Anthropic 对未来的预测
我把 Anthropic 刚发的这篇论文完整看了一遍。
整篇 57 页，系统研究了如果未来几年 AI 能力继续快速提高，而且真的开始大规模进入工作，到 2030 年，GDP、工资、就业和整个社会的收入分配会发生什么变化。
这套分析框架做得非常好，反正我看完还是有很多收获。它设计了几种不同的 AI 发展情景，然后看每一种情况下，经济和就业的影响。下面是我的笔记。
还有时间的话，我还是强烈推荐看一看，主要是看他们的分析逻辑。同时在看这个的过程中，也确实能够直观地感受到 AI 可能会带来的影响。
1、论文把工作粗略分成了两类。一类是认知型工作，包括管理、专业人士、销售、办公室工作这些，程序员、律师、研究人员基本都在里面。
另一类是其他工作，比如建筑、电工、运输、现场服务这些。
他们先假设，2030 年以前 AI 主要直接影响第一类工作，暂时不考虑机器人快速进入体力工作的情况。
所以后面论文里讨论 AI 对工作的冲击，核心讨论的其实都是今天这些知识工作和办公室工作。
2、论文设计了三种情景，温和、显著和极端。
温和情景下，AI 的发展和普及都比较慢。到 2030 年，GDP 只比没有 AI 的情况高 1.6%。显著情景下，AI 已经成为比互联网影响更大的新技术。
到 2030 年，GDP 比没有 AI 的情况高 8.3%。极端情景下，AI 开始大规模完成原来由人做的认知工作。到 2030 年，GDP 比没有 AI 的情况高 32.4%。
注意，这三个数字不是作者对 2030 年的预测。他们也没有说哪一种情况概率最高。这些都是假设。
3、AI 对工作的影响，主要有两种情况。一种是 AI 帮人提高效率。比如程序员、律师、销售用了 AI，同样时间能完成更多工作，人还留在原来的岗位里。
另一种是 AI 已经可以独立把任务做完。这个时候，人开始退出，原来支付给人的那部分工资，会更多转到模型、算力这些资本上。
4、论文认为，AI 对就业和收入分配影响最大的变量是自动化比例。AI 参与的任务越多，其中由 AI 独立完成的比例越高，人需要参与的工作就越少，收入也会更多流向资本。
拿刚刚提到的显著情景来说。到 2030 年，AI 能影响整个经济大约 30% 的任务，但真正部署到工作里的只有 40%。
算下来，大概有 12% 的经济任务真正用上了 AI，相当于今天认知工作任务的五分之一左右。
更关键的是，这些已经用上 AI 的任务里，四分之三都已经可以由 AI 独立完成，只有四分之一还是 AI 辅助人。
这种情况下，AI 会让这些任务的生产率提高大约 57%。整个经济也明显加速，到 2030 年，GDP 比没有 AI 时高 8.3%，当年的经济增速达到 5.4%。
这个增长速度已经很快了。1999 年美国互联网最繁荣的时候，实际 GDP 增速也只有 4.7%。
5、但经济增长以后，这些新增收入并不会平均落到劳动者和资本身上。
显著情景下，到 2030 年，GDP 比没有 AI 的情况高 8.3%，平均工资却只高 2.1%。
再拆开看，差别更明显。认知型工作的工资反而低了 0.3%，其他职业工资高了 5.9%。所有劳动者加起来拿到的总收入，只比没有 AI 时高 1.4%，但资本收入却高了 18.9%。
原因就在前面讲的自动化。
这个情景里，已经用上 AI 的任务中，有四分之三可以由 AI 独立完成。
原来需要支付工资给人完成的一部分工作，开始交给模型、算力和其他资本完成，对应的收入也更多流向资本。
所以虽然整个经济增长了 8.3%，劳动收入占 GDP 的比例却从 60% 降到了 56.1%，资本收入占比从 40% 升到了 43.9%。
这也是论文一个很重要的结论。AI 可以让整个经济增长得很快，但 GDP 增长多少，和普通劳动者的收入增长多少，是两回事。
6、再具体一点，假设原来的 GDP 是 100，劳动者拿其中的 60。现在 GDP 增长到 132，但劳动者只能拿其中的 45%。
132 乘以 45%，还是差不多 60。
也就是说，整个经济大了三分之一，但所有劳动者加起来拿到的总收入几乎没增加。新增出来的这部分收入，基本都去了资本端（AI 公司）。
7、AI 还会重新抬高那些暂时无法被替代的工作的价值。
极端情景下，认知型工作的工资比没有 AI 时低 11.5%，其他职业的工资却高出 33.6%。
背后的逻辑是，AI 把大量认知任务的成本降了下来，整个经济的产出也随之快速增加。
但经济要多生产这么多东西，依然需要建筑、电工、运输、现场服务这些 AI 暂时完成不了的工作。
于是一个很有意思的变化出现了。
认知工作这边，AI 可以直接补充供给，企业对人的需求下降，工资受到压制。
其他工作这边，AI 暂时补不上，但整个经济扩张以后，对这些工作的需求反而增加。即使一部分认知工作者转过去，也未必能完全补上新增需求，所以工资会上涨。
这也是为什么 AI 越强，不同职业的工资不一定一起上涨或者一起下降。
越容易被 AI 完成的工作，人的价值越容易受到压制；越难被 AI 接手的工作，反而可能因为整个经济增长而变得更值钱。
8、前面说了，AI 会减少一部分认知工作的需求，同时整个经济增长，又会增加建筑、电工、运输、现场服务这些工作的需求。
问题是，人没法跟着岗位变化立刻完成转行。
