Fragments: October 21
TL;DR · AI 摘要
Fragments: October 21 Martin Fowler 21 October 2026 Gergely Orosz is frustrated at those that entered his explicitly â...
核心要点
- 主题聚焦：Fragments: October 21
- 来源：Martin Fowler，建议结合原文判断细节。
- AI 分析暂不可用，本条为保底评分与摘要。
碎片：2026年10月21日
Martin Fowler
2026年10月21日
Gergely Orosz 对那些参加他明确标注为“无AI”征文比赛却使用AI工具的人感到沮丧。他进一步表示：
当我开始怀疑某个我不认识的人的作品中存在AI生成内容时：我如何判断其中有多少比例是AI生成的？我又愿意投入多少时间和精力去查明？我担心大多数人没有意识到这一点：当其他人需要花费时间和精力去辨别内容中究竟有多少比例是AI生成、有多少比例是作者本人时，我会直接假设这大概率是100% AI生成、0%来自作者。因此，当你创作任何面向其他人类的作品时，即使只是略微使用AI，你也冒着被默认认为是完全由AI生成、不值得被关注的风险。
总体而言，我同意他的观点，我的反应也类似。一旦我听到LLM语音，就会触发我的反感开关并停止关注该内容。
但当我这样做时，也有一些保留意见。我的神经网络在AI检测方面的准确性如何？人类在日常交流中是否正在逐渐呈现出AI般的特征？更严肃地说，AI确实有其合理用途。例如Jim Highsmith提到他的“第二大脑”帮助他应对帕金森病的故事。另一个例子是那些英语水平有限的人使用AI进行翻译。当我在阅读/聆听这些人内容时触发AI语音开关，是否显得有些不公平？
 â                â                â                â                â
听到格蕾丝·霍珀庆典今年被取消的消息让我感到难过。这是一个由Anitab.org组织的活动，旨在推动软件行业中女性和非二元性别技术专家的发展。许多同事都曾因参加这个活动而受到鼓舞，这为通常以男性为主导的行业带来了一股清新的变化。看来当前对多元化倡议的抵制运动已对资金支持造成了重大影响。我们在性别多样性方面仍有很长的路要走，失去这样一个活动只会让事情变得更加困难。
我一直认为Cindy Sridharan的文章值得阅读，她最近发表了一篇篇幅惊人的长文：《当你不再理解代码时，如何有效调试》。由于Medium估计需要64分钟阅读时间，我并没有轻率地开始阅读，而是在从阿姆斯特丹飞往斯图加特的航班上静下心来阅读。我很庆幸自己这样做了，因为文章内容非常丰富，我几乎找不到任何可以删减的部分。
在文章中，她通过三个近期的调试案例，提炼出如何最佳使用AI工具进行调试的原则。其中许多观点源于一个睿智的观察：
智能体并不是人类。在许多方面，它们的能力远超人类，我们应该善用这些优势，而不是试图让智能体模仿人类的解决问题模式，而这些模式在智能体的语境中可能并不高效。
她从实践经验中得出的一个结论是：代码往往并不是智能体分析的最佳对象
让智能体首先阅读代码来启动调查是一个反模式。事实上，通过先阅读代码来形成关于缺陷的假设，应该是智能体调查过程的最后手段，而不是起点。智能体应首先收集所有关于缺陷的可用证据，之后再从代码中形成可能最佳解释观察结果的假设。
她将事实分为底层和上层两个层级：底层是代理可以找到的关于系统行为的原始数据，上层是基于这些数据得出的假设推论。
现在诊断错误变成了一个在上层假设中找到能够满足底层所有事实的假设的问题。
代理需要被引导至最可能引发错误的假设，并对这些假设进行验证。她采用了一个三步流程来实现这一点。首先，她识别出最重要的事实，即可能解释或识别错误的信号。
事实层级包含大量数据点。并非所有数据点都具有同等价值。事实上，其中一些可能是干扰噪声，无法帮助代理找到最有前景的假设。代理首先需要识别出与错误实际相关的事实层级中的数据点。当代理被赋予高质量的对照组时，他们最擅长完成这项工作。
对照组是系统中不表现出该错误的行为。这可能表现为触发错误的请求与未触发错误的请求的对比，或不同版本的产品构建，或同一构建在不同环境中的表现。
在信号被突出显示后，她将重点放在与信号匹配度最高的假设上，因为这些假设与信号的契合度最好。一个假设应满足所有事实，最有价值的信号是仅被少数假设满足的信号。假设与信号的表格有助于可视化信号的强度和假设的可能性。
第三步是将最有前景的假设与所有事实进行验证，将每个事实视为对解决方案的约束。
在本文记录的三个错误中，我最有价值的贡献不是对代码的了解。而是选择了对照组、选择了约束条件，并拒绝了未经验证的假设。在代理原生环境中茁壮成长的工程师将是那些擅长设计此类验证循环的人，无论他们是否理解所验证的代码。
这种引导必须记住代理与人类能力差异的初始前提。
人类希望处理更少的数据。我们目前所有的抽象方式（聚合、可视化等）都是为了帮助人类处理更少的数据。然而，代理需要更多原始数据；它的优势在于能够快速处理大量数据。聚合——使仪表板对人类有用的功能——往往会破坏代理对信号的价值。
代理处理大量原始数据的能力也影响了我们构建系统的方式。更多的日志记录为代理提供了更多数据可供分析。
迄今为止，人类仍然是引导代理的必要因素。
在本文记录的三个错误中，代理本身完全有能力找到根本原因，但它并未这么做。在“延迟错误”中，直到我要求它设置对照组之前，它都没有这么做。
虽然这篇文章篇幅较长，但写得引人入胜且包含大量有用细节。我希望我的简要总结能鼓励你阅读它应得的内容。
最新片段：
10月21日
上一篇：
10月4日
所有片段 /