导读：这个周末的消息指向同一个位置——写代码、翻译代码、生成动作都已经足够快，瓶颈集体挪到了「谁来验收」。AI 编程侧同时出现三种样本：一支会互相派活、互相审码的 Agent 团队，一份把密钥写进公开仓库的事故复盘，以及一个「20 人年变 1 人日」与「31% 成功率」并存的能力落差；具身智能侧，英伟达把一条轨迹压成一个解码块，刻行时空则把真机数据的生意做成了质检生意。

LobeHub 让 Agent 互相派活、互相审码，人只按最后一次合并键

事件简述

开源 AI 应用平台 LobeHub（GitHub 8.44 万 Star）在 11 月 8 日至 9 日被量子位详细报道了内部研发流程：主管 Agent「Nasa」接需求后拆任务、派给编码 Agent「Dario」，Dario 写完代码提交 PR，再由 OpenAI 的 Codex 审查机器人挑错，Dario 改完再交回去，如此往复直到通过人工审阅并合入主干。报道给出的具体案例是 10 月 28 日的任务 T-1149 与 PR #21852，Dario 运行 31 步、耗时 1 小时 56 分完成编写，10 月 31 日凌晨 4 点 04 分仍在回复审查意见，18 分钟内修掉四处问题、并对另一条意见给出保留原写法的理由。更进一步的是跨项目协作：当 Agent-foundry 项目需要 lobe-ui 组件库支持自定义中性色时，两个项目的 Agent 直接对接，一方提需求、一方改代码，随 lobe-ui 6.0.1 发布自动回传升级通知。一位研发成员称自己已整整三个月没有在本地启动过 Dev Server，按个人体感效率提升约 3 至 5 倍。

值得关注：

这件事的技术含量不在「Agent 会写代码」，而在支撑它连续工作的那套工程改造。早期产品部署在 Vercel 上，单次执行最长只有 300 秒，团队于是把 Agent 的每一步拆成一次独立函数调用，用 Redis 保存中间状态，接力推进上千步的长任务，工具调用则发往 AWS 沙箱或用户本机执行——Agent 自己察觉不到「思考」和「操作」发生在不同地方。报道提到一次客户端数据迁移任务连跑了 2 天 3 小时 47 分钟，期间拆出 60 个任务、完成 56 次独立迁移。这种「状态与环境分离」的设计，与 DeepSeek 此前公开的 Super-agent 思路属于同一方向。

更值得记的是验收机制。LobeHub 的 Acceptance 要求 Agent 交作业时附带测试结果、截图、录屏等证据，检查项未全绿就不算完成，人类始终保留最终确认权。这一点和下面两条新闻能接上：当产出速度不再是瓶颈，组织的核心能力就从「写」转向「验」。

报道同时给出一组性能数据：在 FrontierHarness 的 30 道软件工程任务上，LobeHub 优化后的 Harness 搭配 Kimi K3 通过 21 道（70%），单个成功任务成本中位数 1.68 美元，对照 Codex 为 66.7% / 3.47 美元、Claude Code 为 63.3% / 18.34 美元。需要注意这是团队自测口径，样本仅 30 题，成本与通过率都未经过第三方复现，3 至 5 倍的效率提升亦属个人体感而非测量值。

来源：8.4 万星开源项目实测：AI 编辑部夜班自动交稿，人只按一次合并键（网易科技，2026-11-08）

一边是「20 人年缩到 1 人日」，一边是「成功率 31%」

事件简述

气候科学博客 RealClimate 在 11 月发布的一篇更新里记录了三件事：约三个月前，Koldunov 等人的预印本显示一个完整的海洋模式可以用 AI 代理成功翻译成 JAX；一个月前，同一团队用最新 Claude 模型在一个周末把另一个海洋模式 MITGCM 从 Fortran 译成 JAX；几周前，NASA 的软件工程师把 GISS 地球系统模式的一个配置在 18 小时内完成转换。作者据此给出的估算是：一项原本需要多人多年完成的任务，可以在一天之内做完，即从约 20 人年压到不足 1 人日，快近一万倍。他同时强调这并不轻松——代理需要自己开发测试来验证翻译是否正确，需要在如何设计新代码库上被引导，而且翻译成 JAX 本身并不保证在 GPU 上加速。

值得关注：

同一条技术路线，本周还有一份冷水：arXiv 在 11 月 5 日挂出的 XStack 基准（作者 Linrong Cai 等）专门测量「仓库级跨框架、跨硬件迁移」。任务设定是给代理一个跑在 NVIDIA GPU 上的 PyTorch 仓库和一台干净的 TPU 机器，要求它装依赖、写脚本、用 Flax/Optax 重写模型与训练循环，最终交出能复现原论文指标的 JAX 仓库，并在全新机器上重跑验证。7 个前沿模型、140 个测试单元，总体成功率只有 31%。Claude Opus 5 最好，20 个仓库里迁成 15 个（75%）；GPT-5.6-sol 45%，DeepSeek V4.1 Flash 40%。作者还发现一个规律：成本每增加十倍，准确率约提升 25 个百分点。

两个数字并不矛盾，它们量的是两件事。气候建模那批案例是受控条件下的整仓迁移：有明确的物理正确性判据（能量守恒、数值稳定性）、有领域专家在场引导设计、目标是把已有科学代码换一种表达。XStack 量的是开放式交付：没有现成判据、要从零复现别人的实验指标、还得跨过整条工具链。前者的成功恰恰依赖后者最难的部分——测试。

对工程团队的实际含义是：代理在「翻译」这件事上已经可用，在「复现」这件事上还不可托付。RealClimate 作者自己的判断更狠一点：任何三个月前写下的气候模式代码开发计划，基本都已过时；真问题已经从「你的多年硬件无关化战略是什么」变成「任何人都能 fork 一份并在任何地方运行时，一个气候模式中心到底意味着什么」。

来源：AI and climate modeling update（RealClimate，2026-11）；XStack: A Benchmark for ML Repo Migration（arXiv，2026-11-05）

