前一段 Loop Engineering 不是很火么，不过真做好的也不多。 知名开源开发者 yetone 在 X 上公开了他维护 Magpie 的工作流：用 Claude Code 加官方的 Opus 5.5 模型，同时开 3 个 /loop 循环任务，让 AI 自己盯 GitHub issue 和 PR、Discord 社区和推特反馈，修 bug、加功能、发版、回复用户。他自己每晚抽一点时间“铲铲屎”，主要处理 UI/UX 问题，“然后就没活儿了”。 他自己说这套流程“没有任何的魔法，甚至还特别简陋”。 【3 个循环任务分别干什么】 /loop 是 Claude Code 自带的命令，让同一段提示词反复执行；不写间隔时，由模型自己决定多久跑一次。这个命令 Codex 也支持，其他的我没测试，估计也差不多。 yetone 截图里的 3 段提示词都没写时间间隔，我自己去 Codex 跑了一下，默认是 1 小时。 简单解释一下他这三个循环。 第一个循环：管 GitHub 和 Discord。 指令要求 AI 盯 GitHub issue，判断哪些值得修、值得做；修完要发版并回复提问的人，不值得做的也要回复。有一类 issue 单独规定了统一话术：如果是“中转站”来打广告，统一回复“感谢关注，日后会出相关合作方案，敬请期待”，不能直接把第三方中转站加进产品。 对 PR，指令要求逐行看代码、看逻辑，再把代码拉下来实际跑一遍，确认没有 bug 才能合并，否则回复或关掉。指令里写了原因：“我怕有的人提的 PR，是无脑用 Coding Agent 乱写的，自己都没测过。” 指令还要求 AI 实时盯 Magpie 的 Discord 服务器，所有频道一个不漏，有价值的反馈就去修或加功能，值得讨论就继续讨论。最后专门叮嘱：在 Discord 里要真正 @ 到人，只写名字对方收不到通知。 第二个循环：管 X/推特 的用户反馈。 盯推特上关于 Magpie 的反馈，有价值的建议或能复现的 bug 就去做，上线后回复那条推文。这段指令要求先用便宜的“决策模型”，比如 Jev，判断推文是不是在说 Magpie、是不是反馈，不相关的直接丢掉，别转给主模型，“不然太浪费 Token 了”。 【注：Jev 是 TypeSafe AI 推出的模型，只做判断题、选择题和打分，输出概率或分数，不生成文字。官方定价是每百万输入 Token 0.042 美元，输出免费。】 顺便说一下，如果你的产品名或者要关注的事比较稀有，不一定需要 Jev，他之所以加，是因为 magpie 在英文里是“喜鹊”，按关键词抓推文会抓到大量无关内容，全丢给 Opus 判断很费钱。 第三个循环：清理和总结。 这段指令开头写着“现在 magpie 完全是自动化更改代码和合并社区里的 PR”，要求 AI 定期清理“屎山代码”和恶意代码，防止项目变得难以维护；同时把经验教训写下来，比如哪些 PR 不该合、哪些验证不够严密，留给以后的 AI 参考，避免重复犯错；还要把总提交低质量代码的人拉进黑名单。 【作者补充的两点】 发完截图后，他在两条回复里补了两点。 一是给 AI 真实的运行环境。他准备了一台 Mac 和一台 Windows 电脑，再在 Windows 上开一个 Linux 虚拟机，三个系统的复现环境就齐了。AI 每次都要在这三端真实复现 bug，再去修。 二是 AI 怎么做出符合他心意的决策。他说靠的是 Claude Code 的记忆系统和仓库里的设计文档。开发 Magpie 之初，他和 Claude Code 讨论、头脑风暴了很多内容，这些都被记进了记忆文件。