论文举了一个很形象的例子。一个软件工程师失去工作以后，很难马上转去做电工。换一个行业，需要重新学习，需要寻找岗位，过去积累的很多经验也未必还能直接用。
当然不一定是电工，也可以是保险经理等等服务行业的工作。
所以即使整个经济里还有新的工作机会，中间依然可能出现失业。AI 接管旧工作的速度越快，劳动者转换职业的速度越慢，这批暂时找不到新工作的人就会越多。
9、同样一次 AI 冲击，最后可能表现成两种结果，一种是降薪，一种是失业。
论文专门做了一个对比。AI 的能力、自动化程度都保持不变，只看企业在用人变少以后，工资能不能跟着下降。
如果工资可以快速下降，企业会继续保留更多人。结果是，认知工作者的工资比没有 AI 时低 42.2%，但失业率只有 2.6%。
如果工资很难下降，企业需要的人已经变少了，工资却降不下来，那最后只能少招人、裁更多人。
这个情况下，认知工作者的工资甚至还能比没有 AI 时高 2.8%，但失业率会升到 24%。
所以 AI 减少用工需求以后，结果不一定只表现成失业。工资越容易下降，更多影响会落在收入上。工资越难下降，更多影响就会落在就业上。
10、还有一个我觉得很有启发的概念，叫 so-so automation，可以理解成收益不高的自动化。
比如以前一个人完成某项工作需要花 100 块钱，现在 AI 可以把任务接过去，成本变成 95。
对公司来说，人确实可以不用了。但从整个社会来看，这项技术其实只创造了 5 块钱的效率提升。
原来支付给劳动者的那一大块收入，却已经随着任务一起转到了资本端。这种 AI 会替代很多工作，但整个社会并没有因此多创造多少财富。
11、AI 越能独立完成工作，企业就越需要更多算力来承接这些任务。
如果算力供给能快速跟上，企业需要更多算力，市场也能及时增加，价格就不会被明显推高。这样一来，资本因为稀缺拿走的收益不会太多，劳动者也能通过工资分到更多。
如果算力供给跟不上，情况就反过来了。所有公司都在争抢有限的算力和设备，需求越高，价格就越容易上涨，更多收益也会流向资本所有者，留给工资的部分自然就会减少。
当然，这个模型也做了很多简化。它把算力这些都放进了一个统一的资本项里，没有单独去算模型价格、推理成本持续下降这些变化。现实里，这些因素可能会缓解一部分资本稀缺。
但如果未来模型的长程任务能力已经非常强，AI 真正开始大规模接手工作，那接下来一个很现实的问题就是，有没有足够多的算力、数据中心和电力，把这些能力真正跑起来。
到那个阶段，算力供给很可能会成为一个重要瓶颈。
12、不过即便在最极端的情况下，AI 创造的新增收益，依然远远高于认知工作者损失的收入。
论文算下来，整个经济增加的收益，大约是认知工作者收入损失的三倍。
理论上，只要拿出相当于 GDP 9% 的收入，就可以让受影响的认知工作者维持原来的收入水平。而剩下的人，整体收入依然能比没有 AI 时高 20% 以上。
所以真正麻烦的地方，可能不是 AI 创造的财富不够多，而是这些财富最后怎么分。
论文也专门提到，过去无论是技术变革还是贸易冲击，受益的人很少会主动补偿那些受到冲击的人。
AI 如果真的走到极端情景，最后要解决的可能就是这个问题，怎么让那些被 AI 替代、降薪的人，也能分到 AI 创造出来的增长。
13、AI 加速科学研究这条路径，在 2030 年以前反而没有贡献特别多的经济增长。
即使在极端情景里，AI 确实可以帮助科研，但很多研究最终还受到实验、物理世界这些环节限制。
所以他们算下来，通过加速科研带来的额外劳动生产率提升，在三种情景里都不到 1%。
当然作者自己也承认，这部分模型没有把 AI 帮助 AI 研究之后的递归反馈完整算进去，所以这个结果很可能偏保守。
挺有意思，推荐大家去看看。Anthropic 官方还做了一个漂亮的解析网页。
22 个帖子 - 14 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: Anton)
我把 Anthropic 刚发的这篇论文完整看了一遍。
整篇 57 页，系统研究了如果未来几年 AI 能力继续快速提高，而且真的开始大规模进入工作，到 2030 年，GDP、工资、就业和整个社会的收入分配会发生什么变化。
这套分析框架做得非常好，反正我看完还是有很多收获。它设计了几种不同的 AI 发展情景，然后看每一种情况下，经济和就业的影响。下面是我的笔记。
还有时间的话，我还是强烈推荐看一看，主要是看他们的分析逻辑。同时在看这个的过程中，也确实能够直观地感受到 AI 可能会带来的影响。
1、论文把工作粗略分成了两类。一类是认知型工作，包括管理、专业人士、销售、办公室工作这些，程序员、律师、研究人员基本都在里面。
另一类是其他工作，比如建筑、电工、运输、现场服务这些。
他们先假设，2030 年以前 AI 主要直接影响第一类工作，暂时不考虑机器人快速进入体力工作的情况。
所以后面论文里讨论 AI 对工作的冲击，核心讨论的其实都是今天这些知识工作和办公室工作。
2、论文设计了三种情景，温和、显著和极端。
温和情景下，AI 的发展和普及都比较慢。到 2030 年，GDP 只比没有 AI 的情况高 1.6%。显著情景下，AI 已经成为比互联网影响更大的新技术。
到 2030 年，GDP 比没有 AI 的情况高 8.3%。极端情景下，AI 开始大规模完成原来由人做的认知工作。到 2030 年，GDP 比没有 AI 的情况高 32.4%。
