0813 | Grok 4.6发布评测、SQLite WAL老Bug、AI冲击工程中层、Lovable 4亿美元融资

林岚: 欢迎收听 HackerNews 每日沙龙，我是林岚。

陈序: 我是陈序。今天有一条备受关注的消息，Grok 4.6 正式发布，官方称这代模型重点瞄准了长时运行的智能体，以及更复杂的交互和视觉任务，第三方评测也给出了相当高的智能指数得分。

林岚: 此外还有几个值得留意的讨论：有人围绕一个存在了十六年的 SQLite 底层 bug 写了两篇关联文章；另一篇观点认为 AI 正在加速淘汰工程文化薄弱的技术团队。

陈序: 今天还会聊到一笔大额融资，DeepSeek 的新模型，以及开源屏蔽广告工具放弃在 Facebook 上继续拦截的讨论。当然也少不了本周在技术圈引起热议的其他话题，一起进入今天的节目。

林岚: Grok 4.6 昨天正式发布了，SpaceXAI 这代主打的是更长的自主运行，也就是让智能体能连续干更久的活，同时把复杂的交互和视觉任务也一起覆盖了。Artificial Analysis 的智力指数给了它 61 分，正好和 GPT-5.6 Sol 并列，比上一代 Grok 4.5 高了 5 分，不过还是比 Claude 的顶级版本低两三分。

陈序: 有意思的是它在智能体评测上特别能打。在 GDPval 这类真实任务排名里只落后 Claude Opus 5，跟几个一线模型基本持平；银行业务这种需要多轮对话的场景排到前二，终端操作类任务也跟领先模型打平。而且它完成一个任务平均只要五十多轮对话、大概五亿个输入 token，相比之下 Claude 顶级版要跑一百多轮、用掉二十亿 token，差距相当明显。

林岚: 成本也是这代最亮眼的地方。定价保持每百万输入输出 token 两美元和六美元不变，缓存命中还更贵了一点。算下来每个任务平均成本 84 美分，跟 Kimi K3 一样，比 Claude Opus 5 和 GPT-5.6 Sol 便宜百分之六十多，基本上坐稳了智能和成本之间的最优平衡点。上下文窗口还是五百 k，没有变。

陈序: 官方也公布了一批自己的成绩，比如代码游标类的评测拿到 69.9%，压过了 GPT-5.6;但深度软件工程这类长任务的分数反而比对手低一些。整体来看，它的卖点很清楚:编码和真实任务上足够快、足够便宜,把成本和效果放在一起算,确实划算。所以 Hacker News 上的讨论几乎全在聊值不值:有人算了一笔账,说 Cursor 上开个低档套餐就能放开用 Grok 和它自己家的智能体 token,配合两级架构,稳定性更好;也有人觉得现在 Grok 每一轮花的 token 更少、代码质量还更高,性价比已经超过了 Anthropic 那套。

林岚: 这期有两篇作者互相关联的文章,都指向同一个藏在 SQLite 里十六年的老 bug。先说 Tailscale 这边的经历:去年八月,他们的备份管道从云存储读回快照时报错,一查发现数据库损坏了。接下来六个月里,同样的独立损坏事件出现了十九次。Tailscale 的控制平面是按分片拆开的,每个分片就是一个独立的 SQLite 数据库,由单个 Go 进程独占访问,而且要一直跑到 2022 年之后才逐步换成 SQLite 当主力数据库。

陈序: 为了追这个 bug,他们专门给 SQLite 的文件系统层写了一个调试工具,就是插在虚拟文件系统层中间的垫片,用来观察读写。而另一边,Antithesis 的作者 Carl Sverre 度假时在手机上让 Claude 拿来了还有 bug 的旧版 SQLite,在 Antithesis 的测试平台里插上断言,然后写了一个他自称完全通用的工作负载——就是多个进程同时写库、让写入在日志里堆积,同时并发跑 checkpoint。结果第一次运行十五分钟就逮到了这个 WAL-Reset bug,换到修复后的版本就干净了。