Claude Code 的「别再问」把密码写进了公开仓库

事件简述

安全公司 Apiiro 在 11 月 5 日发布报告，确认 Claude Code 存在一条系统性密钥泄露路径：当开发者在权限弹窗中选择「Yes, and don't ask again」时，那条完整的 shell 命令——包括命令里内嵌的数据库密码、API 密钥、认证令牌——会被原样明文写入项目目录下的 .claude/settings.local.json。Apiiro 扫描公开 GitHub 上 104,185 份该文件（分布在 103,617 个仓库），其中 1,122 份至少含有一条真实密钥，合计 1,379 条独立凭证；把历史提交、共享配置与 Agent 对话记录一并计入后，总量升到 2,539 条，涉及 1,994 个仓库、63 家机构。泄露内容包括 379 条数据库密码、122 条 Supabase 服务角色密钥、43 条 SSH 登录凭证、42 条 GitHub/GitLab/npm 令牌、23 条 AWS 密钥；样本里有某数据库厂商自己的管理员级云密钥、一套生产环境 Azure PostgreSQL 口令、一个 Square 生产令牌，以及一套医疗记录数据库的 owner 密码。

值得关注：

漏洞的成因是一处设计细节，而不是某个漏洞补丁能解决的问题。弹窗给的是模式时（例如 npm test *），存下来的是模式，这没问题；弹窗给的是一条完整命令时，存下来的就是那条完整命令，一个字符不改。研究人员用最新的 Opus 5.5 与 Fable 5.1 都复现了这一行为，说明不是旧版本遗留。更关键的是，Claude Code 只把该文件加进用户本机的全局 git excludes，不会写进项目自己的 .gitignore——保护不随仓库走，换机器、后初始化、已提交这三种场景全会漏。在 1,105 个被追踪的仓库里，有 539 个的改动提交带有 Claude 作为 co-author。

横向对比也值得记：Apiiro 比对了 16 个编码 Agent 的公开文档，Claude Code 是唯一被确认「默认把完整命令原文写进项目配置文件」的。Claude Code 团队成员 Boris Cherny 在讨论中回应，settings.local.json 本就该留在本地，Claude 自己创建时会自动 gitignore，出事这批是人手创建、人手提交的；但社区并不完全接受这个说法——毕竟产品把「不再询问」做成了一键操作，而 auto 模式的威胁模型至今没有公开文档。

实用建议有三条，优先级不能颠倒：先轮换全部凭据，再清理文件，因为历史与 fork 里仍留着副本（仅历史提交中就压着 734 条）；命令里用环境变量而非明文；授权时批准模式匹配而不是精确命令。只依赖扫描工具也不够——TruffleHog 只认得出 643 条，PGPASSWORD= 后面那种看起来像普通单词的密码，两个主流扫描器都读不出来。

来源：Coding Agents Leaking Secrets to GitHub: The 「Don't Ask Again」 Problem（Apiiro，2026-11-05）；点了「别再问我」，Claude Code 把密钥写进了公开仓库（网易，2026-11-09）

英伟达 VFlash：机器人不再一个字一个字地吐坐标

事件简述

英伟达研究院在 11 月 6 日公布 VFlash，论文与代码同步开源，11 月 7 日又随开放权重的世界模型 Cosmos 3 一并发布。它要解决的是一个具体问题：机器人在动手之前得先输出一堆空间信息——抓取点在哪、包围框多大、航点怎么连成轨迹、画面里每个点在三维空间怎么移动——而现在这些输出是按文本的方式逐个 token 生成的。VFlash 的做法叫「闪速原语解码」：运行前先通过一次结构化工具调用声明输出长度与坐标排布，再由一个五层非因果 Transformer 草稿模型在一次前向里把整个几何块预测出来，目标视觉语言模型保持冻结。据官方数据，轨迹解码提速 12 倍，整体机器人推理提速 5.1 倍（Jetson AGX Thor 与 DGX Spark，TensorRT-Edge-LLM 运行时）；在 MolmoSpaces 四组任务上，以 VFlash 规划为条件的模型平均成功率 70.2%，串行基线为 62.6%；三维位移误差平均降低 42.6%，三维关键点预测最多降低 61%。

值得关注：

研究里有个数字解释了为什么值得为此专门造一个解码器：在 Jetson Thor 上，串行解码占到了模型阶段延迟的 75% 至 87%。也就是说，机器人反应慢，大头不在模型算得慢，而在它写得慢。自回归解码是为语言设计的——一个词接一个词，前面决定后面，读起来自然；坐标不是这样，一条十个航点的三维轨迹展开是三十个数字，每个数字占几个 token 并不固定，写到第三个数字时偏了，前面已经写出去的回不了头，误差顺着往后累积。论文把这种现象称为级联误差。

英伟达研究员 Jim Fan 在社交平台上的评论是「System 1 视觉模型的时代已经到来，下一场推理革命是以反射速度进行的物理推理」。这个说法有感染力，但边界必须说清楚：官方公布的是模型管线层面的加速，测试排除了部分预处理与输出转换为物理控制的环节，并不等于机器人在物理世界里快了五倍。真正的验证点在后面——当这些环节计入之后，解码加速还剩多少。

和 VFlash 同日登场的 Cosmos 3 是另一半拼图。它是开放权重模型，采用 Mixture-of-Transformers 架构，把输入序列拆成自回归的「推理」与扩散的「生成」两条支路，在同一层内共享不同参数、通过联合注意力交互；分 Nano（160 亿参数，80 亿推理 + 80 亿生成，主打近实时推理）与 Super（640 亿参数，主打高物理精度合成数据）两档。一个管「想得快」，一个管「造得像」，组合起来就是英伟达卖给机器人公司的完整工具链。

来源：NVIDIA says VFlash runs robot AI pipelines five times faster in research tests（Superpower Daily，2026-11）；英伟达发布 VFlash，并行解码视觉基元（东方财富，2026-11-07）

刻行时空 pre-A 近亿元：卖真机数据，卖的是质检

事件简述

投中网在 11 月 9 日独家报道，刻行时空完成近亿元规模的 pre-A 轮融资，投资方包括咏归基金、天机 TIANJI 等国资科创投资机构与多家头部具身智能公司，资金将投向预部署环境、数据理解专用模型与数据基建。创始人黄阳明不是机器人科班出身：职业生涯从银行交易数据整合起步，2015 年进苹果做 Apple Watch 健康大数据架构，后被调入苹果自动驾驶部门负责基础设施，回国后加入嬴彻科技从零搭数据闭环，2022 年 5 月创办刻行时空。公司对外呈现的是两套系统加一套方法论：StarBase 面向数据生产端，解决数据如何被规模化生产；coScene 面向数据应用端，做时空多模态数据的管理与应用；两者共享同一个底层引擎，核心单元是带语义、有起止时间的「Scene」。目前搭建了 200 多个场景、600 多种任务，同时做全身数采、灵巧手数采与长程任务。