注意，这三个数字不是作者对 2030 年的预测。他们也没有说哪一种情况概率最高。这些都是假设。
3、AI 对工作的影响，主要有两种情况。一种是 AI 帮人提高效率。比如程序员、律师、销售用了 AI，同样时间能完成更多工作，人还留在原来的岗位里。
另一种是 AI 已经可以独立把任务做完。这个时候，人开始退出，原来支付给人的那部分工资，会更多转到模型、算力这些资本上。
4、论文认为，AI 对就业和收入分配影响最大的变量是自动化比例。AI 参与的任务越多，其中由 AI 独立完成的比例越高，人需要参与的工作就越少，收入也会更多流向资本。
拿刚刚提到的显著情景来说。到 2030 年，AI 能影响整个经济大约 30% 的任务，但真正部署到工作里的只有 40%。
算下来，大概有 12% 的经济任务真正用上了 AI，相当于今天认知工作任务的五分之一左右。
更关键的是，这些已经用上 AI 的任务里，四分之三都已经可以由 AI 独立完成，只有四分之一还是 AI 辅助人。
这种情况下，AI 会让这些任务的生产率提高大约 57%。整个经济也明显加速，到 2030 年，GDP 比没有 AI 时高 8.3%，当年的经济增速达到 5.4%。
这个增长速度已经很快了。1999 年美国互联网最繁荣的时候，实际 GDP 增速也只有 4.7%。
5、但经济增长以后，这些新增收入并不会平均落到劳动者和资本身上。
显著情景下，到 2030 年，GDP 比没有 AI 的情况高 8.3%，平均工资却只高 2.1%。
再拆开看，差别更明显。认知型工作的工资反而低了 0.3%，其他职业工资高了 5.9%。所有劳动者加起来拿到的总收入，只比没有 AI 时高 1.4%，但资本收入却高了 18.9%。
原因就在前面讲的自动化。
这个情景里，已经用上 AI 的任务中，有四分之三可以由 AI 独立完成。
原来需要支付工资给人完成的一部分工作，开始交给模型、算力和其他资本完成，对应的收入也更多流向资本。
所以虽然整个经济增长了 8.3%，劳动收入占 GDP 的比例却从 60% 降到了 56.1%，资本收入占比从 40% 升到了 43.9%。
这也是论文一个很重要的结论。AI 可以让整个经济增长得很快，但 GDP 增长多少，和普通劳动者的收入增长多少，是两回事。
6、再具体一点，假设原来的 GDP 是 100，劳动者拿其中的 60。现在 GDP 增长到 132，但劳动者只能拿其中的 45%。
132 乘以 45%，还是差不多 60。
也就是说，整个经济大了三分之一，但所有劳动者加起来拿到的总收入几乎没增加。新增出来的这部分收入，基本都去了资本端（AI 公司）。
7、AI 还会重新抬高那些暂时无法被替代的工作的价值。
极端情景下，认知型工作的工资比没有 AI 时低 11.5%，其他职业的工资却高出 33.6%。
背后的逻辑是，AI 把大量认知任务的成本降了下来，整个经济的产出也随之快速增加。
但经济要多生产这么多东西，依然需要建筑、电工、运输、现场服务这些 AI 暂时完成不了的工作。
于是一个很有意思的变化出现了。
认知工作这边，AI 可以直接补充供给，企业对人的需求下降，工资受到压制。
其他工作这边，AI 暂时补不上，但整个经济扩张以后，对这些工作的需求反而增加。即使一部分认知工作者转过去，也未必能完全补上新增需求，所以工资会上涨。
这也是为什么 AI 越强，不同职业的工资不一定一起上涨或者一起下降。
越容易被 AI 完成的工作，人的价值越容易受到压制；越难被 AI 接手的工作，反而可能因为整个经济增长而变得更值钱。
8、前面说了，AI 会减少一部分认知工作的需求，同时整个经济增长，又会增加建筑、电工、运输、现场服务这些工作的需求。
问题是，人没法跟着岗位变化立刻完成转行。
论文举了一个很形象的例子。一个软件工程师失去工作以后，很难马上转去做电工。换一个行业，需要重新学习，需要寻找岗位，过去积累的很多经验也未必还能直接用。
当然不一定是电工，也可以是保险经理等等服务行业的工作。
所以即使整个经济里还有新的工作机会，中间依然可能出现失业。AI 接管旧工作的速度越快，劳动者转换职业的速度越慢，这批暂时找不到新工作的人就会越多。
9、同样一次 AI 冲击，最后可能表现成两种结果，一种是降薪，一种是失业。
论文专门做了一个对比。AI 的能力、自动化程度都保持不变，只看企业在用人变少以后，工资能不能跟着下降。
如果工资可以快速下降，企业会继续保留更多人。结果是，认知工作者的工资比没有 AI 时低 42.2%，但失业率只有 2.6%。
如果工资很难下降，企业需要的人已经变少了，工资却降不下来，那最后只能少招人、裁更多人。
这个情况下，认知工作者的工资甚至还能比没有 AI 时高 2.8%，但失业率会升到 24%。
所以 AI 减少用工需求以后，结果不一定只表现成失业。工资越容易下降，更多影响会落在收入上。工资越难下降，更多影响就会落在就业上。
10、还有一个我觉得很有启发的概念，叫 so-so automation，可以理解成收益不高的自动化。
比如以前一个人完成某项工作需要花 100 块钱，现在 AI 可以把任务接过去，成本变成 95。
对公司来说，人确实可以不用了。但从整个社会来看，这项技术其实只创造了 5 块钱的效率提升。
