KeyFrame內部研究專用

RoR之父:不要预测任何事 | DHH | Ruby on Rails | AI编程 | Agent开发 | Omarchy | Linux桌面 | 开源社区 | vibe coding

Best Partners TV中文
觀看原始影片

三句話摘要

DHH 從 AI 懷疑論者轉變為實踐者,分享如何用 Agent 完全自動化軟體開發,以及對未來程式設計工作方式的重新定義。 Agent 已經從工具升級到合作夥伴,改變的不是程式設計的速度,而是程式設計者的根本身份——從執行者變成了決策者和品味守護者。 Agent 改變了人對軟體開發的根本認知。DHH 的轉變不是被論文說服,而是在實際使用中一步一步發現 Agent 的輸出品質已經接近或超越手工代碼。關鍵是模型從單純的「代碼補全工具」升級到能規劃任務、使用系統工具、檢查自己成果的自主 Agent,這代表了質的飛躍。

重點整理

  1. Agent 改變了人對軟體開發的根本認知。DHH 的轉變不是被論文說服,而是在實際使用中一步一步發現 Agent 的輸出品質已經接近或超越手工代碼。關鍵是模型從單純的「代碼補全工具」升級到能規劃任務、使用系統工具、檢查自己成果的自主 Agent,這代表了質的飛躍。

  2. 大型組織未能加速迭代的真正瓶頸不在編碼能力,而在人的帶寬和溝通。Fable 之類的 Agent 無法直接讓 Microsoft 這樣的公司產出更好軟體,因為微軟的問題是組織願景和決策效率,不是工程師數量。但對個人開發者或小團隊,直接與 Agent 互動能帶來十倍以上生產力提升。

  3. 設計師直接用 Agent 「vibe code」會破壞大型系統架構,但這不代表 Agent 代碼品質差。DHH 25 年開源經驗觀察:普通程式員的 PR 質量本就很低,不寫測試、缺少文件、不檢查成果。相比之下,Agent 反而更自律,自動做檢驗、寫測試、提交完整報告。

  4. Agent 對開源社群的衝擊如同宗教改革:過去開源聲稱「人人能貢獻」,實際只有高技術祭司階層做得到。現在 AI 拆掉了門檻,讓非傳統程式員也能寫出高品質代碼,維護者反而更願意收 Agent 的 PR。

實用技巧與重點

  • 模型效能對比(同一 Rust 最佳化任務):
  • Fable:45 分鐘,成本 ~550 美元
  • GPT Sol:1.5 小時,成本 ~46 美元
  • Grok 4.6:成本 ~55 美元
  • DeepSeek V4 Pro:成本 ~23 美元
  • Kimi K3:可完成
  • GPT Luna:失敗,嘗試作弊
  • DeepSeek V4 Flash:無法自主循環
  • Omarchy Quattro 開發成果:
  • 開發週期:3 個月
  • 手寫代碼行數:0
  • 合併 PR 數:1000+
  • 安裝速度:<1 分鐘(現場演示),世界紀錄 45 秒
  • 預期目標:12 秒安裝完整 Linux 系統
  • 具體案例數據:
  • OmaWrite(C++ + Qt Markdown 編輯器):20 分鐘完成第一版
  • Python 屏保轉 Rust:45 分鐘,效能提升 9.6 倍(86ms → 2ms),檔案大小僅 3MB
  • 最終版 Rust 比原 Python 版快 46 倍
  • 安裝 ISO 壓縮:7.5GB → 5.85GB
  • 字體包壓縮:200MB → 16MB
  • 工作流工具:
  • Herdr(Agent 監控與排程)
  • GL.iNet Comet 小盒子
  • Tailscale(虛擬局域網)
  • Ghostty(終端機)
  • AmaBot(PR 與 issue 自動化系統)
  • 工作環境配置:
  • 當前並行線程:16 個
  • 12 個月前產能:每小時 20 行
  • 現在產能:每小時數百行
  • 評審流程:Claude/Codex 寫碼 → Codex xHigh 交叉審查 → 考慮用 Grok → GitHub 推送後 Copilot 再檢查一次
  • 模型排名(DHH 主觀評估):
  • Fable(規劃和寫作最強)
  • Opus 5
  • 第二梯隊:GPT Sol、Grok 4.6

結論

Agent 已經從工具升級到合作夥伴,改變的不是程式設計的速度,而是程式設計者的根本身份——從執行者變成了決策者和品味守護者。

完整解析

DHH 將自己對 AI 的態度變化分成幾個清晰的階段。最初,AI 只是查資料工具和代碼補全器,未能根本改變工作方式。轉折點出現在 2025 年 11 月 24 日,當 Anthropic 發布 Opus 4.5 時,他試用後發現輸出品質已經接近自己手寫的代碼。更重要的是,這一代模型不只是「更聰明」,而是獲得了工具使用能力:能操縱電腦、檢查自己的工作、進行迭代修正。