林岚: 这里的关键是,SQLite 团队以前一直说这是个对时序要求极其严格的数据竞争,正常使用几乎不会碰到,开发者本人也没能天然复现出来,得专门写测试逻辑才能验证修复。所以争论的焦点就成了:这到底算不算真的复现,还是事后诸葛亮。有人说文章是修复之后才发的,行为早就被说得明明白白,照着重现当然不难;Carl 反驳说这个负载完全是通用的,就是他们天天拿来破坏各类事务系统的同一套压力测试,不依赖对这个 bug 的任何特殊了解。

陈序: 但也有评论指出,作者提前知道写和 checkpoint 交互里有 bug,这就决定了负载的形状——而这种负载其实很不常见,Tailscale 那篇博客也提到用了自定义的不寻常配置才产生大量 checkpoint。所以有人觉得,要是能用同一套方法找到一个全新的、没人知道的 bug,那才真正厉害;否则更像二十二十年的回头眼光。评论区还有人问,要是根本不知道 bug 藏在 SQLite 哪个子系统,定位难度有多大。Carl 解释,他们的通用做法是在状态机各处埋可达性断言,再交给平台去压力测试,专挑 WAL 代码里最容易出错的部分。

林岚: 而在 Tailscale 那篇帖子底下,讨论转向了公司资助开源这件事。有人专门点赞 Tailscale 出钱开发了一个非常具体的新调试工具;也有人引用原文说,因为这不是一个快而容易的修复,他们去找 SQLite 开发者买了专业支持合同,直接接触专家——先花钱解决问题,再花钱让未来的问题更好规避,这种长期思维在业界确实少见。

林岚: 顺着这期的话题,有一篇很有名气的博客文章,标题叫《AI 正在移除软件工程的中产阶层》,核心主张说得很直白:AI 会让工程文化本来就不强的项目,失败得更快。文章用了一个很写实的场景开场——某个周一早上要审七个合并请求,第一个就是一口气加了两万四千多行、删了近四千行,还附了一段 AI 生成的说明。整支团队从周五以来做的改动,比过去几个星期还多。作者点破一层道理:AI 搬走了速度的限制,但对没受过训练的眼睛来说,它看起来是有效的。

陈序: 这个判断其实是很多人的第一反应:以前大家会坐下来讨论方案怎么做,现在对着智能体提示几个小时就能直接开 PR。最可悲的是它看起来确实有效——拉个分支测一测,能得到还能用的东西,于是大家继续这么干,直到最后没人知道整个系统是怎么运作的。有人反问,这难道不是跟所谓的更快失败正好相反吗?它反而让本来在前几关就会放弃的人深入进去,误以为能靠提示词把烂摊子走出来,结果雪球越滚越大。作者本人也承认,现在团队快到没人有机会在伤害叠加之前拦住他们,只会更深、更快地陷进去。

林岚: 那“伤害”到底是什么?评论区有人把舆论转向了 Oracle 那条新闻,说任何短期的收益都是长期痛苦的处方。不过也有人纠正说,Oracle 禁止 AI 代码是版权原因,不能拿来当成对模型实际产出的评价。还有人把 Oracle 禁令的三个理由总结了出来:大语言模型能瞬间吐出一大堆看着合理但其实是错的代码,会把人类审查者淹没;很多公司重度依赖 JDK,稳定性优先;AI 生成提交的版权归属在法律上还没有定论。有意思的是,他们旗下的 GraalVM 政策反而更像 Linux 内核——允许 AI 提交,但人类提交者要对内容负责。