原来支付给劳动者的那一大块收入，却已经随着任务一起转到了资本端。这种 AI 会替代很多工作，但整个社会并没有因此多创造多少财富。
11、AI 越能独立完成工作，企业就越需要更多算力来承接这些任务。
如果算力供给能快速跟上，企业需要更多算力，市场也能及时增加，价格就不会被明显推高。这样一来，资本因为稀缺拿走的收益不会太多，劳动者也能通过工资分到更多。
如果算力供给跟不上，情况就反过来了。所有公司都在争抢有限的算力和设备，需求越高，价格就越容易上涨，更多收益也会流向资本所有者，留给工资的部分自然就会减少。
当然，这个模型也做了很多简化。它把算力这些都放进了一个统一的资本项里，没有单独去算模型价格、推理成本持续下降这些变化。现实里，这些因素可能会缓解一部分资本稀缺。
但如果未来模型的长程任务能力已经非常强，AI 真正开始大规模接手工作，那接下来一个很现实的问题就是，有没有足够多的算力、数据中心和电力，把这些能力真正跑起来。
到那个阶段，算力供给很可能会成为一个重要瓶颈。
12、不过即便在最极端的情况下，AI 创造的新增收益，依然远远高于认知工作者损失的收入。
论文算下来，整个经济增加的收益，大约是认知工作者收入损失的三倍。
理论上，只要拿出相当于 GDP 9% 的收入，就可以让受影响的认知工作者维持原来的收入水平。而剩下的人，整体收入依然能比没有 AI 时高 20% 以上。
所以真正麻烦的地方，可能不是 AI 创造的财富不够多，而是这些财富最后怎么分。
论文也专门提到，过去无论是技术变革还是贸易冲击，受益的人很少会主动补偿那些受到冲击的人。
AI 如果真的走到极端情景，最后要解决的可能就是这个问题，怎么让那些被 AI 替代、降薪的人，也能分到 AI 创造出来的增长。
13、AI 加速科学研究这条路径，在 2030 年以前反而没有贡献特别多的经济增长。
即使在极端情景里，AI 确实可以帮助科研，但很多研究最终还受到实验、物理世界这些环节限制。
所以他们算下来，通过加速科研带来的额外劳动生产率提升，在三种情景里都不到 1%。
当然作者自己也承认，这部分模型没有把 AI 帮助 AI 研究之后的递归反馈完整算进去，所以这个结果很可能偏保守。
挺有意思，推荐大家去看看。Anthropic 官方还做了一个漂亮的解析网页。
22 个帖子 - 14 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: Anton)
zcode的话题是不是可以打住了？
这么多优秀的agent用哪个不行啊，为要和zcode纠结😖？我是没想明白为啥(⊙_⊙)？
反正我用glm模型都是走cc或kilocode
好家伙这么多zcode用户，那说说你为啥要用这个
54 个帖子 - 49 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: cherryfrei)
这么多优秀的agent用哪个不行啊，为要和zcode纠结😖？我是没想明白为啥(⊙_⊙)？
反正我用glm模型都是走cc或kilocode
好家伙这么多zcode用户，那说说你为啥要用这个
54 个帖子 - 49 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: cherryfrei)
DeepSeek在法定节假日、调休的周末全天按谷时计价
根据官方说明，法定节假日使用DS官方API全天以谷时计价
14 个帖子 - 11 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: SharkyMew)
根据官方说明，法定节假日使用DS官方API全天以谷时计价
14 个帖子 - 11 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: SharkyMew)
在这样牛马的环境大家是怎么坚持要小孩的？
正在哄小孩睡觉，傻逼领导夺命连环call，一边是娃娃哭，一边是傻逼电话，想怼他吧，想想牛马的工资也就认了。回头一想自己真勇，没父母帮，对于生小孩的保障又不好，牛马在这个时代还能有什么？ 血泪教训，双方父母都不帮忙带娃娃，绝对不要小孩。
56 个帖子 - 41 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: igg8)
正在哄小孩睡觉，傻逼领导夺命连环call，一边是娃娃哭，一边是傻逼电话，想怼他吧，想想牛马的工资也就认了。回头一想自己真勇，没父母帮，对于生小孩的保障又不好，牛马在这个时代还能有什么？ 血泪教训，双方父母都不帮忙带娃娃，绝对不要小孩。
56 个帖子 - 41 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: igg8)
看zcode有感梁圣高瞻远瞩
我没用过zcode，但是最近太多人提workbuddy有赛博0.03x的dsv4.1f，
我下载了，现在也连带workbuddy删了。
codex、claude code、grok也好不到哪里去，
只是没有这么明目张胆和这么急、这么蠢。
普通程序员其实都懂，现在的云端Ai+Agent，堪比自我社工+自装病毒。
