是软件工程师思维需要跨越的鸿沟。
女：Hello 大家好，欢迎收听新一期的 Hacker 播客，我是莓莓。
男：大家好，我是阿哲。
女：阿哲，今天这期节目，稿件堆得有点厚，咱们从哪开始？
男：从好玩儿一点的开始吧。有一个比赛叫国际混淆 C 代码大赛，英文缩写是 IOCCC，刚公布了2025年的获奖名单。你可以把它理解成程序员界的“故意把代码写得没人看得懂”大赛。
女：这比赛我听人提过，就是把代码排成各种形状，然后在里面藏功能对吧？今年有什么让人一眼就记住的？
男：有个作品特别直给。作者 Nick Craig-Wood，他把一个完整的 GameBoy 模拟器，源代码直接排成了 GameBoy 游戏机的形状。而且是真能用的，不是样子货。可以跑俄罗斯方块，甚至能跑一些开源的游戏 ROM。
女：等等，源代码排列成 GameBoy 形状，这个是怎么做到的？是画上去的吗？
男：当然不是画，是靠代码里的空格、换行和字符拼出来的。Craig-Wood 自己说，他先写了一个六千个字符的标准模拟器，然后花了一百个小时，把它硬生生压缩到比赛允许的两千五百个字符以内。他砍掉了很多俄罗斯方块用不上的硬件模拟，比如一个叫半进位标志的东西，还钻了 C 语言标准库的漏洞，比如某个头文件里的操作符只算一个字符。他甚至反编译了大赛的代码检查工具，专门找漏洞来多挤出几个字符。
女：这已经不是在写代码了，这是在搞行为艺术。那除了这个，还有没有更疯狂的？
男：有。今年有个作品只有366个字节，非常小。它实现了一种叫 SUBLEQ 的单指令集计算机。可以简单理解成，他在这个366字节的程序里，造了一台理论上什么都能干的虚拟电脑。更夸张的是，有人用这台虚拟电脑成功启动了 Linux 操作系统，甚至在 Linux 里跑了《毁灭战士》这个游戏。
女：三百多个字节的程序里跑 Linux 和 Doom？这听起来像天方夜谭。
男：它的原理是，整个计算机完全靠一种叫做“内存减法和条件跳转”的数学操作来运转，这恰好够达到了图灵完备。作者还给它做了时钟中断和输入输出系统，等于在一个小沙粒上雕出了一整座城市。社区里有人说，这是他见过的最令人印象深刻的东西。
女：这些人的脑子到底是怎么长的？不过，说到程序在写程序，我想到另一个话题。现在 AI 写代码已经很普遍了，他们有没有用 AI 来参加这种比赛？
男：评委今年特意加了一条，允许用 AI 工具，但最终的创作者还得是人。有意思的是，好几个获奖者，包括做 GameBoy 的 Craig-Wood，都说现在的 AI 在混淆代码上，比人差远了。Craig-Wood 试过让一个很先进的模型去反向理解他自己写的另一段混淆代码，结果 AI 直接判定那是恶意软件，拒绝处理。
女：这个拒绝的理由，感觉 AI 还挺有求生欲的。但也说明在创造“恶作剧”式的聪明上，人还是棋高一着。不过话说回来，很多公司现在已经在严肃地推 AI 全自动开发了。我看到一个报告，说 OpenAI 内部有个团队，过去五个月里完全没写一行手动代码，全靠他们自己的编程智能体，真的做出了一个产品。
男：没错，他们用的是一种叫 Codex 的智能体。这个实验里，工程师的角色彻底变了。他们不再写代码，而是去设计开发环境，设计各种约束和反馈循环，让智能体能在里头自己转起来。团队只有三个核心工程师，后来扩展到七个，平均每个人每天要合并3.5个代码更新请求。五个月内，软件仓库积累了大约一百万行代码。
女：一百万行？这个数字有点吓人。Firefox 浏览器那么大的工程，核心代码也就两百多万行。他们一个小团队几个月就搞出一百万行，这里面会不会有很多“注水”的代码？
男：这也是社区里很多人质疑的点。因为智能体写代码，有时会不假思索地复制已有的模式，哪怕是坏的模式，导致出现很多冗余代码。团队自己把这个叫“AI垃圾”，最开始他们每周要花20%的时间手动清理。后来就改成把一些好的架构原则写成规则，让后台任务定期扫描代码库，发现走样的地方就自动提一个重构请求，像垃圾回收一样。
女：听起来像是在和智能体“斗智斗勇”，看谁先把代码库搞乱。那他们最终做出来的产品，质量到底怎么样？
男：这正是另一个争议点。他们没有公开产品的名字和任何代码，所以外界没法独立验证质量。但文章的核心论点是，这种模式证明了智能体可以在一个不断膨胀的超大代码库里工作，这在以前是被很多人质疑的。为了做到这一点，他们投入了巨大的精力在架构约束上。
女：怎么个约束法？