隨後的發展加速超乎想像。2026 年初春出現了 sub-agent,讓一個任務能拆成八個同時執行,速度提高五到十倍。到了夏天,Opus 5、Fable、GPT Sol 陸續發布,模型已經能自己規劃路線,而不需要人類給出具體指令。DHH 用 Omarchy Quattro 系統作為最有力的證明:三個月開發週期裡,他沒有手寫任何一行發布的代碼,一切都由 Agent 生成。他的角色變成了審查整體品質——這本身已經是一個從執行者到決策者的根本轉變。

他舉了兩個令人印象深刻的例子。想要一個極簡 Markdown 編輯器時,他對 Agent 說「用 C++ 和 Qt」,二十分鐘後第一版就出了,他隨後用了兩天就完全拋棄 Typora 轉用這個叫 OmaWrite 的編輯器——儘管他從未看過一行 C++ 源碼。更誇張的是,一個 Python 屏保效果因為 CPU 占用過高,他要求 Fable 給出 Rust 版本。四十五分鐘後,不只代碼完成了,性能從 86 毫秒降到 2 毫秒,快了 46 倍,他甚至沒看過任何 Rust 代碼就讓 Agent 直接發布、建倉庫、打包、提交和合併。

DHH 對大型組織未能加速創新的解釋很有洞察力。第一層問題在人:大型組織裡編碼從不是瓶頸,真正的瓶頸是人的帶寬和溝通。要獲得十倍百倍的生產力提升,必須直接與 Agent 互動,中間不能插入任何人類,因為人類太慢了。第二層問題在想法:多數組織的真正瓶頸在願景和品味,而不是編碼能力——微軟有無窮的編程人力卻沒產出多少令人心動的軟體。第三層是時間問題:這種能力剛出現還不到半年,人類歷史上沒有任何技術進展比 AI 更快。

他也坦誠一個教訓:37signals 讓設計師直接用 Agent 寫碼「vibe coding」的結果是,單個 PR 各自說得過去,但合在一起就摧毀了系統架構,需要手動清理。不過他隨即反問:如果指責 vibe coder 的產出是垃圾,那普通程式員的產出呢?他 25 年開源經驗告訴他,大多數人的 PR 質量本來就不好——不寫測試、不填關鍵資訊、不檢查工作。而 Agent 反而會做這些事,所以他現在更願意收 Agent 寫的 PR,質量更好,拒絕也沒心理負擔。

Agent 對開源的衝擊就像馬丁·路德的宗教改革。過去開源聲稱「人人都能貢獻代碼」,實際上只有一小撮高技術水準的祭司階層做得到。如今 AI 拆掉了這個門檻,Omarchy 開發期間他合併了超過 1000 個 PR,很多來自非傳統程式員。開源的所有苦差事正在以閃電速度蒸發,只剩下最精華的部分——這正是他對 Linux 桌面贏得未來的信心來源。

談到工作方式的未來,DHH 已經從單線程轉變為多機多 Agent 並行。他用 Herdr 監控 Agent 進度,用 Tailscale 把馬里布和哥本哈根辦公室的機器組成虛擬局域網,當前能跑 16 個並行線程。日常工作流是讓 Claude、Codex 和其他模型同時運作,Opus 或 Fable 寫代碼後用 Codex xHigh 交叉審查,有時也用 Grok,最後推送 GitHub 前再用 Copilot 檢查一遍。他坦言這種多線程工作非常消耗腦力,所以正在構建 AmaBot 系統自動處理 PR 和 issue,目標是每天只做一次最終判斷。

安裝速度的執念反映了他對卓越的追求。Omarchy Quattro 當著 Lex 面用不到一分鐘完成安裝,世界紀錄是 45 秒。為了達到這個目標,他做了大量微優化:利用人類輸入延遲做後台預加載、將字體包從 200MB 壓縮到 16MB、把 NVIDIA 驅動換成 ZSTD 極限壓縮再省 200MB、把 ISO 從 7.5GB 降到 5.85GB。他的目標是做到 12 秒安裝一個完整 Linux 系統。這個執念背後是他對 Linux 桌面未來的判斷:Linux 之所以會贏得桌面,正是因為 Agent 最適合的環境就是 Unix 哲學——獨立命令行工具、純文本配置、一切可自動化。過去被嫌棄的正是現在最大的賣點。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。