只是一次一次低估了这些上市、巨型企业的底线。
哪有几十G这样上传的，自己都是AI公司了，
都舍不得用AI精炼一下再上传？
真拿自己当P2P、PT公司啊？
这些agent我是一个都不会碰，以后只用开源的。
当时梁圣真是高瞻远瞩，直接出开源全插件的agent…
他果然是天才，早都了解清楚这些人的猫腻。
之前用pi-agent也挺好用，好像也是开源的。
32 个帖子 - 24 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: 比卡丘)
我没用过zcode，但是最近太多人提workbuddy有赛博0.03x的dsv4.1f，
我下载了，现在也连带workbuddy删了。
codex、claude code、grok也好不到哪里去，
只是没有这么明目张胆和这么急、这么蠢。
普通程序员其实都懂，现在的云端Ai+Agent，堪比自我社工+自装病毒。
只是一次一次低估了这些上市、巨型企业的底线。
哪有几十G这样上传的，自己都是AI公司了，
都舍不得用AI精炼一下再上传？
真拿自己当P2P、PT公司啊？
这些agent我是一个都不会碰，以后只用开源的。
当时梁圣真是高瞻远瞩，直接出开源全插件的agent…
他果然是天才，早都了解清楚这些人的猫腻。
之前用pi-agent也挺好用，好像也是开源的。
32 个帖子 - 24 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: 比卡丘)
【开源推广——团队作品非个人作品】一个真正cn的开源的，0上传的agent Harness
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：
● 我的帖子已经打上 开源推广 标签： 是
● 我的开源项目完整开源，无未开源部分： 是
● 我的开源项目已链接认可 LINUX DO 社区： 是
● 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是
● 以上选择我承诺是永久有效的，接受社区和佬友监督： 是
以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出
----------------------
全面开源的自研的Go开发的国产harness，欢迎大家使用，随喷随改，你们的意见和建议是我进步的动力。 保证全面开源，保证没后门，保证不回传
还有个娱乐功能
大家可以体验一下古人书面的聊天
"开源"如果出现在舆情之后，它不是证据，是补偿。
所以我不太想做一个需要你相信的 harness。
就做了个完全没有登录态开源的。
仓库在这：github.com
GitHub - Stack-Cairn/K-brain: Lightweight agent harness and TUI
Lightweight agent harness and TUI
代码在那，欢迎来查，欢迎来喷，本来想先闭源内测（tips：一开始是想给liveagent做个自研的后端替换掉pi-ai的依赖），今天不得不提前发出来半成品了
有佬想一起玩的更欢迎。
36 个帖子 - 15 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: xiaofei xiao)
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：
● 我的帖子已经打上 开源推广 标签： 是
● 我的开源项目完整开源，无未开源部分： 是
● 我的开源项目已链接认可 LINUX DO 社区： 是
● 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是
● 以上选择我承诺是永久有效的，接受社区和佬友监督： 是
以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出
----------------------
全面开源的自研的Go开发的国产harness，欢迎大家使用，随喷随改，你们的意见和建议是我进步的动力。 保证全面开源，保证没后门，保证不回传
还有个娱乐功能
大家可以体验一下古人书面的聊天
"开源"如果出现在舆情之后，它不是证据，是补偿。
所以我不太想做一个需要你相信的 harness。
就做了个完全没有登录态开源的。
仓库在这：github.com
GitHub - Stack-Cairn/K-brain: Lightweight agent harness and TUI
Lightweight agent harness and TUI
代码在那，欢迎来查，欢迎来喷，本来想先闭源内测（tips：一开始是想给liveagent做个自研的后端替换掉pi-ai的依赖），今天不得不提前发出来半成品了
有佬想一起玩的更欢迎。
36 个帖子 - 15 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: xiaofei xiao)
【开源推广】smart-search：让AI方便调用的聚合搜索引擎(望诸位佬友助力该项目star破千好吧)