男：比如，他们用了一个非常严格的、像千层饼一样的分层架构，每一层只能单向依赖上一层，并且用定制化的代码检查工具来强制执行。在过去，这种架构纪律只有上百人的大团队才敢用。现在，这变成了使用智能体的前提条件——因为智能体很容易跑偏，但如果你给它画好很窄的跑道，它就可以跑得很快。他们的信条是：代码质量的目标，从“对人类优雅”，变成了“对智能体可读”。
女：也就是说，为了让 AI 看懂，人得先把自己的想法整理得清清楚楚。这让我想起另一个信息，有人专门研究了这种智能体开发软件的成本大头到底在哪。不是在写代码本身，而是在来回审查和修改上，是吗？
男：对，有一篇很扎实的研究，分析了智能体在一个叫 ChatDev 的框架里开发软件的过程。他们把开发分成六个步骤：设计、编码、补全、审查、测试和文档。结果发现，花在反复审查代码阶段的 token，也就是计算资源消耗，平均占到了 59.4%。
女：59.4%！一大半的钱都花在“找茬”上了。
男：没错。而且输入消耗的 token 远多于输出，大概10:1。你可以想象成，一个智能体为了改一行代码，可能要先把几十万行背景代码全部“读”一遍。对于越大的项目，这个比例就越夸张。这背后其实藏着巨大的优化空间，比如更智能的缓存机制，或者让智能体学会用工具去导航代码库，而不是每次都把整个图书馆搬到自己面前。
女：这让我想起一个很现实的故事，有个公司给客户演示 AI 搜索功能，结果旁边一列显示了消耗的 token 数，一个简单的问题就烧掉了25万 token。客户直接问：“这钱谁付？有预算上限吗？” 销售当场就后悔把这数字露出来了。
男：这个很黑色幽默。它反映了一个现状，现在很多“AI加持”的产品，成本被藏起来了。这种 token 的定价，有点像航空公司卖里程积分，对用户来说不透明，而且对企业也存在风险。不过，市场上像 DeepSeek 这样的廉价推理服务，以及开源模型的出现，正在给这种定价模型施加压力。成本要是真涨得太离谱，客户可以随时换到按裸金属服务器计价的第三方。
女：我们刚聊了这么多关于 AI 怎么替代人写代码，甚至是替代人审查的事，这会让那些资深工程师怎么想？我最近刚好看到一篇发表在今年六月的文章，一个在金融支付领域干了十年的工程师，说自己被 AI 一点一点磨平了。
男：他的故事很有代表性。他叫它“三根支柱的崩塌”。第一根是领域知识。他原来引以为豪的，比如怎么设计系统来防止重复扣款，这些多年踩坑换来的经验，他发现 AI 居然能从公开资料里学会，并且给出八九不离十的方案。
女：这很让人泄气。等于自己最值钱的经验，突然变成了公共知识。
男：第二根是调试和解决分布式系统那种诡异的 bug。他原来觉得 AI 肯定不行，但现在各种工具的介入，那些曾经需要他动用全部直觉去“破案”的问题，90% 被 AI 一次性解决了。他的经验变得“可提示化”了。任何人都可以通过提示词来获得这种能力。
女：那第三根支柱是什么？
男：代码的品位和架构。他喜欢重构，喜欢整洁、漂亮的代码结构。但现在行业趋势是，这变得没那么重要了。代码质量从 A 降到 C 也行，因为代码主要是写给 AI 看的，不是写给人看的。他最后的这个信念也被侵蚀了。他公司现在只招“软件工程师”，不再招“支付领域的软件工程师”了，专业知识的价值在贬值。
女：那他最后有给出什么解决办法吗？
男：没有，他自己也很迷茫。他甚至动了把木工手艺变成职业的念头。社区里很多人也在讨论。一种观点认为，他应该感到解脱，因为可以从繁琐的细节里释放出来，去关注更高层次的系统意图和设计。但另一种，也是更深的担忧是：如果像他这样有经验的工程师全都不再亲自调试和写代码，长久来看，他们也会慢慢丧失监督 AI 的能力，整个系统的质量就会像坐滑梯一样往下掉。
女：尤其是在金融这种高风险的行业，这确实不是闹着玩的。有另一个做金融支付的人说，他们用了所谓最前沿的模型去检查代码，结果 AI 非常自信地援引了一条根本不存在的法规，说代码违规了，其实那段代码早就过了合规审查。
男：对，这就是 AI 的幻觉问题。可怕的不是它犯错，而是它犯错的方式无法预测。你不知道它什么时候，会凭空编造一个东西骗你。所以说，当下人类对于“意图”和“后果”的理解，依然是 AI 替代不了的。这也算是不幸中的万幸吧。
女：聊了这么多代码和人之间的拉扯，我们换个更有生命感的话题。阿哲，你知道马可以克隆吗？而且已经是一个产业了。
男：不仅知道，而且这个产业现在玩得很大。最核心的人物是一个叫 Adolfo Cambiaso 的世界顶级马球运动员。十多年前，他最好的马在决赛中严重骨折被安乐死了，他当时留了个心眼，让兽医把马的细胞存了下来。就这个“以防万一”的直觉，让他成了马球界克隆马的先驱。他后来又去克隆了另一匹很厉害的马。2016年，他骑着好几匹克隆马去参赛，还赢了冠军。