之后遇到要拍板的事，或者涉及审美偏好的设计，AI 会参考这些记录，做出跟他比较一致的选择。 【总结下】 他把维护项目的日常活拆成了 3 条流水线，每条只管一个入口（GitHub、推特、代码库本身），各自循环。人只留下 AI 做不好的部分，也就是 UI/UX 的审美判断。 当然要跑起来得有几个前提： 1. AI 能在真实的三端环境里跑代码，验证结果靠实际运行； 2. AI 手里有他早期写下的偏好和设计文档，知道他会怎么选； 3. 犯过的错被写成经验，下一轮的 AI 能读到。 提示词都是大白话，篇幅主要花在边界情况上：不值得修也要回复，中转站广告怎么回，Discord 要真 @，不相关的推文别浪费 Token。 有几个特别要注意的点： 1. 先把验证环境搭好，再让 AI 干活。AI 改完代码说“修好了”没用，要能在出问题的那个系统上跑一遍。你的项目只跑在网页或服务器上，一个容器可能就够；要多端的，就像他一样把每一端都备齐。 2. 在提示词里写清楚“遇到这种情况怎么办”。他的三段指令里，大部分字数花在例外处理上。你让 AI 自动回复用户之前，先想想会有哪些奇怪的来信，提前定好处理办法。 3. 用便宜模型挡在前面。先用一个几乎不要钱的分类模型过滤一遍，只把真正的反馈交给贵模型，这个做法几乎任何监听类任务都能用。 4. 让 AI 自己总结教训。第三个循环要求把“不该合的 PR”“验证不严的地方”记下来，下次的 AI 读到就会更谨慎。这相当于给 AI 建立了一个自我迭代优化的循环。 5. 项目早期多花时间和 AI 聊设计。他说 AI 后来能按他的偏好做决策，依赖的是开发初期那些讨论被记进了记忆和设计文档。想让 AI 少问你，就先把你的想法写下来让它记住。 仅供参考，重要的是学习思路，不必一模一样的照搬。

Google Play 开放“个人 App”：用 AI Studio 手搓的安卓应用，不用注册开发者也能直接装进自己手机 10 月 13 日，Google 宣布了一项对普通玩家非常友好的更新：你在 Google AI Studio 里让 AI 写出来的安卓 App，现在可以直接通过 Google Play 安装到自己的手机上运行了。整个过程只需要一个普通的 Google 账号，根本不用去折腾开发者注册。同一天上线的，还有 Ask Play 的应用对比功能，以及帮玩家淘游戏的新工具 Game Finder。 【谁能先用上？】 “个人 App”功能从今天起逐步推送，首批覆盖“包括美国在内的部分市场”，且仅限 18 岁以上用户。不过 Google 官方只点名了美国，没透露具体还有哪些国家和地区。由于 Google Play 未在中國大陆提供服务，大陆用户暂时还无缘体验。 【怎么把 AI 写的 App 装进手机？】 以前在 AI Studio 里虽然也能做安卓 App，但想装到手机上，对于不懂开发的普通人来说简直是劝退现场：你得拿根数据线把手机连上电脑，还要进设置里一步步打开调试授权，门槛相当高。 现在整个链路彻底打通了。你只需要在 AI Studio 里像聊天一样提需求，让 AI 帮你生成安卓应用（也就是现在很火的 vibe coding，靠聊天驱动写代码），接着就能直接通过 Google Play 把它推送到自己的设备上。Google Play 副总裁 Sameer Samat 在推文里特意强调，这属于“无线安装”，彻底甩掉了数据线。据 Engadget 报道，安装好的应用会躺在你 Play 商店新增的“个人库”里；除了手机，只要能用 Play 商店的平板和电脑也都能装。 