值得关注：

这轮融资真正有信息量的地方，是它对「数据生意靠什么立足」的回答。刻行不做本体、不做具身模型，也不做渲染引擎和物理引擎，只做把现实采集的数据转成仿真场景这一件事。它自认的壁垒也不是那两套软件，而是一个本体无关（embodiment agnostic）的时空多模态理解模型——用途全部指向数据本身：指导数采员怎么采、判断什么动作算好数据、过滤不合格样本、标注语义、设计数据配比。逻辑是：人做过质检之后，判断好坏的信息直接进了模型，下一批的人工成本就会降下来。

结果反映在订单上。据披露，首批交付的宇树真机数据通过率接近 100%，靠的是模型加真人全量质检与标注；上个月公司启动合同金额超 2 亿元、总时长约 30 万小时的海外真机数据交付，首批逾千小时多本体数据完成验收，通过率同样接近 100%。黄阳明的定价策略也反行业直觉：宁愿高价、卖得少一点，也不走人海战术——放弃规模换定价权。

他对行业风向的判断值得单独记一笔。过去一年，几乎每家数据公司都在做「真人佩戴第一视角设备采集、再通过重定向映射到机器人身上」的无本体数据，这类数据一度被视为具身智能的平价燃料。但黄阳明在硅谷反复听到同一个信号：这条路「快撞墙了」——它帮模型完成了一次能力跃迁，随后迅速进入平台期，门槛低（带个摄像头都能采）、必然贬值、胜负手在商务地推而非技术。刻行押注的下一步是「被动采集」：等机器人真正部署进场景后，数据从部署态回流，像特斯拉影子模式一样，采到的是最有价值的 corner case。

他引用的一组公开数字说明了真机数据有多难产：DROID 项目组织 50 名采集者，用 12 个月才拿到约 350 小时真机交互数据，覆盖 564 个场景。这个比例放到任何「万台级量产」的叙事面前，都足以解释为什么数据仍然是这条链上最紧的一环。

来源：独家｜靠卖宇树真机数据，黄阳明又融了近亿元（投中网，2026-11-09）

今年 8 月，我做了一个决定：把「失业互助平台」从一个想法变成一个开源项目。花了几天时间，从需求设计、前端页面、后端 API 到数据库表结构，完整地做了一版，命名为 ShiYeLeHuZhu（失业乐互助），采用 MIT 协议开源在 GitHub 上。

项目地址：

写这篇文章，一是做个项目记录，二是把开发过程中踩过的坑和设计取舍讲清楚，给同样想做「一个人全栈开源项目」的朋友一些参考。

为什么做这个项目

起因很直接：经济下行周期里，失业的人比想象中多，而他们需要的信息和工具是分散的——失业保险金怎么申领、社保断缴怎么补、财务跑道还有多长、心理撑不住的时候打哪个电话。这些内容每一条单独看都不难找，但没有一个地方把它们组织好。

市面上的求职产品都在解决「怎么找到工作」，几乎没有产品在认真解决「失业期间怎么把日子过好」。我想做的就是这个：一个给失业人群的信息门户 + 个人管理工具台，不贩卖焦虑，只提供可操作的信息和工具。

项目是做什么的

整个项目分两层：上层是面向公众的信息门户，下层是登录后可用的个人管理工具台。

信息门户部分包含：失业后的六座大困境分析、就业市场数据透视（所有数据标注来源与截止时间）、行业趋势、八类资源工具箱（经济保障/社保/技能/心理/求职/创业/法律/转型）、可迁移技能测评（5 题问卷 + SVG 雷达图）、心理热线与自救指南、真实转型故事、30 天行动清单、财务跑道计算器和常见问题。

工具台部分是登录后的四个核心模块：求职追踪（投递记录、状态流转、面试反馈、统计面板）、失业日记（每日心情打卡 + 失业天数计数 + 小成就记录）、收支记账（收支分类、月度汇总、存款支撑月数预估）、技能充电（学习计划、每日打卡、连续天数、14 天热力图）。此外还有邮箱订阅和匿名反馈，反馈直接写入后端数据库。

技术架构：刻意做的减法

这个项目的技术选型没什么新潮的东西，反而在几个地方刻意做了减法。

前端是一个 180KB 的单文件 HTML。所有 CSS、JS、SVG 图标全部内联，零外部依赖——没有 React、没有 CDN 字体、没有图标库。所有图标是 34 个手写的 SVG symbol，全站零 emoji（emoji 在不同系统渲染差异太大，部分 Android 机型直接显示为方块）。图表全部用内联 SVG 手写：技能测评的雷达图、收支饼图、打卡热力图、财务计算器的进度环。这个决定让部署变成「把一个文件放上去」，也让整个页面在断网时依然可用。

后端是 FastAPI + PostgreSQL，约 1000 行 Python，18 个 API 路由。认证用 JWT + bcrypt，密码哈希、token 验证、SQL 全部参数化查询。数据库 9 张表：users、job_applications、diary_entries、transactions、skill_plans、skill_checkins、user_settings、subscribers、feedback，配了 11 个索引和 4 个自动更新时间戳的触发器。

部署提供了三套方案：Docker Compose 一键起三个容器（Nginx + FastAPI + PostgreSQL）、裸机 systemd + Nginx、以及宝塔面板的图形化部署文档。考虑到目标用户是中文环境，宝塔文档写得最细。

数据严谨性：每个数字都有出处

做信息类产品最怕的是编数据。这个项目里所有统计数字都做了来源标注：城镇登记失业人数标国家统计局、青年失业率标注明统计口径、高校毕业生存量标教育部、行业增长趋势明确写了「综合招聘平台估算值，非官方统计数据」。开发过程中我专门做了一轮数据核对，修正了四个事实错误——包括「创业担保贷款最高 30 万」实际国标是 20 万、第三产业就业占比引用口径偏差等。法律条款部分全部标注了《社会保险法》和《劳动合同法》的具体条目。

这个习惯来自一个朴素的判断：失业状态下的人本来就焦虑，一个数字错误可能造成真实的决策失误。

开发中踩的坑

记录几个印象深的：

passlib 与 Python 3.13 的兼容性。最初用 passlib 做 bcrypt 哈希，在 Python 3.13 上直接报错，查了半天发现是 passlib 底层与新版 Python 的 crypt 模块变更冲突。解法是绕开 passlib，直接用 bcrypt 库的原生 API，三行代码解决。