陈序: 也有人替小公司说话:如果一个创业公司在竞争激烈的垂直领域靠代码生成更快上市、更快找到市场契合点,哪怕以后再重写,是不是仍然是巨大的胜利?作者回应说,债务就是债务,有些债务绝对值得承担;只要理解其中的权衡、并且有明确的偿还计划,他并不反对有意的债务。文章最后把失败定义成一种集体行为——开两万五千行合并请求的人应该早一点停住智能体、看清它在干什么、把任务拆小并质疑新的抽象;审阅者也本该拒绝审这么大的 PR。技术债务本身不总是坏事,关键是你得知道它是条捷径;但回滚糟糕的决定很难,因为一旦 LLM 帮你在十分钟内加了几张表几列,数据开始存进去,你就不能直接删掉——你得写迁移计划、保证不干扰每天靠它赚钱的系统,还得考虑迁移失败和孤立外键。

林岚: 最后来说一个融资消息,面向不那么专业的开发者的 AI 建站工具 Lovable 宣布完成四亿美元 C 轮融资,估值来到一百三十三亿美元,领投方是 Menlo Ventures,EQT 旗下的欧洲基金联合领投,腾讯也在亚洲新投资者名单里。公司给了一组很惊人的数据:自 2024 年 11 月上线以来,用户创建的的项目数超过六千万,用 Lovable 建出来的应用每月访问量超过九亿次。财富五百强里约三分之二的企业员工都已经接触过它。

陈序: 产品这边,自从上一轮融资之后,它新增了支付功能、SEO 和面向 AI 搜索的优化,还有和几个主流平台的深度集成,并拿到一个号称是首个面向 AI 代理的安全标准认证。用户调查显示,近八成用户正在构建自己希望能变现的业务或副业,其中超过三分之一已经真开始赚钱了。案子也很有代表性:有人用它做时尚发现应用,每月省下两万五到三万英镑,还完成了三百万英镑融资;巴西一家五十多人的公司用它搭了 CRM、财务工具和一堆网站,服务超过一千二百家客户,今年有望做到一亿雷亚尔收入;还有家护理平台的产品副总裁一个周末就搭出了一款企业级产品,之后整个公司两百多人铺开来用,核心平台重建速度快了十二倍,还准备淘汰掉十个 SaaS 系统。

林岚: 不过 Hacker News 上的分歧很明显。有人直接问,现在还有人用 Lovable 吗——说它在 Claude Code 和 Codex 这些工具流行之前确实很火,但如今连非工程师都转向那些了。也有人在用它做一款点击式冒险游戏,只是目前只支持德语、还在早期;还有人反馈移动端有 bug,横屏会放大、按钮消失,进游戏甚至会被踢回首页。另一方面也有人替它说话:就算自己天天用 Claude Code,Lovable 依然是拿到登录系统和数据库最快的办法,特别适合做真正的 MVP。针对一百三十三亿的估值,有人质疑它可能更多建立在影响力和眼球上;也有人指出这类工具的市场大多没有护城河,二级市场也很少有人谈论早期资金是否已经退出。

陈序: 综合来看,这场争论其实把 AI 建站这个赛道的一个核心矛盾摆在了台面上:一边是融资和用户数据都在膨胀,一边是工程师社区对它的怀疑。但无论分歧多大,一个事实很难绕开——Lovable 已经让一大批不是程序员的人第一次有能力把完整的网页应用跑起来,而且数据证明其中相当一部分人正在靠它赚钱。至于这个估值是泡沫还是合理定价,那就留给时间慢慢验证了。

陈序: 先看 DeepSeek 这边。OpenRouter 页面上指出，DeepSeek V4 Pro 的正式版本标注为 8 月 12 日发布，是一个大规模混合专家模型。单看标价，输入每百万 token 四毛多美元，输出八毛七，差不多是输入的两倍。上下文窗口超过一百万 token，单次最多输出三十多万 token。需要注意的是，页面说它目前只由一个提供商托管，请求会被直接转发，而且存在缓存和折扣，所以用户实际掏的钱一般比标价低不少。