这些“手搓”出来的 App 仅限你自己的设备使用，不会进入 Play 商店的公开目录，别人也搜不到。Google 表示，未来几个月内会开放分享功能，让你能把做好的小工具发给“亲近的朋友和家人”，但目前还只能自己独享。 【要交 25 美元注册费吗？要审核吗？】 如果只是做给自己用，完全免费。要知道，注册一个正式的 Google Play 开发者账号得交 25 美元的一次性注册费，而“个人 App”直接帮你省下了这笔钱和繁琐的流程。 至于大家关心的审核问题，官方公告里只明确了一种情况：如果你哪天想把自己的 App 公开上架、让所有人都能下载，那就必须升级为正式的开发者账号；到那时，你的 App 也得和其他正规应用一样，老老实实走完信任、安全和质量审核流程。 那自用阶段到底审不审？官方正文里巧妙地避开了这个话题。不过据第三方媒体 AndroidPure 透露，在 Google 放出的界面示意图上，有一行小字写得很清楚：这类 App 只有创建者本人可见、可安装，不会经过 Google Play 的审核。 【安全问题怎么兜底？】 官方在公告里只丢下一句定心丸，说这些个人 App “私密、安全，且与公开商店相互隔离”。但具体到底怎么个安全法？安卓自带的恶意软件扫描工具 Play Protect 会不会扫它们？这些 AI 写出来的代码会怎么处理手机里的个人数据？对于这些核心细节，Google 这次守口如瓶，只字未提。 【同场加映：用 AI 挑应用、找游戏】 除了降低做 App 的门槛，Google 这次还顺手升级了找应用和找游戏的体验： 1. Ask Play 支持应用PK了 Ask Play 是内置在 Play 商店里的 AI 助手，以前你向它提问，它会给你推荐应用。从今天起，它学会了“拉表格做对比”——能直接把几款同类 App 放在一起，帮你梳理核心差异和真实的用户评价。不过官方同样没交代这个功能会在哪些地区开放。 2. 在 Gemini 里直接逛 Play 商店 全新的 Play in Gemini 功能会把 Play 商店里的应用、游戏和开发者内容直接接入 Gemini 的对话框里。官方承诺“很快”就会向所有 Gemini 用户推送，但还没给出确切的时间表。 3. 更懂你的找游戏神器 Game Finder 这是一个全新的游戏发现工具，底层的核心叫“Gamer DNA（玩家基因）”。它会根据你平时的游玩习惯和填过的偏好，为你生成专属画像；你也可以手动勾选喜欢的游戏、类型和玩法来随时微调。 当你点开一款新游戏时，它会非常直观地告诉你：和你口味相似的玩家玩得开不开心、你关注的人里有几个正在玩、大家的评价汇总，甚至还会告诉你最近哪些游戏正在火、为什么火。该功能今天起率先面向美国用户推出英文版，其他市场“即将跟进”。 4. 游戏社交与轻度竞赛 今天同步在所有市场推开的还有 Sprints，这是一种限时 48 小时的微型挑战赛，支持 2 到 5 人组队比拼。另外，所有游戏的详情页里都加上了“社区帖子”板块，玩家们可以在里面直接提问、交流攻略，覆盖所有游戏和语种，还自带实时自动翻译。

OpenAI 沙特员工在公司执行会议室植入录音设备后被捕 2026年10月13日，美国司法部（DOJ）与加州北区联邦检察官办公室解封了一份引发硅谷震动的刑事起诉书：现年35岁的沙特阿拉伯籍OpenAI产品团队工程主管阿卜杜勒拉赫曼·阿尔福赞（Abdulrahman Alfozan），因涉嫌在OpenAI旧金山总部的高管会议室秘密安装窃听设备，已被联邦调查局（FBI）正式逮捕并收押。在加入OpenAI之前，阿尔福赞曾担任Meta高级系统工程师及初创公司Nash的创始工程师，于2025年7月入职OpenAI。 