PostgreSQL 14 的两个小坑。一是表达式索引里用 to_char() 会报「函数非 IMMUTABLE」，只能换成普通字段索引；二是 CREATE TRIGGER IF NOT EXISTS 在 PG 14 不支持，去掉了才跑通。

一个典型的前端逻辑 bug：登录门控。工具台区域默认 display:none，页面加载时 checkAuth() 检查 token——但我最初只在「有 token」的分支里写了显示逻辑，「无 token」分支直接 return 了。结果是未登录用户看到的工具台区域是纯空白，没有任何「请先登录」的提示。这个 bug 的教训是：每个分支都要对 UI 状态负责，尤其是「什么都不做」的那个分支。

锚点跳转与 JS 滚动的冲突。资源卡片的链接是 href="#xxx" 加 onclick 做 tab 切换，结果浏览器原生锚点跳转抢在 JS 的 scrollIntoView 之前执行，页面跳到错误位置。改成 href="javascript:void(0)" 彻底规避。这是一次「HTML 默认行为 vs JS 控制」的经典冲突。

项目现状与后续计划

项目 8 月 10 日创建，目前 25 个文件、约 3000 行代码（前端 1963 行 + 后端 1012 行）。没有任何宣传的情况下，GitHub 上有了一些自然流量：几个独立用户克隆了代码，收获了第一个 Star。对公益项目来说，这是需求真实存在的信号。

接下来的计划按优先级：第一，把网站真正部署上线——代码完成不等于产品可用，这是从 0 到 1 的门槛；第二，完善 README 的可视化展示；第三，持续迭代工具台的功能。

如果你也在经历职业空窗期，或者单纯想看看一个「信息门户 + 工具台」的完整实现，欢迎访问项目仓库：

也欢迎提 Issue 和 PR——这本来就是一个靠社区生长的项目。

项目采用 MIT 协议开源。文中所有平台数据的来源与截止时间均已在项目页面内标注。

今天三条主线指向同一件事：当智能体从「一个人用一次」变成「全天候并发跑」，成本会从算力悄悄转移到别处。GitHub 重写 Git 存储层去接住每秒 7200 次推送，AWS 把编码智能体改成有名字、有记忆、有排班的常驻岗位，而 Anthropic 自己的随机对照实验显示，工具越强，负责监督它的人可能越弱。具身一侧，苹果证明纯仿真数据能让宇树 G1 在陌生房间零样本完成 91% 的任务；国内一家成立数月的公司则用 1.05 亿美元种子轮押注「物理世界模型」。

GitHub 重写 Git 存储层：单仓库支撑 5000 个智能体并发、每秒 7200 次推送

据 GitHub 11 月 5 日发布的博文（该架构在 GitHub Universe 大会上首次公开），代号「Rubicon」的新一代 Git 存储架构已完成设计并进入小范围定向内测，计划明年初逐步扩大开放范围。官方内部压测显示，单仓库可容纳 5000 个智能体并发协作，承受每秒 7200 次代码推送，同时维持较低读取延迟。架构设计始于 2026 年 5 月，建在既有的 Spokes 路由层之下，对开发者完全透明——push、fetch、branch 的用法与保护机制不变。

技术上，Rubicon 的关键判断是：Git 对象不可变且按内容寻址，多个写入者存同一份对象无需互相协调，真正需要顺序一致的只有引用更新（例如把 refs/heads/main 指向新 commit），而这部分数据量极小。因此它把三件事解耦：pack 数据落在 Azure Blob Storage，读请求由可独立追赶的虚拟副本承担，引用更新的定序被压缩成一条窄路径。三者各自扩容，增加读能力不必动写路径，写节点故障也不拖垮读取。官方称累计已将 99.99999% 的仓库迁入 Azure。

值得关注：这是「智能体改变基础设施形态」的第一个硬证据，而非又一条功能更新。今天 GitHub 上最繁忙的仓库，单秒写入峰值不过数十次，且往往呈短促脉冲；智能体带来的是全天候常态吞吐。更麻烦的是读放大——每次 push 会级联触发 CI 流水线、部署系统、其他智能体拉取上下文，写入涨 10 倍，总流量可能涨 50 倍。官方披露某典型仓库 3 月至 5 月日请求量增长约 4 倍，此后仍沿指数曲线上升，团队因此把目标直接定在「至少两个数量级」。对使用 Copilot Workspace 一类工具的团队，这条新闻的实际含义是：平台正在为你的智能体提前加宽车道，短期不必担心因并发写入被限流；但反过来说，多智能体并发写同一仓库即将从「不推荐」变成「被支持的常态」，冲突治理与评审压力会从平台侧转移到流程侧。

来源：https://github.blog/ （GitHub 官方博文，2026-11-05，作者 Karthik Raman、Brian Celenza）；中文转述见 IT之家、腾讯新闻 2026-11-07，环球网 2026-11-08

AWS 把编码智能体做成「有名字的岗位」：Kiro bots 正式可用

11 月 5 日，AWS 的 Kiro 团队宣布 Kiro Crew 中的 bots 功能正式可用（generally available）。Kiro Crew 是 AWS 今年 8 月 4 日开源的编码智能体工作台（Apache 2.0）。与一次性会话不同，每个 bot 是一个有名字、有头像、有独立记忆（Notes）、有目标与里程碑、有独立工作区、可设定排班的长期智能体；它能把子任务派给并行的 worker 会话，把结果收拢回同一条对话线程，并在计划偏离时纠偏。工具权限按职责最小化：研究型 bot 可检索网络与读取文件但不能写入，部署型 bot 可运行部署脚本但每次变更需人工批准。排班可直接在对话里设定，例如工作日上午检查夜间 CI 失败、周五起草发布说明。bots 之间互相隔离，一个 bot 读不到另一个的记忆，也不能指挥对方的 worker。运行位置可选本机、Mac mini 或 EC2，对话入口除 Crew 应用外还支持 Slack、Telegram、Discord。

值得关注：这次发布真正改变的是「委派单位」，从「一个会话」变成「一项职责」。AWS 在发布词里描述的痛点几乎是所有多智能体使用者的日常：会前起五个会话，回来发现一个卡在没批准的工具调用、一个跑完却说不清理由、一个需要大改、一个空转、一个只丢回一堆链接——智能体都干了活，协调成本全落在人身上。把协调层交给 bot，等于承认「并行会话堆叠」这种形态本身是失败的中间态。

