「你只需负责喝茶和睡觉。一觉醒来，Features 全自动高质量的实现了。」
——smallnest, autoresearch 作者, 2026 年
gstack 是人驱动流程，二十三个角色在七个 Sprint 阶段中协作。superpowers 是 Agent 驱动流程，十四个 Skill 自动触发，子 Agent 分工实现。两条路，一个共同点：人类仍然在循环中。gstack 需要你在每个阶段运行命令。superpowers 需要你在设计批准时确认方案。
autoresearch 把这个共同点也推倒了。
它的目标一句话就能说清楚：从 Issue 到合入，全程不需要人。你写好 Issue，Agent 自己实现、自己审查、自己修复、自己提 PR、自己合入、自己关 Issue。你喝茶。你睡觉。醒来看到一排绿色的 merged。
Karpathy 的 autoresearch 思想在软件工程领域落地了——82K Stars 的 ML 研究自动化项目，被 smallnest 适配成了通用的全自动开发工具。
"The agent checks for relevant skills before any task. Mandatory workflows, not suggestions."
Agent 在执行任何任务之前，先检查自己有没有对应的技能。这些是强制工作流，不是建议。——Jesse Vincent, Superpowers 作者, 2025 年
gstack 用二十三个角色和七个 Sprint 阶段构建流程驱动的虚拟工程团队。CEO 审方向，工程经理锁架构，QA 测功能，安全官审漏洞——每个角色在固定阶段做固定的事。
superpowers 走相反的路。
superpowers 不定义任何角色。不强制任何 Sprint 阶段。它只做一件事：给你十四个 Skill，让 Agent 自己在合适的时机调用合适的那个。不靠流程锁住质量——靠每个 Skill 足够好用，Agent 自己愿意用它们。
201K+ Stars。当你不信任流程、只信任工具时，AI 软件工程能做多大——这个数字就是答案。
"I basically operate as an engineering manager for a fleet of temporary models."
我本质上是一个工程经理，管理一支临时工模型大军。——Garry Tan, Y Combinator 总裁 & CEO, 2026 年
Skill 是能力单元——一个 Markdown 文件定义一种行为。Spec 是合约，定义"做成什么样才算对"。Ralph Loop 是执行引擎，"做不到就继续做"。三者构成闭环：Skill 提供方法，Spec 提供标准，Ralph Loop 提供执行力。
但它们都隐含了同一个假设：你只有一个 Agent。
把这个假设推倒。如果你可以同时拥有二十三个 Agent，每个被赋予一个不同的专家角色——有人负责产品思考，有人负责架构设计，有人负责代码审查，有人负责质量测试，有人负责安全审计，有人负责发布部署——并且它们按照一个严格的 Sprint 流程协作。会发生什么？
gstack 回答这个问题。它是一个虚拟工程团队的操作系统。
"Ralph is a Bash loop."
——Geoffrey Huntley, 2025 年这句话是对 Ralph Wiggum 技术最精确的定义。不是架构图，不是论文，不是 200 页的设计文档。就是一个 while 循环。把同一个 prompt 反复喂给 AI，让它看到自己上一轮的产出，然后改进。再改进。直到成功。
第 3 章定义了 Spec——你和 AI 之间的合约，写清楚"做成什么样才算对"。合约签完了，履约过程仍然充满不确定性。Agent 第一次实现可能偏离规格，第二次修好一个问题却引入另一个，第三次陷入改动 A 破坏 B、修复 B 破坏 A 的死循环。
Ralph Loop 应对的就是这个。如果 Spec 管"做到什么标准"，Ralph Loop 管"做不到就继续做"。它不是一个文档，不是一个 Skill——它是一个自主循环控制结构，把 AI Agent 从一次性助手变成了不知疲倦的初级工程师。
本章三条线索。第一，Ralph Loop 的起源——一个《辛普森一家》的梗如何变成了 AI 工程中的核心模式。第二，Anthropic 官方的 ralph-wiggum 插件——用 Stop Hook 实现会话内自指涉循环，目前最优雅的实现。第三，Ralph 生态中的其他实现。
自指涉（self-referential）：AI 的产出变成自己的输入。不是把上一轮的输出文本喂给下一轮——而是 AI 在文件系统里读到自己刚写的代码，发现 bug，自己修。输入始终是同一个 prompt，但 AI 每次看到的文件系统都不一样，因为它上一轮已经改过一遍了。
"The specification is the source of truth, and code derives from it — not the other way around."