根据法庭文件披露，这起看似具备电影质感的商业间谍案，在执行层面上却充满了令人啼笑皆非的细节。9月28日前后，阿尔福赞潜入平时专门用于讨论核心机密研究、产品路线图、商业战略及政府合作的高管会议室，将一个加密录音设备插在电视机背面的USB接口上，并用一团卫生纸进行伪装。9月30日，该装置被OpenAI员工意外发现。10月5日，不知情的阿尔福赞再次潜入会议室查看电视机背面，甚至在当天将一个装有自己钱包、身份证件以及另一个同款录音设备的背包遗落在了办公区，被安保人员当场截获。 然而，本案最极具赛博朋克黑色幽默的一幕在于破案过程：OpenAI在官方声明中确认，公司安全团队直接调用了自家的AI大模型来拆解该硬件设备、分析底层线索并锁定内鬼。调查人员顺藤摸瓜地发现，阿尔福赞不仅在公司内部办公软件中频繁检索高管日程与会议室位置，还在9月24日至30日期间，借用其配偶关联的聊天机器人（Chatbot）账号，向AI提问“如何制作并隐藏连续录音设备”、“如何添加Wi-Fi远程监听”、“如何加密存储卡”，甚至直接把涉案设备独有的网络标识符（MAC/SSID信息）喂给了AI进行故障排查。10月9日，阿尔福赞被解雇并遭FBI逮捕，目前面临非法截获口头通信的联邦指控，最高可判处5年监禁及25万美元罚款。 ---- 下面是让 Gemini 4 Argon 写的故事版 ---- 【故事版】《卫生纸里的幽灵，与出卖主人的神明》 一、 深夜的提问者 九月下旬的旧金山，深夜的冷雾漫过米申区（Mission District）的街道。 35岁的阿卜杜勒拉赫曼·阿尔福赞坐在家中的电脑前，屏幕的幽光映照着他略显紧绷的脸。作为履历光鲜的硅谷精英——前Meta高级系统工程师、如今的OpenAI工程主管——他本该是这座科技圣殿里的核心筑造者之一。但此刻，他的脑海里装的不是下一代大模型的架构，而是总部大楼里那间他无权踏足的“高管会议室”。 那里是权力的中枢。每天，关于未公开的推理模型、数千亿美元的商业盟约、乃至与五角大楼和各国政府的秘密会晤，都在那四面隔音玻璃墙内激荡。 他需要一只“耳朵”。 作为一个习惯了向人工智能寻求一切答案的工程师，阿尔福赞鬼使神差地打开了对话窗口。为了掩人耳目，他特意切换到了妻子名下的账号——但他忘了，底层的设备指纹与网络标识符，早已像影子一样将两个账号死死绑在了一起。 他在键盘上敲下一行行指令： “如何组装一个能够连续工作的微型音频录制设备？”“怎样为它加上Wi-Fi模块，实现远程监听？”“如何对内存卡进行高强度加密，防止被拆解读取？” 屏幕那头的AI温和、博学、毫无戒心地给出了完美的工程方案。9月27日深夜，当他在调试硬件遇到网络瓶颈时，甚至直接把这台定制窃听器独一无二的网络标识符复制进了对话框。 他以为自己是在向一个没有灵魂的工具请教。他不知道，自己正在向未来的“证人”口述一整份犯罪自白书。 二、 电视机后的“白色伪装” 9月28日，周一。 在此前的几天里，阿尔福赞已经通过公司的生产力工具，像猎犬一样搜遍了办公楼地址、会议室平面图以及高管与外部伙伴的会议日历。走廊尽头的闭路电视（CCTV）记录下了他数次在非授权区域徘徊的身影。 终于，他抓住了高管会议室空置的几分钟空隙，闪身而入。 房间里纤尘不染，巨大的显示屏黑着屏幕，像一面深邃的镜子。阿尔福赞心跳如擂鼓，他掏出那个已经刷好加密固件、焊好Wi-Fi模块的微型录音装置，熟练地摸到电视机背面，将其插进了一个隐蔽的USB供电接口里。 指示灯微弱地闪烁了一下。但问题来了——如果有人恰好歪头看向电视机后方，这个突兀的电子元件依然可能暴露。 