早上发现Deepseek + Claude Code用不了了：API Error: 400 Failed to deserialize the JSON body into the target type: messages[1].role: unknown variant `system`, expected `user` or `assistant` at line 1 column 29561
问了一下google，是CC升级了，在里面加入了‘system’的role，而一般的第三方模型不会/来不及就它的毛病，就不支持这个role，于是报错。
没有非常好的办法。最后我选择了回退Claude Code：npm install -g @anthropic-ai/claude-code@2.1.148
但是也就是打开那一下是可以了 /exit 出来，重新进，就又变成 2.1.154了。
那每次使用都install 2.1.148再用？或者跳离它这条船。
这两天终于碰到一个。
我持续用codex为场景识别并收敛伪冲突。这几天碰到有若干个场景，伪冲突被codex收敛得很快，基本上3分钟内就告诉我，这场景的伪冲突已经清零了。
然后我每天都会让Deepseek + Claude Code帮我检查总冲突数的收敛情况。然后根据剩余的大头再委托codex去处理。
早上DS返回的结果跟昨天返回的结果类似，有些大头完全没有清理。我一开始以为DS搞错了，然后把结果给codex double check，codex一开始还是说它确实清干净了。
随着对质的深入，codex终于发现它的问题，它选了两个错误的数据域作为判断的标准，结果导致这两天的伪清零……
至于它为什么这么选，之前是没有这样做的。大模型毕竟是一种推理机制，如果KPI需要它清零，它会选择一个看上去能达到结果的判断方式，而并非费力地推导出各种机制和规则。简单来说，改测试代码，直接通过。
多模型联合工作，审核，避免偷懒，看来是必须的。
20年前，也就是2006年。我刚毕业一年，对小公司内部的政治斗争了无兴趣，就离开了。差不多时候离开的是一位斗争中无奈失败的清华校友/师兄。他之前是这个小公司的CTO，找到投资，就离开创业了——还是从事这一本行。
几个月后，我去他公司找他聊天，他给我展示他公司的管理后台，就是公司的信息系统页面（虽然他不是做IT的）。我很惊讶地发现，整个页面以及流程、模块划分，都跟之前的公司的后台系统一模一样。想问为什么，他的意思是，这毕竟不是他的主要方向，能用就用了，也省去了设计的烦恼。另外一点挺关键的，他从原公司挖了一批人，这些人也对这样的后台熟悉，就无缝过渡了。
然而我不以为然，怎么能因为使用习惯，就把这么关键的公司组织设计的工作给省略了呢？
及到我2009年又回到了之前离职的这家公司，一直做到2023年，老板说，划这部分人给你，内部创业，成立一家新公司，继续做。跟IT/财务/行政的讨论了一下，毕竟人和经验都是那样，也没必要标新立异，就把原来的系统复制一份，数据库划分一下，就可以起来了。（还有一句没有公开说的话，万一你公司做不起来，这些人也是可以直接回来的嘛）
确实，当时按这个思路走，3个月左右，就什么都畅顺了。
当然了，我整体来说是一个奥卡姆法则的践行者，既然可以省事，就没必要再发明一套，沿用旧系统和旧的组织模式是最方便的了。
直到我去年底，彻底离开了原有的集团公司和子公司。
我开始思考，组织的发展过程、组织的形态，以及AI Native的公司又该如何。
1.为什么会有公司？
公司的本质不是“一群人”，而是 “一种持续创造、交付和获取价值的机制”。工业时代之所以需要一群人，是因为信息传递和决策的带宽有限，必须靠分工和科层来规模化。但在AI时代，这个物理约束正在消失。
2.创始团队是怎么形成公司的？
随着业务的成功壮大，一部分的创始团队，也可能是夫妻档，就不得不招聘更多的专业人士加入其团队，于是就有了内部事务的划分，产品研发、市场、销售、供应链、财务、人力资源。一开始是一两个人处理某一项的内部事务，虽然事情越来越多，就需要增加人手，形成部门。
部门逐渐壮大，老板不可能直接对接到个人，于是需要有经理的出现，也就是中层干部。继续壮大，老板和经理之间的副总也出现了，经理和一线员工之间的主管也出现了。
3.什么是奥卡姆法则？
奥卡姆法则：“如无必要，勿增实体”。就是如果跟终极目的不相关的事情，不要因为纵向的历史/经验，横向的同行/对手，而引入对你没有帮助的实体。