林岚: 那在 HN 的讨论里，大家拿它跟谁比？有网友引用 DeepSeek 的定价文档说，它跟 Opus 4.8 有一拼，但弱于 Sol 或者 Fable，而价格大概便宜二十倍。也有讨论把它跟更新版的 Flash 对比——另一个人答，Pro 大概能好五个百分点左右，比如 87% 对 82%。更直观的是有人在第三方平台上跑过代码审查这类任务，说 Pro 明显比 Flash 好得多：Flash 一开始错误多、得反复检查，输出量常常是 Pro 的五倍，还会先断言有 bug 或者代码编不过，再说一句「等等，我重新看一下」，最后才能给对结果。

陈序: 定价上有个很关键的提醒：比 token 价格之前，还得看每个任务实际花多少钱。有人估算，算上 DeepSeek 缓存量大得多的因素，自己 Sol 用量的等效成本大概是每月四千到八千美元。还有人引用开源的编码数据，做了个典型拆分——每请求输入七百多、输出快三百、缓存读八万多，算下来每请求成本不到千分之一美元，折算成 Opus 的成本、再算上缓存读折扣，大约是便宜六十倍。也有人顺着问：如果每月两百美元的订阅能顶一万六千美元的 API 成本，那被补贴的模型是不是在价格和智能上都碾压一切。另一边有网友提醒，DeepSeek 的模型普通人能自己在本地跑或者租 GPU，而 Sol 或 Fable 不行。这几条合起来，Pro 实际对普通用户更友好的地方，可能不只是标价，而是缓存和可自部署这两点。

林岚: 再看德国那边，数字权利组织 HateAid 向法兰克福的数字犯罪检察部门提交了刑事控诉，针对 Meta 和在德国卖它 AI 眼镜的公司，理由是设备违反隐私法律。控诉特别点名了 Ray-Ban Meta Wayfarer 这个型号，对象包括 Meta 管理层、镜片厂商 EssilorLuxottica 旗下做 Ray-Ban 的部门，以及几家零售商，像 Fielmann、Apollo-Optik、Mister Spex 和 MediaMarkt。HateAid 的总经理说得很直接：智能眼镜让人无处可逃，你随时可能被拍下来、曝光到网上。控诉依据的是一项联邦数据保护法，它禁止销售目的在于让人毫无察觉被拍摄的通信设备。

陈序: 检察部门确认收到了控诉，会例行先看看有没有深入调查的理由。MediaMarktSaturn 说会严肃对待，供应商有合同义务保证产品合法；Mister Spex 则还没被正式通知。HN 讨论里大家把法律核心拆得很清楚——焦点在于，录音设备必须能被识别成在录音，而眼镜不在公认的视频或拍照设备的范畴里。争议的实质，其实是这个型号看起来太像普通太阳镜了。有人反驳说指示灯已经够清楚，但另一边说你正对强光、不直视的时候根本看不到灯，举着相机拍和戴眼镜拍是完全两回事。还有人提议播放老式胶片转动的声响作为提示。而不管录不录，眼镜都在向 Meta 回传数据，所以有人干脆说自己会继续对戴着它的人表达不满。

林岚: 有网友引用 GDPR 的通知要求和欧洲数据保护委员会的视频录像指南，指出第一层警告标识应该在进入监控区域前、大约人眼高度的位置清楚可见，不必暴露摄像头在哪，但要明确监控范围和情境。而且家庭豁免或者新闻目的可能让 GDPR 不完全适用。也有人提到，新闻报道里已经有女性在没同意的情况下被拍、还上了 TikTok，所以有人在等第一起针对 Meta 的诉讼。接下来值得留意的信号，就是检察部门会不会展开深入调查、Meta 会怎么辩护，以及围绕未被察觉拍摄的第一起针对 Meta 的诉讼会不会出现。