受过顶尖计算机工程训练的大脑在这一刻突然短路，回归到了最原始的慌乱。他四下张望，最终从口袋里掏出一团白色的卫生纸，小心翼翼地将这个高科技窃听器裹了起来，塞进电视机背板的阴影里。 在估值数千亿美元、代表着人类最高智慧结晶的AI帝国心脏地带，一团皱巴巴的卫生纸，成了这场跨国商业间谍疑云的滑稽外衣。 三、 算力深处的反猎杀 这团卫生纸的寿命只有48小时。 9月30日，一名OpenAI工作人员在整理高管会议室时，注意到了电视机后面那团不合时宜的白色异物。剥开卫生纸，一枚精致而复杂的改装录音设备露了出来。 警报在瞬间拉响，但属于科技巨头的方式是静默无声的。 安保与安全团队封锁了消息。放在过去，排查这样一个加密硬件的来源需要耗费数周的法医级电子取证；但在OpenAI，安全专家们做了一个极其符合公司气质的决定——让AI去抓那个背叛AI的人。 安全团队将这枚窃听器的电路特征、加密逻辑、硬件参数以及散发的微弱网络特征码输入到了内部大模型中。算力在硅片间狂飙，模型迅速理解了这台设备的构造与来龙去脉。紧接着，内部日志检索与监控交叉比对全面展开： 谁没有权限，却屡次出现在高管会议室门前的摄像头里？ 谁在内部办公工具里疯狂检索领导层的会议日程与房间号？ 更致命的是——当系统比对那枚设备独有的网络标识符时，一段发生于9月27日至28日的聊天记录直接浮出了水面。 真相揭晓得如此之快，甚至带着一丝荒谬的宿命感：那个小偷在作案前，竟然亲自用自家关联的系统，手把手教自己怎么作案。 OpenAI没有打草惊蛇，而是 quietly（悄然地）拨通了FBI的电话，并留下了一张张开的大网。 四、 消失的猎物与遗落的背包 10月5日，距离设备被拔除已经过去了五天。 这五天里，阿尔福赞备受煎熬。他原本期待着远程Wi-Fi能传回源源不断的音频流，但接收端却是一片死寂。是电视机断电了？还是加密脚本崩溃了？ 他决定冒险回去看一眼。 监控镜头冷冷地注视着一切：阿尔福赞再次溜进了那间高管会议室，径直走到电视机旁，探头往屏幕背后望去。 空的。那团卫生纸，连同他精心改装的设备，消失得无影无踪。 一股寒意从脚底直冲头顶。他意识到事情败露了。极度的恐慌瞬间击碎了他的理智，他在匆忙撤离办公区时，甚至犯下了一个比“卫生纸伪装”还要致命的低级错误——他把随身的背包落在了公司里。 几分钟后，巡逻的安保人员发现了这个无人看管的背包。拉开拉链，里面静静地躺着阿尔福赞的钱包、身份证件，以及第二个一模一样的改装录音设备。 人证、物证、监控轨迹、搜索记录、AI对话日志，在这一刻形成了完美得近乎教科书般的证据闭环。 五、 尾声 2026年10月9日，周五。OpenAI向阿尔福赞下达了终止雇佣关系的通知；几乎在同一时刻，早已等候多时的FBI特工亮出了手铐。 10月13日，身穿囚服的阿尔福赞首次在旧金山联邦法院出庭。好消息是，OpenAI确认核心的模型权重、源代码和客户数据均未被染指；坏消息是，这位昔日的硅谷高管将面临最高五年的铁窗生涯。 在这场短短十余天的暗战里，最令人玩味的或许不是卫生纸包裹的U盘，也不是装满罪证的遗落背包，而是那个静静运行在服务器里的AI模型。在9月27日的深夜，它曾毫无保留地解答了人类关于“如何隐秘窃听”的请教；而在三天后的清晨，当安全人员将证物摆在它面前时，它也同样毫无保留地，指认出了那个在黑夜里向它提问的人。