但边界要说清。多家分析的质疑成立：发布材料没有提供任何可验证的产出提升数据；IDC 提醒后台重试与工具调用会成倍放大算力与 token 消耗，形成「协调税」；HFS 指出记忆积累数周后，解释一个决定会变难，且不同人的纠正会让同一个 bot 行为漂移；HyperFrame 建议先限定一个可在一顿饭时间审完的重复流程做验证。AWS 自己的措辞也很克制——只讲方向设定与可检查的 Notes，不讲无人值守的生产合并。对一线团队，最现实的起点是 CI 分诊这类高频、边界清晰的活，并用「每个被独立验证为正确分诊的失败，全负载成本是多少」来衡量，而不是数排班跑了多少次。

来源：https://kiro.dev/blog/ （Kiro 官方发布，2026-11-05，作者 Kyle Seaman、Helen Hasbun）；独立报道见 VentureBeat、InfoWorld 2026-11-05/06

「认知投降」：Anthropic 自己的实验显示，用 AI 学新东西的人理解力低 17%

近一周在开发者社区持续发酵的一个词是「认知投降」（cognitive surrender）。它由 Anthropic Claude Code 团队工程师 Addy Osmani 在 11 月 3 日的一篇长文中提出：认知卸载是把「怎么做」交出去、保留「做不做、对不对」的判断，计算器与导航都是这个逻辑；认知投降则是 AI 的输出直接变成了你的判断，你甚至不再觉得有什么需要检查。「你认真读了第一个回答，于是下一个只扫一眼，再下一个只看骨架——然后被问到某一行，你解释不出来，连 agent 都帮不上。」他用「理解债」形容这个过程：每次投降是一笔小额贷款，按复利计息。

支撑它的是 Anthropic 自己的一项随机对照实验：52 名以初级工程师为主的被试学习一个陌生的 Python 库（Trio），一组可用 AI 助手，一组只能用搜索与文档。两组完成时间接近，但事后的理解测验中，AI 组低 17%，接近两个字母等级；速度优势未达统计显著。论文把最棘手的一点命名为「监督悖论」——监督 Claude 恰恰需要那些会因过度使用 AI 而退化的编码能力。另有两组旁证：沃顿商学院 Shaw 与 Nave 的实验（1372 名参与者、9500 余次判断）显示，AI 故意给出错误答案时 73% 的人照单全收，且 AI 在场时参与者自信心反而升高，等于把模型的自信借来当成了自己的；METR 让 16 名资深开源开发者处理 246 个真实任务，用 AI 后实际慢了 19%，而他们事前预计能快 24%、事后仍坚信自己快了 20%。

值得关注：这是少有的一次「工具提供方公开自己工具的负面二阶效应」，且证据来自内部随机对照实验而非外部批评者。更值得注意的是结论并不指向弃用：实验发现理解力保持最好的，是把 AI 当导师而非替身的人——追问原因、要求解释、在独立编码时主动写下概念性问题。对个人，这意味着一条可操作的纪律：把「我能不能在关掉 AI 的情况下讲清这条关键路径」当作合并前的硬门槛。对团队，这意味着评审制度正在静默失效——扫一眼 600 行 PR 就点批准，那不叫 review，叫追认；HN 上那条被反复引用的算术值得记住：若每次合并让可理解性降 1%，100 次之后不是归零，而是只剩 36.6%，且你不知道丢的是哪三分之二。

来源：https://addyosmani.com/ （Osmani 原文，2026-11-03）；TechRadar 报道；Anthropic 论文见 arXiv（Judy Hanwen Shen、Alex Tamkin）

苹果公开 HALO：纯仿真数据训练，宇树 G1 在陌生房间零样本成功率 91%

苹果研究团队 11 月 4 日在 arXiv 提交论文《Perceptive Humanoid Motion from Simulation》，披露人形机器人自主控制系统 HALO，并公开了数据生成、模型训练与部署代码。方法是用程序化生成构建 1000 个虚拟住宅场景，在其中合成近 300 小时的配对视频、语言与运动数据，共 162,698 个片段；训练全程未接触真实家居场景，随后直接在宇树 G1 上做零样本迁移。在 6 个未建图的真实场景、360 次试验中，平均成功率 91%，任务包括坐上椅子、导航到指定物体、侧身通过半开的门、钻过桌底、推箱子，以及把这些技能组合成长程任务。

系统分三层，且刻意把一部分推理留在本体上跑：顶层是按 2 秒节奏调用的现成视觉语言模型（默认千问 Qwen3.6-35B-A3B），在机器人搭载的 Mac mini 上本地运行、无需联网，负责把「坐下」这类模糊指令拆成具体子任务，并在受阻时改计划；中间层以 3Hz 重规划，用参数冻结的 Qwen3.5-2B 作编码器、DiT 作解码器，输出未来约 5 秒的全身运动轨迹（关节角与骨盆位姿）；底层是 50Hz 的运动跟踪器，经大规模强化学习训练，结合深度图与本体感知转为关节指令，同时守住平衡、接触与执行器约束。

值得关注：它把「数据从哪来」这个具身智能最贵的问题，用仿真绕开了一大半。业界共识是真机数据最贵、仿真到现实的落差最难填，HALO 给出的路径是用程序化场景生成换取数据规模，再用世界模型式的验证压缩 sim-to-real 差距，最后靠 91% 的零样本真机成功率证明这条路成立。91% 的口径需要说清：6 个场景、360 次试验、平均成功率，不等于任意家庭环境的可靠性，也不覆盖柔性物体、透明物体与需要精细力控的装配。但方向上的含义明确：当一个消费电子公司用纯合成数据就能让第三方本体（宇树 G1）在陌生房间完成复合长程任务，本体的商品化会加速，价值向「数据管线」与「运动生成」这两层迁移。对本体厂商这是压力，对做数据与评测的人则是需求侧的确认。

来源：https://arxiv.org/ （论文《Perceptive Humanoid Motion from Simulation》，2026-11-04）；中文报道见澎湃新闻 2026-11-07、机器人前瞻 2026-11-06