陈序: 还有个消息是，广告拦截插件 uBlock Origin 放弃在 Facebook 上屏蔽广告了。HN 上这条讨论挂的要原文章节目前只能看到一个验证页，正文读不到，但评论区里真正的分歧集中在 AI 对广告拦截未来的影响上。有网友认为，一旦大模型处理实时图像够快，苹果或者任何厂商都能推出直接遮掉所有广告的浏览器渲染引擎，浏览器广告业务就进入末期了；还有人附和说，这是唯一让他真正为 AI 兴奋的用例。另一边就反驳说这种看法太天真——更可能的情形是，AI 被用来以用户无法移除的方式在网站上添加或替换广告，而用户在自己浏览器里跑 AI，会被以「确保安全浏览体验」为由禁止掉。

林岚: 围绕苹果的讨论也是两极。有人指出 Safari 连内置的广告拦截器都没有，而且这么做可能跟苹果和谷歌之间利润丰厚的搜索交易相冲突；还有提醒说，苹果自己也在卖广告，而且越来越在自己的界面里卖。也有人觉得，苹果那个干净的声誉，其实只是以一层薄薄的间接方式参与监控生态造成的错觉。另一边则反驳，Safari 是第一个削弱广告拦截器的浏览器，走得比 ManifestV3 更远；但也有网友说 Safari 的广告拦截器对自己工作正常，只是不如旧版的 v2 灵活，远谈不上被削弱。监管这块，有人提出，人类必须能辨别某段内容是广告，这几乎是普遍的法律要求，一旦破坏就会惹麻烦；可也有人质疑这类规定到底有没有执法，并举了 Reddit 上机器人和推广内容的例子；还有人表示自己的印象是美国对广告几乎没有法律限制。

林岚: 还有一条 Hacker News 上的主线，讲的是有人正以伪装成 AI 机器人的方式做大规模漏洞扫描，比如冒充 ClaudeBot 这类用户代理。数据来自一个叫 Agentic Web Index 的统计，覆盖五千多个网站：机器人占了访问流量的 35%，比前九十天降了两个点；机器人流量里跟 AI 相关的是 28%，涨了十一个点；而 AI 聊天给人类访问带来的引流只有 0.1%，还在降。流量的代理类型里，搜索引擎爬虫最高，然后是 SEO 爬虫、AI 搜索爬虫、开发者助手、AI 数据抓取；头部用户代理里有 bingbot、Googlebot、AhrefsBot，还有 ChatGPT 和 Claude 的爬虫。

陈序: 讨论里最早提出的怀疑是，表里很多用户代理是伪造的，得查 IP 背后的网络归属。有人试过屏蔽大多数 VPS 提供商之后，伪造机器人基本消失，但流量还是会从住宅和手机 IP 过来——所谓 reader 其实常是多用途代理，而且不建议信任链接里的源码，应该反编译手机真实运行的代码丢给 AI 分析。作者证实，这些访问正是伪造 UA、过不了 IP 校验的流量，而且近一周大量网站同时激增，有人猜是某个新漏洞公布后被批量探测，但得看请求的 URL 才能判断。

林岚: 归因这块也有很重的警告：出境光缆可能被截获，攻击者能注入任意的源 IP，ISP 没法证实对端真的收到了来自某国的包，所以所谓中国或俄罗斯的归因基础很不牢靠。反驳的人说，多数国家并不是只有单根光纤，堵不住入口和出口的话，探测包会带着后散射证据回到来源地。防御侧，有人想从 nginx 或 caddy 这层拦掉 VPS 来的请求，但也提醒合法用户也会用非住宅 IP。付费的分级 IP 数据能用来直接返回 403，但一年只要四万美元；也有人自己搭了开源的蜜罐来收集扫描、生成黑名单。还有个务实的做法，用年费约两千美元的小厂数据库加 Claude 搭 ASN 分类系统，对可疑流量用 Turnstile 挑战关卡，认证用户几乎不受影响，已经滤掉了大约 20% 的流量——但他也承认 Turnstile 本身就是机器人重点攻击的目标，下一步打算换成自研方案。到这里还没解决的问题，一是这波扫描到底跟哪个漏洞有关，二是请求 URL 的统计结果，三是 IP 归因到底有多可靠。也就是说，现在能做的防御，本质上是拿成本和误伤换一点干净。接下来的内容里还有新消息等着我们。