AI 写代码太快，git 扛不住了：Anthropic 为什么自己造了 Scion？ 视频1: 英文版 视频2: 中文版 这一年，GitHub 隔三岔五就出故障。GitHub 在自己的可用性报告里说，流量涨得飞快，很大一块来自 AI：AI 帮人写代码，AI 智能体自己提交修改。他们四个月里把有效容量翻了一倍多，还是扛得很吃力。 Anthropic 自己的代码库更夸张：今年五月平均每天合并约 2500 次修改，到了九月，一天超过 3 万次，涨了十倍以上。 全世界程序员都在用的 git，扛不住了。Anthropic 干脆自己造了一个版本控制系统，叫 Scion，五个月就把整个代码库从 git 换了过去。git 为什么扛不住？Scion 到底改了什么？ git 是干什么的 你可以把 git 想成一个带时光机的共享文件夹。每改一次，就存成一个版本，叫一次提交。谁改了哪一行、什么时候改的，都查得到，改坏了还能退回去。 GitHub，就是全世界最大的、帮大家存放 git 仓库的网站。 很多大公司会把所有项目的代码放进同一个大仓库，这叫单体仓库（monorepo）。Anthropic 用的就是这种。 每人一整座图书馆 git 有个特点：每个人拿到的，都是一整份完整的仓库，连全部历史一起。打个比方，就像借书的时候，顺手把整座图书馆复印一份搬回了家。好处是断了网也能翻历史、查记录。 仓库小的时候，这没问题。可 Anthropic 的仓库，光主分支的历史就接近 100 GB，压缩后的一份工作副本也超过 25 GB。 搬不动了 再看要搬多少次。光是自动构建和测试（CI）这一个环节，每天就要把代码检出到机器上大约 2500 万次，这还没算开发环境、AI 智能体的沙盒和研究任务。要是每次都老老实实整份拉取，一天的流量会超过 600 PB。换算一下，差不多是 60 万块 1 TB 的硬盘。 原来的补丁架构：层层加缓存 他们想过各种办法：浅克隆、稀疏检出这类只拉一部分的功能都试过。原来的架构，是层层加缓存：机器要代码，先找本地的打包缓存（packfile cache）；没有，再找镜像服务器（mirror replicas）；镜像再去找镜像主库，最后才是最上游的那份仓库。每个集群都有一套。新机器启动时，还会先从云存储拷一份仓库快照，省得从零开始拉。 最多的时候，同时开着几百台 git 镜像服务器。可修改越来越多，快照一拷下来就落后一大截，镜像也越来越难养。 换一个问题 后来他们发现，git 那些为离线工作准备的本事，自己几乎用不上。 这里说的“在线”，不是指能不能上网，而是随时能连上公司的代码服务器。你带着笔记本上飞机，没有网也想写代码、翻历史，git 那套“每人一整份”的本事才派得上用场。可在 Anthropic，用代码的几乎都是 AI 智能体和后台任务，它们本来就跑在公司的机器上，跟代码服务器之间的网一直是通的。 于是他们换了个问题：如果从一开始就假设，用的人永远在线、随时连得上服务器，代码管理该长什么样？ 要哪页，取哪页 答案是：别再搬图书馆了，改成去前台借。 Scion 的客户端不存整份仓库，只留一个容量有限的本地缓存。需要哪个目录、哪个文件，再去服务器取。查历史、查某一行是谁写的、合并和变基，这些重活全交给服务器。这些查询能力都通过接口开放出来，很多任务连代码都不用拉，直接问服务器就行。 提交就在服务器上 在 git 里，你先在自己电脑上提交，再推送给大家。在 Scion 里，提交直接发生在服务器上，一提交，所有人马上能看到，根本没有“推送”这一步。 每次提交只记下这次改了哪几个文件，像一张修改清单，不用把整个目录重抄一遍。清单上每个文件只记一个编号，真正的内容存在云存储里，一模一样的内容只存一份。所以仓库再大，一次提交的成本只跟这次改了多少有关。 一层层的分馆 那么多机器同时来借，服务器忙得过来吗？