女：克隆的过程和我们熟知的克隆羊多莉一样吗？
男：原理一样，叫体细胞核移植。就是从要克隆的马身上取一个体细胞，把细胞核抽出来，注入到一个去了核的卵细胞里，用电激活让它开始分裂成胚胎，最后放进代孕母马的身体里。但早期成功率很低，一百个胚胎里，最后可能就四五匹小马能顺利生下来。每匹的成本大概4万美元。而且小马的线粒体 DNA 来自提供卵细胞的母马，所以克隆马和本尊并不是100%完全一样。
女：四万美元就能“复活”自己心爱的冠军马，对马球运动员来说，这个投资很值吧？
男：Cambiaso 就是这么想的。他不在乎什么伦理争议，他只在乎克隆马带给他赛场上的优势。到2026年，光阿根廷一个国家，预计就有六七百匹克隆马出生。为他立下汗马功劳的那匹马的克隆体，已经超过60匹了。更厉害的是，有生物公司甚至开始用基因剪刀，来编辑小马的肌肉生长相关基因，想人为制造更强壮的赛马。
女：等等，这不就是运动界的“超级战士”吗？那比赛还有什么意义？直接比谁有钱买更好的马基因？
男：这正是所有争议的核心。有个芬兰哲学家就说，为了提高动物运动表现而去改造它们，这是一种令人厌恶的物化。还有遗传学家警告，克隆马产业几乎只用阿根廷马球马这个品种，这会导致近交衰退，就像我们现在吃的香蕉，全是一个叫 Cavendish 的品种，一旦出现一种专门针对它的病毒，整个产业会瞬间崩溃。不过也有人提了一个很有创意的方案：不如干脆规定大家都用同一匹马的基因来克隆，这样比赛就纯粹比人的技术了。
女：这让我想到从 AI 代码到克隆马，人类好像一直在追求一种极限的效率和可复制性。当代码能被自动生成，优等马能被批量复制，我们是不是也在丢失一些靠时间、苦功夫和运气才能积累下来的东西？
男：这确实是个很深的矛盾。但它在另外一个领域又不太一样。最近一个叫 Biohub 的非营利机构，做了一套开源的蛋白质预测模型，他们做的事，恰恰是用 AI 的“可复制高效率”去加速那些对人类极其有益，但靠运气和苦功夫可能几十年都走不通的路。
女：具体来说是做什么的？
男：他们发布了三个东西：一个叫 ESMC 的语言模型，一个叫 ESMFold2 的结构预测引擎，还有一个叫 ESM Atlas 的数据库。你可以把这想象成一个巨大的、能读懂所有生命蛋白质语言的 AI。比如，他们给设定的目标是针对几个癌症的靶点，去设计新的蛋白质药物。AI 在几天之内就设计出了新的蛋白质“捕捉器”，而且成功率很高。有一个针对 PD-L1 的设计，这个靶点是现在很多免疫疗法的目标，AI 设计出的结合子展现出了和已上市药物类似的效果。
女：几天内完成传统方法几个月几年的工作，这听起来像是 AI 在帮助我们快速发现大自然的秘密。那这种发现的可靠性怎么样？设计出来的东西就真能用吗？
男：这是最关键的地方。专家在社区里也泼了冷水，说蛋白质设计的准确度还远没到原子级别。预测的活性位点和实验解析出来的结构，可能就差了一点点，甚至是一条氨基酸侧链的朝向不同，就会完全改变相互作用的解释。所以目前的蛋白质设计，本质上还是在“撞大运”，只不过是更高效率的撞大运。一个软件工程师可能会对生物学这种“粘糊、诡异、不可预测”的特性感到不适，因为系统输入 A，并不总是产出 B，有时原因还不明。
女：但这种方式至少给了我们很多可以尝试的方向。会不会对人类基因也做类似的事呢？
男：这当然是一个巨大的伦理深水区。但目前，Biohub 是把所有模型和数据库都以 MIT 这种非常宽松的许可证开源了。这在学术界是很少见的。他们是一个非营利机构，目标是攻克疾病。这也代表了 AI 在科学领域最激动人心的应用方向之一：不是替代人，而是像一个给科学家配的超级显微镜和图纸，帮我们看到以前看不到的关联。
女：从一个把代码当艺术来扭曲的比赛，到 AI 如何重塑我们的工作方式和价值感，再到复制生命，甚至用 AI 去读懂生命本身，这一期我们聊的话题跨度有点大，但背后好像都指向同一件事：我们该如何与技术带来的、这种近乎“上帝视角”的能力相处。
男：对。技术本身是中立的，但用好它，需要我们花更多心思去设计护栏、保持批判，并时刻记住我们最终服务的，是什么样的人。
女：好了，今天的时间差不多了。感谢大家的收听。如果你喜欢我们的节目，别忘了在泛用型播客客户端上订阅我们。
男：我们下期再见。
女：拜拜。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。