成立四个月，物原科技以 1.05 亿美元种子轮押注「物理世界模型」

11 月 6 日，北京的物理 AI 公司物原科技（TensorWorld）宣布完成 1.05 亿美元种子轮融资，投资方包括红杉中国、IDG 资本、蚂蚁集团、美团、蔚来资本、凯辉基金、鼎晖 VGC、和玉资本、星连资本、达晨财智共 10 家机构，据报道投后估值约 6 亿美元。公司成立时间有两种口径：多家报道称 2026 年 7 月（官宣时仅四个月），也有报道写作 2025 年。创始人兼 CEO 吴海旭为清华大学软件学院博士、2022 年清华特等奖学金得主，后在 MIT CSAIL 做博士后，师从计算设计与制造领域学者 Wojciech Matusik。团队成果覆盖物理仿真（Transolver，ICML 2024 Spotlight；GeoPT，ICLR 2026 科学基础模型研讨会最佳论文）、时序建模（Autoformer、TimesNet）、三维理解（Uni3D）与智能体规划（EfficientZero）。

技术主张是让物理规律成为模型的内在属性，而不是依赖外部仿真器或事后验证。公司的判断是现有两条路都不够：视频生成模型能产出逼真画面，但不保证物理自洽（水可以倒着流、物体可以穿过桌面），因为它学的是「画面里什么看起来合理」；传统仿真器按预设规则构建环境，效果受模型假设与参数设置限制。物原希望从现实观测中直接学习物理结构与动态规律，再迁移到陌生任务与环境。落点收敛在三个领域：机器人与具身智能、工程设计与制造、科学研究。工业侧已披露的验证是汽车、飞机、船舶的流体仿真与碰撞测试，标注数据需求下降 20% 至 60%、训练收敛快约 2 倍，均为公司口径。

值得关注：这轮融资的信号价值大于金额本身。1.05 亿美元在惯例上是 B 轮量级，放在种子轮属罕见结构；财务 VC、产业资本（蚂蚁、美团、蔚来）、早期基金三种视角同时进场，说明「物理世界模型」作为叙事容器已被反复验证过一轮。更重要的是它卡在具身智能真正的瓶颈上：机器人腿越来越能跑、手越来越灵巧，但脑子里装的仍是不懂物理的大模型，而真机试错成本高到难以规模化——如果模型能在动手前先把后果演算一遍，试错就从物理世界前移到数字世界。这与本周另一条线索互为印证：新华财经援引中国信通院等联合报告指出，人形机器人真正进入智能制造与仓储物流场景的比例仅约 8%，超六成停留在商演与科研教学；瓶颈不在本体会不会走，而在能不能稳定交活。

风险同样明确。成立仅数月、团队规模小，1.05 亿美元买的是时间差；物理规律的跨尺度泛化（从分子间表面张力到管道内压力分布，没有任何解析模型能一把算到底）、仿真与现实的残余落差、以及模型层最终要靠本体厂采用率兑现，都需要更长周期验证。高种子轮估值也会透支后续融资空间。

来源：https://x.com/TensorWorldAI （官方发布，2026-11-06）；创投数据见腾讯新闻创投周报 2026-11-07；团队与路线解读见机甲观察 2026-11-08

今天两条主线都指向同一件事：把「接入成本」压下来。AI 编程侧，Cursor 让人开口说话而不是盯着屏幕，Amp 让一个主智能体替人拆任务、开线程；模型侧，Thinking Machines 用 594B 总参只激活 17B 的稀疏结构，把长程编码推到第一梯队。具身侧，它石智航与安波福把百台机器人排进真实产线，瑞士 Embodied AI 干脆放弃双腿、用轮子加腱驱动换安全认证——通用性让位给可交付性。

Cursor 上线智能体实时语音通话：把「监督」从读屏改成对话

Cursor 于 11 月 6 日发布「与智能体实时语音聊天」（Voice Chat with Agents）。这是一次语音对语音的双向通话，不是把语音转成文字的听写功能：语音智能体负责倾听、回应、接住任务，再把具体编码工作交给当前会话里的编码智能体，后者在执行过程中主动播报简短进度。功能覆盖 Agents Window、桌面 IDE、网页端与 iOS 应用，iPhone 上可以用「Hey Siri, call Cursor」直接发起，并从锁屏或灵动岛静音、挂断。通话中可查询代码差异、运行状态、该智能体的历史消息与通话记录，这些查询均为只读，不会中断正在执行的编码任务。技术实现上，语音识别与合成由 Grok Voice 驱动，编码智能体仍使用用户自行选择的模型；开启隐私模式后通话零数据留存。官方同时说明有每日使用上限，若用户长时间沉默且智能体无任务在跑，通话约 10 分钟后自动结束。

值得关注：变化的不是省下打字，而是监督方式。文本流是「人写、机读」，语音流是「人说、机答」，中间多了一层调度角色。对跑几十分钟的长任务而言，从盯屏幕读 diff 改成听一段简短汇报，注意力占用确实下降。但边界同样清楚——语音承载不了行级别的精度，Cursor 自己把通话中的查询限定为只读，说明它并不打算让语音承担审批动作。官方未公布定价、包含该功能的套餐档位与具体限额，因此「语音监督是否真的比读屏快」目前没有数据支撑。

来源：Cursor Changelog — Voice Chat with Agents

Amp 推出 Spaces：让一个主智能体替你拆任务、开线程

Amp 于 11 月 6 日上线 Spaces。一个 Space 是一段用户与单个智能体的对话，但这个智能体的职责是替你生成并协调其他线程——用户不必再自己创建、命名、追踪一组智能体。团队成员可以在同一个 Space 里提需求、贴缺陷、补充想法，每个被拆出的任务以实时卡片显示状态以及是否需要人工介入；点击卡片进入对应线程，查看产出、继续迭代或直接推进交付。评论区的设计有一个细节：只有被 @amp 提及时，Amp 才会读取相关评论，以减少噪声干扰。官方给了三个自用案例：团队用一个名为「Spaces v1」的 Space 开发 Spaces 本身；一名成员在单个 Space 里完成服务账号功能的上线，包括监控 X、Slack 与工单、修线上缺陷、向受影响用户发邮件与退款；另一次定期安全审查中，主智能体首轮把代码库切成 16 个区域分线程审查，再在另一线程里交叉核验每条发现，最终把 14 个问题归入一份汇总文档。

值得关注：多智能体编程的瓶颈已经从「能不能并行」转到「谁来管并行」。此前开发者要自己切任务、复制项目背景、拼接结果，这部分注意力开销不进 token 账单，却是真实成本，Spaces 把这一层交给模型处理。Amp 自己的定位也直白：让人坐进「船长椅」，需要时再下到细节。但有两处需要打折——其一，三个案例都出自 Amp 自家团队与自家流程，可迁移性未经验证；其二，并行不是免费的，第三方汇总的多智能体团队测试显示成本最高上升到 5.1 倍而质量提升有限（该数据非 Amp 官方口径），Spaces 省掉的是组织线程的时间，协调成本本身不会消失。