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：
● 我的帖子已经打上 开源推广 标签： 是
● 我的开源项目完整开源，无未开源部分： 是
● 我的开源项目已链接认可 LINUX DO 社区： 是
● 我帖子内的项目介绍，AI 生成、润色内容部分已截图发出： 是
● 以上选择我承诺是永久有效的，接受社区和佬友监督： 是
以下为项目介绍正文内容，AI 生成、润色内容已使用截图方式发出
----------------------
潜水好久了，一直想发这个帖子懒得发，但是还是没有忍住分享欲，老朋友可能都用过这个cli工具（嘻嘻，用过的都说好），这次再发一次帖子介绍这款cli聚合搜索引擎，争取做通用ai能调用的最方便好用的cli搜索小工具。
smartsearch/README.zh-CN.md at main · konbakuyomu/smartsearch
一.功能介绍
一言以蔽之就是为了取代Claude Code、Codex 和 Cursor 这些自带的联网工具的，目前有以下的痛点：cc,cx这些原生的搜索工具必须oauth登录才能用，用中转站、本地部署跑cc的佬友是没法用原生联网的，之前尝试过用mcp的方式部署，但是考虑到解耦以及方便部署，最终决定使用cli的方式，这样既能和ai工具解耦（你甚至可以自己在命令行里面跑调用，也能写代码调用啥的，很自由），也方便后续升级更新，我自己是用mise安装的这个npm版本，顺手一键就升级了
二.什么时候用得上
有几个常见的场景：
1. 问 AI 一个新库怎么用，它给的 API 是老的。 模型的训练数据有截止时间，库更新了它不知道。可以拿这个方便查官方文档(内置了Context7和exa)
2. 要查国内的、时效性强的东西。 政策、公告和最近几天的新闻，英文搜索引擎基本抓瞎。这个工具可以接智谱的搜索，中文内容命中率高不少。
3. 丢一个链接给 AI，让它读完正文再说话。 直接把链接贴进对话框，很多工具是不去抓正文的，它就照着标题和你的描述编。这里有一条
4. 针对具体问题的深度搜索。需要多维度广度搜索时，他会自己离线生成深度搜索计划，把smart-search内部本身多渠道的各个搜索工具像拼积木一样组织进行深度搜索
三：安装
需要先有 Node.js 18 以上和 Python 3.10 以上。装的时候它会自己建一套独立的 Python 环境，不会污染你系统里的 Python。
平时用的时候只有
装完可以先试试这个，一个 key 都不用配：
它会告诉你这个问题需要哪类检索能力、为什么这么判断，但一个网络请求都不会发。跑通了说明环境没问题，再去配 key。
四：配置
跟着向导走就行
这是个交互式向导，进去先问你用中文还是英文，然后一类一类问你要配哪个服务。方向键移动，空格勾选，回车确认，key 输入的时候不显示。
最低要求是三类能力各有一个，每类都有得选：
● 主搜索：xAI 或者任意 OpenAI 兼容的接口（中转站的 key 也行）
● 文档检索：Exa 或 Context7
● 网页抓取：Tavily、Jina、智谱 Coding Plan MCP Reader、Firecrawl，四选一
也就是说最少三个 key 就能跑起来。中文搜索、额外来源这些是可选的，后面想加随时能加。
配完跑一下这个自检：
key 存在你自己电脑上，Windows 在
想改单项也不用重新走向导：
五：常用几条命令(AI跑的话不用管，这是自己玩儿用的)
搜一个问题，要带来源的答案：
把一个网页抓成正文：
一个题目要查很多轮的时候：
每条命令后面都能加
接到你的 AI 工具里
这会往对应工具的 skill 目录里装一份说明，让它们知道该在什么时候调这个命令、怎么读返回的字段。内置了 15 个工具的安装位置，默认勾选的是 Codex、Claude Code 和 Cursor，OpenCode、Gemini CLI 这些也在里面。
装完之后你正常跟 AI 说话就行，它自己会去调。
后记
感谢各位能看到这里，这个项目也陆陆续续维护了大半年了，只要还有心气和热情大概会一直维护下去吧（哈雷现在的cursor插件里面貌似有我这个玩意儿）
11 个帖子 - 10 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: konbakuyomu)
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：
● 我的帖子已经打上 开源推广 标签： 是
● 我的开源项目完整开源，无未开源部分： 是
● 我的开源项目已链接认可 LINUX DO 社区： 是
● 我帖子内的项目介绍，AI 生成、润色内容部分已截图发出： 是
● 以上选择我承诺是永久有效的，接受社区和佬友监督： 是
以下为项目介绍正文内容，AI 生成、润色内容已使用截图方式发出
----------------------
潜水好久了，一直想发这个帖子懒得发，但是还是没有忍住分享欲，老朋友可能都用过这个cli工具（嘻嘻，用过的都说好），这次再发一次帖子介绍这款cli聚合搜索引擎，争取做通用ai能调用的最方便好用的cli搜索小工具。
smartsearch/README.zh-CN.md at main · konbakuyomu/smartsearch