陈序: Gowers 在他那篇文章里说，OpenAI 宣布解决数学与理论计算机科学十大难题几天后，他注意到最引人注目的那些被解问题，几乎全是找反例，而不是做证明。他点名了两个：一个是首次构造出非 sofic 群，被一些报告称是群论里最重要的未解问题之一；另一个是证明多色 Ramsey 数 R(3,3,…,3) 随 k 超指数增长，这是 Ramsey 理论里长期悬而未决的问题，他原本不预期在有生之年能看到结果。

林岚: 所以他觉得这些结果格外令人印象深刻，但同时提醒，如果把"LLM 特别擅长找反例"这个说法当真，还得把它讲清楚。他提出两件事：一是界定什么算"找到反例"，二是解释为什么 LLM 偏偏适合这类问题。另外，如果模型真的在所有数学方面都强过人类，那巨大的速度优势本该带来更多成果洪流，但似乎并没有。

陈序: 不过这条线索后来在讨论里走了岔。有评论者分享了自己建的评测：让模型给某个特定欧洲国家的特定 IT 领域去调研自由职业咨询机会，结果模型完全误解了任务——先返回了永久职位，还按机构所在国而不是请求国来给结果，比如明明要找爱尔兰的 IT 职位，自由职业机构却在伦敦。他认为模型没展现出可称之为智能的东西，对代理应用完全没用，而且即便有一个代理层能消掉大部分错误，剩下的那约百分之五的幻觉还是会层层叠加。

林岚: 马上有人反驳说，这个提示人类也可能读成包含邻近国家的机会，模型还不能读心；也有人指出搜索索引不实时，所以找不到当前项目，这只是工具问题。还有一位做招聘的人分享了第一手观察：用 LLM 处理招聘的人都有同感，职位要求学士学位时模型会拒绝硕士申请者，要求三年经验就缺了"要求可能离谱、其他技能组合能弥补"的上下文，而且大约八成收到的简历明显是幻觉产物，成就都是从职位描述里复制粘贴的，甚至有人声称在某个技术出现十年前就在大厂做过它。所以讨论最后落在了这个分野上：定理证明是一回事，真实世界里的代理任务是另一回事。

林岚: Andrew Wheeler 以专家证人的身份参与了 Schmidt 诉诺福克市那桩案子，他跟司法研究所合作。判决虽然是原告败诉，但判决书里有一句很关键的话，大意是：至少在弗吉尼亚州诺福克，今天不是车牌读取器监控过于侵入、违宪的时候。也就是说法院把问题留给了"什么时候"，而不是"要不要"。

陈序: 他认为在现有判例法下，只要摄像头遍布每个路口，对历史 ALPR 数据的搜索就会被视为一次搜索，问题不是是否而是何时。他区分了两种用法：主动标记是车辆被盗时路过立刻告警，历史搜索则是查某块车牌过去三十天的轨迹。他觉得后一种历史搜索要求搜查令，并不会严重妨碍警方办案，而且现在不保留数据的做法其实"非常糟糕"，它并不能阻止非法搜索。

林岚: 讨论很快滑到了"车牌读取器"这个叫法本身。有人指出，这些本质上就是通用、可联网的摄像头，固件随时能被有权限的人重新编程，门铃摄像头后来被纳入大规模监控网络就是个先例。也有人反问，按这个逻辑，买一台电脑是不是也要背景审查？又或者这只是语言没跟上技术——法律术语在法院里一样滞后，并没有恶意。

陈序: 但另一边觉得这个措辞本身就在服务现有权力结构。有人把它叫作"解除民众武装"，因为"车牌读取器"听起来比"大规模监控设备"不吓人；还有人预测这类系统或它的后继者，用不了多久就能识别人脸、步态。一个温和的提醒是：比杆上摄像头强大得多的监控设备——智能手机——其实人人都在用，公众对隐私的焦虑可能随政治周期转移。Wheeler 的主张是让各州用州法规强制搜查令程序，他还估算每台 ALPR 相机远低于三千美元，但整体上减少犯罪的证据目前只算"还行"。