来源：Amp — Spaces

Thinking Machines 发布 Inkling 2 Small：594B 参数只激活 17B，长程编码进第一梯队

Thinking Machines Lab（OpenAI 前 CTO Mira Murati 创立）于 11 月 5 日发布第二代模型 Inkling 2 Small。结构是稀疏混合专家（MoE，每次推理只调用部分专家而非全部参数）：594B 总参数、17B 激活参数，1M token 上下文，外挂一个 292M 参数的视觉编码器，支持图像输入与可调思考深度。预训练分四阶段共 12.2 万亿 token，其中第一阶段 8.4 万亿 token 在 NVIDIA GB300 NVL72 机架（单机架 72 颗 Blackwell Ultra GPU）上以原生 NVFP4 格式用 68 小时跑完；随后一次统一的强化学习跑了 9 天、1075 步、超过 1700 万次 rollout，动用了 2048 张 GPU，强化学习 token 中 65% 是编码任务。模型目前在 Tinker（其自有微调与推理平台）上以闭权重形式提供 API，官方称完成外部安全测试与红队后，于下周以 Apache 2.0 协议放出完整权重。

跑分呈现明显的偏科。官方表格中 SWE-bench Pro v2（Hard）86.3%、DeepSWE v1.1 72.1%、MMMU Pro 81.6%，Artificial Analysis 智能指数 31；但终端操作能力偏弱，Terminal-Bench 4.0 只有 13.1%，而 DeepSeek V4.1 Flash 同期为 33.8%，DeepSWE 也以 72.1% 落后于对方的 77.0%。官方最看重的一项指标是内部「不当行为」评分从初代的 66.8 降到 14.9，越低越好，但仅自家可测。演示任务给得相当硬：让它把 Qwen3.5-4B 训成一个时序预测模型，它自行分析任务、编写评估器、尝试不同数据集与训练配方并自行排错，4.5 小时、花掉 426 美元 Tinker 额度后把预测分翻倍。

值得关注：三个层面。第一是性价比形态——17B 激活撑起 594B 的知识容量，Artificial Analysis 记录的价格为每百万 token 输入 0.30 美元、输出 1.00 美元，这种稀疏配比正在成为开放权重模型的主流打法。第二是能力结构的分化——它强在「写代码」，弱在「在终端里把事做完」，说明编码能力与长程环境操作仍是两种不同的本事，采购时不能只看 SWE-bench 一项。第三是中国模型的位置变化——有第三方报道称其训练后段轨迹部分采样自月之暗面 Kimi K3，若属实，开放权重模型已从「被对标对象」变成「被当作训练数据源」。另有报道称该公司正以 400 亿美元投前估值募集 50 亿美元，尚未获官方确认。

来源：Thinking Machines Lab — Introducing Inkling 2 Small

它石智航与安波福签约：年底前百台级进产线，覆盖 33 类应用场景

11 月 6 日，第九届进博会期间，它石智航与安波福（Aptiv，汽车零部件与智能驾驶技术供应商）签署战略合作协议。按协议，安波福将在今年年底前完成百台级它石 A 系列工业具身机器人的规模部署，覆盖柔性组装、检测协同、生产管理等 8 大生产工艺、33 类应用场景，首批机器人已在安波福智能工厂的真实产线投入应用。合作是双向的：安波福的高性能计算平台与智能电源管理方案将率先装入它石机器人本体，作为工业具身智能的算力底座，计划 2026 年内实现量产。此前在嘉定区政府支持下，双方已于今年 6 月启动「全国首个千台级工业具身机器人集群」建设，首期落在安波福生产基地，重点是让机器人适配真实产线的工艺流程。模型侧依托它石通用具身大模型 AWE（AI World Engine，今年世界人工智能大会「SAIL 之星」获奖项目）。展会现场，AWE 驱动的 A3 机器人演示了连接器自主装配，全自主完成「取料—精准插接—投料」循环。

值得关注：这是「汽车供应链反向供给机器人」的一个清晰样本——车规级的计算平台、电源管理与量产工程能力流向机器人本体，机器人则把真实工况数据反哺给模型，形成双向依赖而非单向采购。它石联合创始人陈同庆的分工表述值得记下：「具身模型定义了能力的上限，本体决定落地的边界，而可信赖的表现决定物理 AI 能否真正进入产线。」边界也需要说清：百台级是年底目标，33 类场景是规划口径，实际稳定运行时长、任务成功率与节拍均未披露；千台级集群仍处建设期，尚不等同于已交付产能。

来源：新浪科技 — 直击进博会：它石智航与安波福签约

瑞士 Embodied AI 发布 AIR：不要腿要轮子，用腱驱动把安全做进硬件

11 月 6 日，瑞士公司 Embodied AI 在慕尼黑 Humanoid Europe 2026 上发布首款完整人形机器人 AIR。公司是洛桑联邦理工学院（EPFL）的孵化项目，2023 年由 EPFL 与 MIT 的机器人方向博士创立，总部在洛桑。AIR 是轮式上半身人形：用轮子而非双腿，理由是工厂地面平坦，足式行走增加机械复杂度与失效模式却不带来生产价值，轮式更稳定、更可靠、也更容易通过工业安全标准认证。手臂采用腱驱动——电机、减速器与电子件全部集中在躯干，通过线缆把动力传到关节，手臂本身几乎不承载运动质量；接触时靠机械柔性自然让位，而不是靠软件限扭。整机按 ISO/TS 15066:2016（协作机器人工作空间安全国际标准）设计，计划 2027 年取得 CE 认证。学习路径也反常规：第一个班次就由人工遥操作，边干活边记录，自家 AI 栈从这些示范中学习，通常一个月后可自主执行，人则留在旁边处理没见过的边缘情况，一台学到的能力可迁移给同队其他机器。公司称此前双臂工站已在欧洲制造商处付费部署，在某消费电子厂商的线缆处理测试中，五家有融资的机器人公司无一达标，只有它满足全部指标，可靠性 98%（目标 90%）。