一.功能介绍
一言以蔽之就是为了取代Claude Code、Codex 和 Cursor 这些自带的联网工具的，目前有以下的痛点：cc,cx这些原生的搜索工具必须oauth登录才能用，用中转站、本地部署跑cc的佬友是没法用原生联网的，之前尝试过用mcp的方式部署，但是考虑到解耦以及方便部署，最终决定使用cli的方式，这样既能和ai工具解耦（你甚至可以自己在命令行里面跑调用，也能写代码调用啥的，很自由），也方便后续升级更新，我自己是用mise安装的这个npm版本，顺手一键就升级了
二.什么时候用得上
有几个常见的场景：
1. 问 AI 一个新库怎么用，它给的 API 是老的。 模型的训练数据有截止时间，库更新了它不知道。可以拿这个方便查官方文档(内置了Context7和exa)
2. 要查国内的、时效性强的东西。 政策、公告和最近几天的新闻，英文搜索引擎基本抓瞎。这个工具可以接智谱的搜索，中文内容命中率高不少。
3. 丢一个链接给 AI，让它读完正文再说话。 直接把链接贴进对话框，很多工具是不去抓正文的，它就照着标题和你的描述编。这里有一条
fetch 命令专门把网页正文抓成 Markdown。说白了就是爬取，AI的原生fetch说实话不好用，smart-search内置的Tavily可以越cf盾爬东西4. 针对具体问题的深度搜索。需要多维度广度搜索时，他会自己离线生成深度搜索计划，把smart-search内部本身多渠道的各个搜索工具像拼积木一样组织进行深度搜索
三：安装
需要先有 Node.js 18 以上和 Python 3.10 以上。装的时候它会自己建一套独立的 Python 环境，不会污染你系统里的 Python。
npm install -g @konbakuyomu/smart-search
smart-search --version
平时用的时候只有
smart-search 一个命令装完可以先试试这个，一个 key 都不用配：
smart-search route "React useEffect 清理函数怎么写" --format markdown
它会告诉你这个问题需要哪类检索能力、为什么这么判断，但一个网络请求都不会发。跑通了说明环境没问题，再去配 key。
四：配置
跟着向导走就行
smart-search setup
这是个交互式向导，进去先问你用中文还是英文，然后一类一类问你要配哪个服务。方向键移动，空格勾选，回车确认，key 输入的时候不显示。
最低要求是三类能力各有一个，每类都有得选：
● 主搜索：xAI 或者任意 OpenAI 兼容的接口（中转站的 key 也行）
● 文档检索：Exa 或 Context7
● 网页抓取：Tavily、Jina、智谱 Coding Plan MCP Reader、Firecrawl，四选一
也就是说最少三个 key 就能跑起来。中文搜索、额外来源这些是可选的，后面想加随时能加。
配完跑一下这个自检：
smart-search doctor
key 存在你自己电脑上，Windows 在
%LOCALAPPDATA%\smart-search\config.json，macOS 和 Linux 在 ~/.config/smart-search/config.json。不用去改系统环境变量，换机器把这个文件拷过去就行。想改单项也不用重新走向导：
smart-search config set ZHIPU_API_KEY "你的key"
smart-search config list
五：常用几条命令(AI跑的话不用管，这是自己玩儿用的)
搜一个问题，要带来源的答案：
smart-search search "今天有什么值得关注的 AI 新闻"
把一个网页抓成正文：
smart-search fetch "https://example.com/article" --format markdown
一个题目要查很多轮的时候：
smart-search research "A 方案和 B 方案怎么选" --format markdown
research 会自己把题目拆成子问题，逐个找来源、抓正文，再回头检查有没有漏掉的地方，最后只用抓回来的内容写结论。比 search 慢，也更费额度，值不值得看你这个问题有多重要。每条命令后面都能加
--format json，给脚本或者 AI 读；加 --format markdown 给人读。接到你的 AI 工具里
smart-search skills update --targets codex,claude,cursor
这会往对应工具的 skill 目录里装一份说明，让它们知道该在什么时候调这个命令、怎么读返回的字段。内置了 15 个工具的安装位置，默认勾选的是 Codex、Claude Code 和 Cursor，OpenCode、Gemini CLI 这些也在里面。
装完之后你正常跟 AI 说话就行，它自己会去调。
后记
感谢各位能看到这里，这个项目也陆陆续续维护了大半年了，只要还有心气和热情大概会一直维护下去吧（哈雷现在的cursor插件里面貌似有我这个玩意儿）
11 个帖子 - 10 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: konbakuyomu)