4.什么是第一性原理？
Elon Musk提出/遵循的第一性原理，要求探讨问题的时候，关注终极的最简单的事实。然后重新设计系统/解决方案。
5.根据第一性原理，只保留核心团队/个人，核心问题是什么？
单一人类的有限认知与无限市场需求之间的矛盾。其架构必须解决：如何用一个人的“意图”和“判断”，驱动持续增长/无限规模的“执行”。
6.AI Native是什么？
人遇到的所有问题，从AI那里寻求帮助，而不是看传统的人是怎么做的。
7.AI Native 对问题5的答案是什么？
市场感知智能体取代，它持续扫描全网，输出趋势信号。客户需求 -> 需求解析智能体 -> 价值评估智能体（与人类心智层交互） -> 任务拆解智能体 -> 执行智能体集群 -> 交付验证智能体。整个过程是一个自动流转的状态机。这一段有点抽象，我再简单一点：
8.奥卡姆法则如何协助达成AI Native？
传统公司里有一堆“多余的东西”：
在AI公司里，这些东西统统扔掉：
最终AI Native公司的形态就是：
一个人类核心团队（目标/边界） + 一组自治智能体（执行/协调） + 一个共享记忆系统（数据/知识） + 一系列外部API（能力/市场）线 = 一家公司
没有其他多余的人、多余的步骤、多余的管理。
9.这样的公司如何壮大以适应更大市场需求？
不靠加人，靠加AI能力，而且让外面的人也用你的AI能力。
这叫“水平扩展”：像复印机一样复印你的AI劳动力。
这叫“能力平台化”：卖铲子比挖金子赚得多，而且规模可以极大。
这叫“递归扩张”：你的AI帮你管理一群小AI公司，你只当最终老板。
10.为何这个回答里面，有时候以一个人来表达，有时候以人类核心团队来表达？
因为一个人总揽所有业务的风险非常高，在AI自主并不成熟的时候，有可能因为人的偶尔缺席而带来严重的后果。所以考虑的是一个核心团队，能对边界作出合理的限制，也可以互为备份和补充，降低个人的偶发风险（生病 / 意外等）
（这文章并不太完善，我后续再行修改。）
昨天去看的，确实挺感人，当然了，有些细节上其实可以更细腻和温柔一点，比如最后淑柔和南枝见面的那一段，换个王家卫会拍得更好，不过大导演看不上这样的小成本电影就是了。
技巧上没太大的取巧，故事上结构上，情节上也略显老套，但胜在够真挚，演员也以潮汕草根/素人/网红为主，所以让你感觉资本的渗透不多。
想起《一个陌生女人的来信》《周渔的火车》《查令十字街84号》这些。
剧本不在乎是否重复和套路，真诚和朴素，会在标新立异的今天更值得珍视。
跟codex一样，我规划了一个我认为给予了足够信息的项目+文档，然后告诉了deepseek（+Claude Code），希望它能从头到尾解决这事情。
两天后，终于出了一些认知上的问题。
就是，不尊重我给的文档，自行用模型中内置的其他知识去替代。
错误原因只有一个：我没有读 ***** 规范中旋转矩阵的定义，直接用了我熟悉的列向量约定（OpenGL 习惯）。
怎么办？骂醒它。
我现在对于降智的codex，国产的kimi、deepseek，都用过国骂了。
codex是参与创作的时候的不足，还算是情有可原吧
kimi是一个git clean，把自己做的事情都冲掉了
deepseek则是这个，因为没有思考过程，所以感觉它就是做错了，然后说它不知道怎么做。同样的问题，kimi有思考过程，我瞄一眼也大概能知道哪里有问题，纠正起来快。
还是不敢让它们一直做到底，因为你不知道它里面有多少固化下来的微小的认知障。
最近看完了《鲁迅全集》第一卷，最熟悉的莫过去后面的《呐喊》了。
那些耳熟能详的名篇：《阿Q正传》《狂人日记》《药》《故乡》《社戏》《一件小事》
小时候觉得鲁迅杂文文字太过于刻薄，散文文字又过于精炼。等到自己4奔5的年龄，也体会到如何才是惜字如金，一点点读下来，7分感动，3分理解。
小时候外公也很推崇鲁迅，不过他不是太看好我，觉得我应该像是被鲁迅质难的那些文人（这许是我猜测的），所以我抵触，也顺带对鲁迅不给予太高的评价。
今天再看社戏，看那一头头巨兽，想起来自己的生命中也会经常遇到这种逝者如斯，天地沙鸥，白云苍狗。自感人生海海，行尸走肉也好，随波逐流也好，总是一种体验。鲁迅能被文化界普遍认可，其乡土情远大于日归气息，这助力很大。
《呐喊》也贡献了很多名词和meme，比如人血馒头，比如豆腐西施，比如假洋鬼子，比如阿Q（精神），比如回字的四种写法……
还有那些名句：
你也配姓赵？
其实地上本没有路，走的人多了，也便成了路。