陈序: Qwen 新发的这个 MoE 模型把讨论焦点全放在了规模上——总参数 2.4 万亿，激活时只有 95 亿。有人估算无损版本大约五点几个 TB，也有人给出更精确的数字：BF16 无损版约四点九个 TB，而 1bit 量化版大约四百个 GB，说它把 Opus 4.5 级别的东西带到了普通人买得起的机器上，模型卡自称性能介于 Opus 4.8 和 Fable 5 之间。

林岚: 不过开源版其实去掉了视觉能力，上下文限制在二十五万，没有开箱即用的 DSpark 或 DFlash 支持，但带着 MTP。有人立刻说，他之前把 Qwen 3.5 的上下文扩到六十万、稳定在四十八万左右，所以期待有人给这一代接上新的视觉塔把视觉恢复回来。

陈序: 关于拿 1bit 量化版跟完整模型比性能，评论里有交锋。有人说这是误导，应该按你的硬件选合适尺寸的模型；支持的一方回应，超大 1bit 模型和无损模型的 KV 散度通常在百分之五十到六十以内，因为权重拓扑本身就带着编码信息，所以更扛量化损失。还有人拿 DeepSeek 那个小的 flash 模型做对比：它无损跑出来大概每秒八十个 token，评测下来约为 Sonnet 的水平而不是 Opus 4.5，所以有人觉得 GLM 那代更强。也有提醒说，某些专业显卡走不了 NV-Link，通过 PCIe 总线同步的成本大约要高七倍。

林岚: 最后落到一个朴素的选型问题：有一百个 GB 的统一内存，到底该选量化的大模型，还是没量化的小模型？有人给出的经验是，量化模型通常很少做基准测试，但一般来说四 bit 的量化模型比更小的模型用八 bit 表现要好。也就是说讨论从头到尾没有离开"多大才能装下"这件事。

林岚: Google 这周官宣了 Pixel Watch 5，主打 Gemini 智能、主动免提协助和最准的 GPS 跟踪，还加了一个新的 Health Guardian，里面包括行业首个呼吸紧急检测——如果佩戴者没有响应，手表可以主动呼救——外加血压、睡眠、代谢健康的月度趋势摘要。官方说它比前代更快，八月十二号开始预购，二十号全面上市。

陈序: 但评论区几乎全在盯一个问题：三十小时续航。有人直接说这是他的 deal breaker，因为自己的佳明手表能撑两周；也有人从佳明换到苹果手表后觉得其实没差，给手机、手表、耳机充电已经成了每晚的例行清单。另一个视角是看用途：有人重视睡眠跟踪和静息心率、心率变异性，把它们当成过度训练的早期信号，而夜间佩戴正好是测睡眠的前提。

林岚: 有人的上一代 Pixel Watch 电池几乎撑不过一天，当初是因为捆绑折扣才买的，不会再买了，也怕睡前忘了充电、半夜没电。还有人干脆不愿意给苹果手表充电，希望要么免摘充电，要么两小时内充满。反面例子是一位四年的华为手表现在还能续航两到三周，他觉得简单系统更耐用，而 Wear OS 和苹果同类最多一两天。

陈序: 也有人针对官方宣传的睡眠功能提出了具体质疑：官方文案说睡眠阶段检测更准百分之十五、就寝时自动暂停有声书、还有 Smart Wake 叫醒——既然这些都开着，那三十小时电池到底怎么够用？支持者说靠碎片充电，每晚充五到二十分钟，早上洗漱再补一次，几乎从不满电但从未没电。至于那个"百分之十五更准确"，官方并没有说明比较基准，跟哪一代、跟什么产品比都不清楚。还有一个小提醒：大家期待第五代延续第四代的易换电池设计，但官方目前没有确认这一点。