Gemini！你终于做到了！
https://www.reuters.com/business/gemini-hacked-three-companies-first-known-breakout-by-google-ai-wsj-reports-2026-09-18/
9 月 18 日（路透社）——谷歌的 Gemini 模型在测试其网络安全能力时，访问了互联网并攻击了其他公司。这是首次有证据表明该公司的 AI 系统能够自主实施此类行为。
27 个帖子 - 24 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: Henry)
https://www.reuters.com/business/gemini-hacked-three-companies-first-known-breakout-by-google-ai-wsj-reports-2026-09-18/
9 月 18 日（路透社）——谷歌的 Gemini 模型在测试其网络安全能力时，访问了互联网并攻击了其他公司。这是首次有证据表明该公司的 AI 系统能够自主实施此类行为。
27 个帖子 - 24 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: Henry)
一款 rust 编写的超高性能 apk、dex 反编译工具：ddc
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：
● 我的帖子已经打上 开源推广 标签： 是
● 我的开源项目完整开源，无未开源部分： 是
● 我的开源项目已链接认可 LINUX DO 社区： 是
● 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是
● 以上选择我承诺是永久有效的，接受社区和佬友监督： 是
以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出
----------------------
ddc 是一款高性能编译 cli 工具，用于安卓软件 apk、dex 等格式逆向成 java 源码
渐进式
参考 ASC 以及我另一个项目 UDF 的理念，在不全量解包的情况下，有选择的处理最小化内容，达到毫秒级的速度
支持十多种细粒度子命令
如 listclasses、findrefs、getclass、callers 等
性能
超快的反编译速度，常规 app 的完整反编译时间基本在 10s 以内
渐进式反编译时间通常在几十毫秒
质量
经过真实 apk 软件、数百万 class 测试检验结果正确性
反编译的 java 代码不会有语法错误，能编译回 classgithub.com
GitHub - ejfkdev/ddc: DEX → Java decompiler in Rust — fast, progressive...
DEX → Java decompiler in Rust — fast, progressive analysis, bilingual CLI
16 个帖子 - 11 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: ejfkdev)
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：
● 我的帖子已经打上 开源推广 标签： 是
● 我的开源项目完整开源，无未开源部分： 是
● 我的开源项目已链接认可 LINUX DO 社区： 是
● 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是
● 以上选择我承诺是永久有效的，接受社区和佬友监督： 是
以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出
----------------------
ddc 是一款高性能编译 cli 工具，用于安卓软件 apk、dex 等格式逆向成 java 源码
渐进式
参考 ASC 以及我另一个项目 UDF 的理念，在不全量解包的情况下，有选择的处理最小化内容，达到毫秒级的速度
支持十多种细粒度子命令
如 listclasses、findrefs、getclass、callers 等
性能
超快的反编译速度，常规 app 的完整反编译时间基本在 10s 以内
渐进式反编译时间通常在几十毫秒
质量
经过真实 apk 软件、数百万 class 测试检验结果正确性
反编译的 java 代码不会有语法错误，能编译回 classgithub.com
GitHub - ejfkdev/ddc: DEX → Java decompiler in Rust — fast, progressive...
DEX → Java decompiler in Rust — fast, progressive analysis, bilingual CLI
16 个帖子 - 11 位参与者
阅读完整话题
via LINUX DO - 热门话题 (author: ejfkdev)