值得关注：它选择了与主流相反的方向——不做双足通用人形，做轮式专用工位。这不是能力不足的妥协，而是把「认证」放在第一约束位置：安全由硬件几何与机械柔性保证，AI 只需在既定的物理边界内变聪明。代价同样明确：轮式上不了楼梯、越不了障、进不了户外，「通用」这个词被主动放弃，场景锁死在平层产线。另外，98% 可靠性、「一个月学会」、9 个月从研究到产品这三项均为公司口径，客户名称、机器台数、价格与产能均未公布，需待第三方部署数据验证。

来源：Yahoo Finance / Business Wire — Embodied AI Unveils AIR

关于"AI 会不会取代数据开发"，两种流行说法都不对："写 SQL 的要失业了"夸大了，"AI 时代数据更重要了"回避了。真正发生的是一件事：AI 替代的是"写代码"这个动作，不是"做数据工程"这件事——岗位总量在涨，入口却在塌。这篇文章讲清楚这两件事为什么同时成立，以及它对你的能力意味着什么。

一、总量在涨，入口在塌

先看两组方向相反的信号。

涨：国内大数据核心岗位缺口被普遍描述为百万级，AI 数据工程师方向的招聘量同比明显放大。贡献大头的是金融行业——不同口径下常被引为七成上下，互联网只占一成左右。这个数字常让互联网背景的人意外，但符合实情：银行的系统庞大、合规严、口径杂，数据活儿只会更多不会更少。

塌：入门级岗位在快速收缩。明确要求"两年以内经验"的岗位占比掉到很低；有海外研究给出，高 AI 暴露领域的 22–25 岁从业者就业率比同类岗位低约 19%。

两件事同时成立，机制只有一句话：

一个团队原本招 8 个初级工程师，现在改成招 2 个资深工程师 + AI 工具，产出一样，成本更低，责任还更清楚。

所以这不是"衰退"，是截断——技能阶梯最下面几级被直接拿掉了。总量上涨的是资深岗，塌掉的是"靠熟练度吃饭"的入口岗。已经在行内的人遇到的是好消息，正要入行的人遇到的是硬门槛抬升。但两者共享同一个后果："熟练使用工具"，不再构成竞争力。

二、被替代的是"写代码"，不是"做数据工程"

先看已经被大范围接手的部分：

2026 年一份四百余人的数据工程师社区调研里，绝大多数受访者表示 AI 已实际参与过他们的编码。这不是预测，是既成事实。

但把清单翻过来，有几样东西 AI 至今做不到，而且不是"暂时做不到"：

一句话概括：AI 让"写代码"变便宜了，但让"判断这段代码能不能上线"变贵了。

这句话对数据开发尤其成立，因为数据开发的产品不是功能，是数字。功能错了用户会骂，数字错了没人说话——直到月底对账。

三、最隐蔽的风险：测试全过，数据算错

这是最该写进团队规范的一条。

AI 生成的管线有一种特有的失败模式：所有测试通过，但结果是错的。

典型剧本：AI 帮你搭了一条订单管线，单测、空值检查、行数校验全部通过，顺利上线。三个月后业务调整了折扣计算方式，管线还在用旧逻辑。没有报错，没有告警，监控图上一切正常，只有收入数字在慢慢漂。Stack Overflow 2025 年的调查里，约三分之二的开发者被"看起来对但其实不对"的 AI 代码困扰过——这个比例放到业务开发，代价是返工；放到数据管线，代价是决策依据错了却没人知道。

数据错误的可怕之处在滞后性：代码 bug 当天被发现，口径 bug 可能要到下个季度业务复盘时才被怀疑。而那时，基于错误数字的决策早就发出去了。

所以 AI 时代的数据开发，验收标准要往前挪一步：不是问"代码能跑吗"，而是问"这段代码在最坏情况下会怎么错"。

四、能力坐标系变了

旧坐标系是"技术栈清单"：会 Hive、会 Spark、会 Flink、会调度。新坐标系是判断力边界：

这个位移有个直接推论：你熟悉的技术越多，你能判断的边界就越大，AI 对你的杠杆也越大。 反过来，只熟悉一种工具的人，AI 给他的不是杠杆，是替代。

落到 Hive/Impala 这条线，几个"AI 判断不了、但你能判断"的真实例子：

• 分区裁剪失效：分区列被 TO_DATE() 包住，SQL 照样出正确结果，只是全表扫描。EXPLAIN 里 partitions=1/365 和 365/365 的差别，AI 看不见——因为它不知道你们的表有多大。
• 可加性陷阱：SUM(UV) 在跨天区间上永远算错，因为 UV 不可加。生成的 SQL 语法完美，结果虚高，且没有任何报错。
• 单向类型转换：decimal → bigint 的 ALTER 被 Hive 拒绝；bigint → decimal 能过，但只改元数据不改文件。前者报错是幸运，后者静默才危险。

这些东西不在任何文档的"语法"章节里，它们只存在于踩过坑的人的经验里。这就是当前最值钱的资产形态。

五、三个今天就能做的动作

1. 把 AI 用在"你最熟的地方"，不是"你不熟的地方"

反直觉但重要。让 AI 替你写你本来就会写的东西——Hive DDL、Sqoop 脚本、常规 ETL、口径文档——省下的时间深挖原理。这样 AI 的产出你能一眼看出问题，效率是净增益。反过来，让 AI 写你不熟的 Flink 作业，你无法判断对错，等于给生产环境埋雷。没有判断力的地方，AI 只是把风险藏得更深。

2. 给 AI 产出的管线加三道专用验收

通用 code review 对数据管线不够用，这三条更有效：

第三条最容易被跳过，也最能救命。

3. 把隐性知识显性化

你现在知道的东西——某个指标为什么要去重、某张表为什么必须按 MIN(report_date) 归属、某个接口为什么不能直接 join——只存在你脑子里，就只是个人经验；写成口径文档、质量规则库、踩坑日志，就变成组织资产，也变成你的护城河。

AI 时代这有个额外的好处：AI 读不到你脑子里的东西，但读得到你写下来的东西。你写下的每一条规则，都会变成 AI 帮别人干活时的约束条件。写文档不再只是"留个记录"，而是在持续放大你的影响力。

最后

这轮变化残酷在入口变窄，公平在它不看工作年限，只看你能不能定义"什么是对的"。

写 SQL 的手艺正在贬值，判断数字对不对的能力正在升值。前者的门槛在工具上，后者的门槛在业务里——而业务这个东西，AI 替不了你泡在里面。

文中数字来自公开调研、行业报告与招聘平台统计，各家口径不一，建议只看趋势方向；具体数值请以你所在行业、城市、目标岗位的真实 JD 为准。