林岚: 其实今天 Hacker News 上围绕一篇博客吵得挺热闹，核心是一个很反直觉的主张：与其让服务器发来一堆数据、由浏览器里的 JavaScript 再拼装成页面，不如干脆让服务器直接把渲染好的 HTML 发过来，前端就只负责一件事——把它放到该放的位置。省掉了 API、省掉了数据契约，甚至几乎不用前端框架。

陈序: 这套思路其实不新鲜。作者列了几种做法：走普通 HTTP 请求的 htmx 和 Unicorn，走 SSE 单向推送的 Datastar，还有走 WebSocket 双向长连接的 Phoenix LiveView 和 Django LiveView。它的源头是 Chris McCord 在 2019 年的 ElixirConf 上，用十五分钟现场搭了一个实时 Twitter 克隆。

林岚: 不过评论区分歧明显。有人直接质疑，说这不就是用更多步骤发明出了一个传统多页面网站吗？但马上有人反驳，说这其实是服务端渲染加局部页面更新，能拿到九成 SPA 的好处，只要一成代码——没有 API，状态一直都在数据库里，还能避开 React。他还拿 Rails 举例，大概五行 Ruby 就能把一条新记录流式推送到表格顶部。

陈序: 那问题就来了。有人追问：服务器推来的 HTML，“放到该去的位置”到底怎么实现？总得有个机制，要么客户端去请求页面部件，要么服务器明确告诉它放在哪儿。这正是文章没讲透的地方。两边还在吵另一个点：到底哪种方式延迟更低，SSE 还是 WebSocket？

林岚: 一边说现代浏览器能在同一条持久连接上多路复用 HTTP，延迟没差别；另一边实测反驳，说延迟取决于客户端平台上你控制不了的实现细节，而 WebSocket 协议本身极简。还有人说 SSE 自带断线恢复，能在重连后不丢事件，而且首字节通常更早到。但反过来又有人提醒，WebSocket 有队头阻塞，HTTP/2 没有。这场争论到最后，其实谁也没说服谁。

陈序: 另一条消息就不太轻松了。德国的 Amiga 新闻网站报道，AmigaDOS 的开发者 Tim King 博士七月底去世了，家属确认了消息。他在剑桥读计算机科学，1979 年拿的博士，学生时代就写出了一个用 BCPL 语言实现的抢占式多任务系统。后来这套系统被带进 MetaComCo 公司，进一步发展，最终成了 Amiga 电脑的操作系统核心 AmigaDOS。

林岚: 对不少老程序员来说，这是职业生涯的起点。有用户说自己从没用过 DOS，AmigaDOS 是他进入命令行的第一个入口，靠着后来才学会 Linux 的命令行；也有人说那是他用过的第一个带着真正命令行的系统，也是在那里学会的 C 语言。还有人回忆当年在 Amiga 1000 上自学 C，一九八五、八六年拼了约三百美元买编译器加手册，感叹如今更好的工具已经免费了。

陈序: 有人说得更直接：Amiga 让他接触到了真正的计算机，能开发真正的 C 程序，而操作系统正是 Amiga 能输出那么出色的视频的一部分原因。King 在大约四十年里先后创立了两家技术公司，专注操作系统、并行处理和互联网接入服务。相关悼念之外，还有人翻出一条 2021 年十月的采访视频链接，回头看也算是一种纪念了。

林岚: 好，那今天这一期就聊到这儿吧。从 Grok 的最新进展，到那个十六年历史的 SQLite 数据库故障，再到 AI 正在改变软件工程的中层岗位，还有融资、开源模型、眼镜隐私争议，甚至 Amiga 的传奇开发者离世，信息量确实不小。

陈序: 是，尤其让我印象深的是那个说法——AI 会让工程文化薄弱的项目失败得更快。它不是说谁被取代，而是把本来模糊的地方暴露得更彻底。下期我们再接着聊，也欢迎把你的想法留在评论区，我们回头见。