靠的是一层层缓存：每台机器上有个“小管家” scion-daemon，每个区域有个“分馆” scion-cache，最后才是“总馆” scion-server，它背后连着数据库和云存储。 每份文件都按内容算出一个编号，存进去就再也不会变，所以哪一层都能放心缓存，不用跟别人核对。结果，每一层的缓存命中率都超过 99%，绝大多数请求在家门口就解决了。 Scion 的整张架构图 把这些拼起来，就是原文配图里的 Scion 架构。请求分两条路走： 一条是“问事”（控制面）：查历史、看差异、提交修改，所有客户端，包括代码审查工具 Antique、开发者电脑、集群里的任务，都直接找总馆 scion-server。 另一条是“取货”（数据面）：目录和文件内容走缓存。开发者的电脑直接找区域分馆 scion-cache；集群里的任务先找本机的小管家 scion-daemon，没命中再一层层往上找。 总馆背后，修改记录、分支和目录结构存在 Spanner 数据库里，文件内容存在云存储里。新机器上线，小管家先拷一份定期快照，省得从头拉。 效果 整套设施占用的 CPU 和内存，比原来的 git 镜像集群小了 200 倍。测试和研究任务拉代码，从几分钟缩短到几秒钟，光 CI 这一项就省出了 25% 的 CPU。原文配图里还有一组数字：AI 智能体新开一个工作区，中位耗时从 7.1 分钟降到 5.1 秒，快了 84 倍。 这么大的系统，得多少人做？ 一个七个人的团队，用五个月做完了 Scion 和配套的代码审查工具 Antique，还顺手做了五六个周边系统，并把整个仓库迁了过去。而且这期间每天合并的修改量涨了十倍。放在过去，这种迁移往往要大得多的团队花上好几年。 一个例子：他们手写的第一版数据导入程序，交给 Claude 一个早期的内部版本（Claude Mythos Preview 的早期快照）重写，没加任何额外要求，新版本内存降了 20 倍，速度快了 4 倍，原有的约束条件也都保住了。 AI 写代码这么强，工程师还干什么？ 参与的工程师都承认，单论写代码，Claude 已经比他们强了。但工程师的活变了：把握各个系统怎么配合，权衡架构上的取舍，围绕要解决的问题和预期的规模做决定。很多时候，他们的工作是对 Claude 说“不”。 比如，有好几个系统想一条条扫提交记录，去找某次修改是什么时候合进主分支的，其实直接问代码审查工具就行。现在团队成员依然审查每一个变更，但审的是修改背后的意图，不再逐行读代码。 大家都该扔掉 git 吗？ 不用。Anthropic 自己说，Scion 不是 git 的通用替代品，只有极其庞大的单体仓库才用得上：背后要么有几万名工程师，要么有成群不知疲倦写代码的智能体。 它和 git 差别太大，想用就得把代码审查、代码搜索、CI 这整条工具链重做一遍，所以他们没打算做成通用产品。他们更希望这些思路被借进 git 生态：服务器多干活、提供更完整的查询接口，客户端按需取。他们预计，未来 6 到 12 个月，这类扩展问题会在业界越来越常见。 记住三句话 第一，git 让每个人拿一整份仓库，AI 把修改量推高十倍以上，就搬不动了。 第二，Scion 假设用的人永远在线、随时连得上服务器：要什么取什么，重活交给服务器，一层层缓存兜底。 第三，AI 写代码越快，瓶颈就越会跑到别处：代码管理、构建、测试，都得按 AI 的规模重新设计。 以前，是每人搬回一座图书馆；现在，楼下就有分馆，要哪页，借哪页。 资料来源：Anthropic 工程博客《Redesigning source control at Anthropic》（2026 年 10 月），

Claude code 封号歌 歌词和节奏都不错 👍