窃书不能算偷……窃书！……读书人的事，能算偷么？
……
重读《一件小事》，想起今日的网络号召不要把倒下的人扶起，真是哀叹，鲁迅一百年前的文字，都白写了。
别被骗了！百鸟朝凤根本不是朝圣，是鸟类黑帮亡命追杀
你脑补的梧桐神凤、万鸟跪拜，全是古人编出来的温柔谎言。
真实的百鸟朝凤，残忍又猎奇，就是一场天空公开处刑、以多欺少的群殴追杀。
1、神话完美掩盖真相
传说凤凰救灾救众鸟，被万物感恩朝拜。
可宋代正史只冷冰冰记着：凤凰现身城楼，数百飞鸟紧紧尾随，仓皇飞向远方。
古人当成天降祥瑞，可动物学家一眼看穿：
成群鸟紧跟大鸟，从来不是臣服，是追着驱逐、死缠不放。
2、鸟类天生抱团霸凌Mobbing
自然界常态：小鸟拉帮结派，疯狂围殴猛禽。
乌鸦追猫头鹰、燕子撵老鹰，俯冲尖叫、轮番骚扰，靠数量碾压体型巨大的天敌。
温柔祥瑞？不存在。
这是鸟界最肮脏的抱团欺压，赶不走绝不罢休。
3、更阴暗反转：小鸟会借刀杀鸟
颠覆三观的野外实验证实：
白头翁遭遇天敌领角鸮，发出惨叫不是呼救同伴，而是召唤天敌的天敌——苍鹰、大冠鹫。
打不过就叫更大的狠角色过来灭口，借刀杀人，鸟界心机恐怖到离谱。
4、凤凰压根就是落难逃犯
古籍里的神鸟，大概率只是孔雀、红腹锦鸡这类珍奇大鸟。
误入鸟群领地，遭到全城鸟类围攻追杀，漫天逃窜。
历代帝王为了皇权正统，强行把狼狈逃亡美化成百鸟朝拜。
高高在上的凤神，不过是被一群小杂鸟围堵、无处落脚、亡命飞天的可怜大家伙。
千年浪漫神话，撕开真相只剩惊悚：
百鸟朝凤，从来不是朝拜。
是鸟界黑帮集结，一场血腥又荒诞的天空围猎。
AI味重不重？
很有名的书，花了一年左右的时间才看完。当然了，最大的问题是我自己，工作上经历的波动比较大，提不起心气来完成阅读。第二大问题是这本书实在是太长了。第三大问题是跨学科的知识非常多，像我这样的多知识面的人，读这种跨度大的英文书，也是挺累。
不过好在看完了。
作者比较看重的思想史上的人，因为时间太长我已经把前面的忘得差不多，只说后面的，比如马丁路德、美国那一批开国大佬、达尔文、马克思、弗洛伊德。
以前不知道为什么弗洛伊德明明理论都是破绽，历史地位还那么高，作者在讲无意识的时候，弗洛伊德总结了他之前的哲学家／思想家对无意识的各种，输出了完整的体系——精神分析学说。而无意识，又是在文学和艺术已经把古典主义浪漫主义都遍历之后，必须适应现代社会（重复是没有更多的价值），这时候暗合无意识的方式推进了更多，尤其以俄国那帮巨匠突出。弗洛伊德也为精神和科学第一次建立了桥梁……
这本书，既是思想史也是科学史，也伴随各种政治史，意识形态等等。看到知道的，自然激动，看到不了解的，先翻译一下，再看看要不要延伸查一下资料。时间就这么过去了。
该找些轻松一点的读物了。
kimi还有一个破毛病，喜欢用sed来编辑脚本。
出了几次反复修改改错代码的问题。我终于忍不住问DeepSeek为什么。
这是一个很敏锐的观察。AI（比如我）在生成 `sed` 命令时确实容易出错，主要原因可以归结为以下几点：
### 1. 分隔符冲突
`sed` 默认使用 `/` 作为分隔符，但 AI 常常忽略目标字符串中也包含 `/` 的情况。
- **错误例子**：你想把路径 `/bin/bash` 改成 `/usr/bin/zsh`。AI 直接生成 `sed ‘s//bin/bash//usr/bin/zsh/’` —— 这会导致语法错误，因为 `/` 提前结束了模式。
- **正确做法**：需要转义 `/`（`\/`），或者改用其他分隔符，比如 `#` 或 `|`：`sed ‘s#/bin/bash#/usr/bin/zsh#’`。AI 常常忘记处理这种冲突。
### 2. 特殊字符未转义
`sed` 中的很多字符有特殊含义：`.`、`*`、`[`、`]`、`^`、`$`、`\`、`&` 等。
- **错误例子**：你想替换 `IP地址：192.168.0.1` 中的 IP。AI 可能会写 `sed ‘s/192.168.0.1/new_ip/’` —— 但这里的 `.` 会匹配**任意字符**，而不是字面上的点。
- **后果**：它可能匹配到 `192X168Y0Z1` 这样的奇怪组合，或者替换失败。AI 自动生成时往往忽略对这些元字符的转义（应该写成 `192\.168\.0\.1`）。
### 3. 分组和反向引用的跨平台差异
在 `sed` 中，使用 `()` 进行分组时：
- **GNU sed（Linux）**：需要用 `\(` 和 `\)` 来转义，反向引用是 `\1`。