规格是真理的来源，代码派生自规格——而不是反过来。——Deepak Babu Piskala, 《Spec-Driven Development: From Code to Contract in the Age of AI Coding Assistants》, 2026 年
Skill 是 AI Agent 的能力单元：一个 Markdown 文件定义一种行为，小而可组合，可复用可迭代。但多个 Skill 组合在一起时，它们之间的"合约"是什么？谁来保证 /tdd 写的测试和 /grill-with-docs 对齐的需求是同一件事？
这就是规格驱动开发（Spec-Driven Development，SDD）要解决的问题。如果 Skill 是原子能力，那么 Spec 就是这些能力之间的接口协议。它不定义"怎么做"，而是定义"做成什么样才算对"。
三条线索：SDD 的思想史（根源比 AI 编码工具早得多，但 AI 让它从学院派理想变成了工程必需品）；三个代表性工具的逐层分析（OpenSpec、GitHub Spec-Kit、AWS Kiro）；跨工具的通用原则。
三个线索汇聚到一句：规格不是在浪费时间写文档——规格是你和 AI 之间最有效率的通信协议。
本文深入分析 Matt Pocock 的 Skills 系统——目前社区中设计最精良、哲学最自洽的 AI Agent 能力单元框架之一。它不追求最大最全，但它对「什么是一个好的 Skill」这个问题的思考深度，远超同类项目。从 Prompt-Driven 到 Skill-Driven——Prompt 消失在对话历史里，Skill 留在工具链里。
"Same person. Different era. The difference is the tooling."
人未变，时代已改。拉开差距的，全在工具。——Garry Tan, Y Combinator 总裁 & CEO, 2026 年
卷首语用五个人的故事画出了一幅图景：Karpathy 半年没写代码，Amodei 预言 90% 代码将由 AI 完成，Garry Tan 的产出翻了 810 倍，Boris Cherny 不再写代码只审查代码，antirez 放下了亲手雕琢每一行的执念。这些信号指向同一个结论——软件工程正在经历自 1968 年这门学科诞生以来最深刻的一次范式转换。
本章建立理解这场变革所需的概念坐标。它是怎么一步步走到今天的？新旧范式之间真正的断裂在哪里？全书贯穿的那根主线——"用结构化知识驾驭非结构化 AI 能力"——是怎么来的？
"I don't think I've typed like a line of code probably since December, basically, which is an extremely large change."
从去年十二月起，我基本上一行代码都没写过，这是一个巨大的变化。——Andrej Karpathy，No Priors 播客，2026 年 3 月
Machine Learning Transformers LLM Neural Networks AI
本文带你走一遍 LLM 的工作原理。现代 LLM 大多是由 transformer 块反复堆叠而成的，因此理解了 transformer 机制，你就掌握了大部分。
我将覆盖现代基于 transformer 的 LLM 内部的核心机制，避开那些复杂的数学。别误会，你应该学数学，但本文可以作为一个入门。
大多数现代 LLM 共享同一套 transformer 家族的骨架。差异来自于各自的训练数据、规模和配置选择，以及在此之上的后训练。读完本文后，你应该能够阅读许多现代 LLM 论文或模型卡，并知道每个部分在讲架构中的哪个组件。
路线如下：
2026年5月28日 · Mike Piccolo, iii 创始人兼 CEO
大多数 agent 团队不构建运行时。他们采用一个。LangChain、LangGraph、OpenAI Agents SDK、Anthropic SDK、CrewAI、AutoGen——循环、工具、记忆、编排，都是作为一个单一决策从货架上挑选的。运行时是一个你 import 的框架。如果里面的什么东西不合适，你就 fork 它、跟它斗争、或者绕过它。