- **BSD sed（macOS、FreeBSD）**：基本 POSIX 模式下，`(` 和 `)` 也必须转义才能作为分组符，不过 `\1` 用法类似。
- **更混乱的**：有些脚本想用 `-E` 选项（扩展正则）来避免转义，但 AI 生成的命令常常**混用**两种风格，或者不加 `-E` 却用了无需转义的正则写法，导致报错或静默失败。
例如：想交换两个单词 `Hello World` → `World Hello`。正确的 GNU 写法是 `sed ‘s/\(Hello\) \(World\)/\2 \1/’`。如果 AI 忘记转义括号，写成 `sed ‘s/(Hello) (World)/\2 \1/’`，则完全无效。
### 4. `-i` 选项的平台差异
`sed -i`（原地修改文件）的行为在 Linux 和 macOS 上不同：
- **Linux**：`sed -i ‘s/old/new/’ file`
- **macOS**：`sed -i ‘’ ‘s/old/new/’ file` —— 必须为备份后缀提供一个空字符串参数，否则会报错。
AI 经常默认用 Linux 语法，导致在 macOS 上运行时出现奇怪的 `sed: -i may not be used with stdin` 或 `undefined label` 错误。
### 5. 边界条件与文件格式
- **缺少换行符**：如果文件最后一行没有换行符，某些 `sed` 命令（如 `$` 地址匹配）可能表现异常。
- **Windows 换行符（CRLF）**：`sed` 默认把 `\r` 当作普通字符，导致模式匹配失败（比如你搜 `foo$` 匹配不到 `foo\r\n`）。
- **空文件**：一些 `sed` 脚本在空文件上会直接报错退出。
AI 在生成命令时，默认假设一个整洁的 POSIX 文本文件，但现实中并不总是如此。
### 6. AI 的“统计学习”问题
大模型的训练数据里包含大量 **错误的、过时的、不兼容的** `sed` 示例。比如：
- 来自 Stack Overflow 上某个未被采纳的答案。
- 来自个人博客里随意测试的片段。
- 来自混合了不同 shell 环境的历史脚本。
模型学会了“最常见”的写法，而不是“在所有情况下都正确”的写法。对于小众边缘情况（如处理路径、JSON、XML），模型更容易编造一个看起来合理但实际错误的命令。
### 7. 对上下文理解不足
用户往往只说“帮我改一下这个配置文件里的 IP”，但不提供文件的具体格式、是否有特殊符号、使用的是哪种 `sed` 版本。AI 只能盲目猜测，而猜测的结果就是容易出错。
### 如何减少错误？
- **先测试**：运行 `sed` 前，先用 `sed ‘s/pattern/replacement/’ file`（不加 `-i`）看看输出是否正确。
- **告诉 AI 更多信息**：明确说明“我的文件路径包含斜杠”“我用的是 macOS”“IP 地址里有小数点”。
- **换工具**：对于结构化的文本（JSON、YAML、XML、CSV），用专门的解析器（`jq`、`yq`、`xq`、`awk`）而不是 `sed`。AI 生成的 `awk` 或 `perl` 命令有时比 `sed` 更可靠，因为语法更一致。
- **加上 `--debug`**：如果 `sed` 版本支持（如 GNU sed 4.8+），用 `sed --debug` 看它是如何解释命令的。
总的来说，不是 AI 能力不足，而是 `sed` 本身是一个非常“挑剔”、充满历史包袱和平台差异的工具。AI 擅长的是统计规律，而不是绝对正确的语法和边界条件。对于关键的文件操作，**永远不要盲目信任 AI 生成的 `sed` 命令**。明白了，于是让Kimi把不用sed写到AGENTS.md里。
在调试过程中，我让kimi帮我checkout回git的最新版本。
然后发现它给我git clean了，于是一大堆untracked的目录被干掉了。骂了它十几句。
得到的结果就是我以为，对不起，有没有Time Machine，很废。
于是我告诉它不要用git了，除非我命令它用。
好在前两天都及时git commit过了，损失不算大，就是10美元额度能追回的事情。
有点心理阴影，还是让codex去恢复/重做这些untracked的事情了。