夜雨聆风现在 Agent 写代码、改文档、查资料，样样都能干。需求丢过去，回车等几分钟，结果就出来了。用着用着就会冒出一个念头：我们到底还剩什么要干的？新知识、底层逻辑、实现原理，还有必要啃吗？
我的看法是：有必要，而且比以前更有必要。
Agent 改变了什么
搜索这件事变了很多。以前是在搜索框里敲关键词，翻一页又一页链接，自己判断哪篇靠谱。现在 Agent 会先「想」一下，再按你的要求把结果整理成摘要或表格，省掉大量筛选时间。
写代码的路径也在变。打孔纸带、汇编、高级语言，每一代都在把程序员从机器细节里往外推。今天这一步，是自然语言直接生成高级语言代码。抽象层越来越高，但底下那层并没有消失——只是你看不见而已。
下面用 Python 内核源码的学习经历，说说底层知识为什么还绕不开。
为什么还要学底层代码
学东西，说到底是为了脑子里有一张地图：知道某个机制存在，遇到问题时能想起来，也知道上层特性是从哪一层长出来的。
Claude Code 用起来很像一个黑盒。你只给需求、拿结果，中间怎么实现的，平时根本碰不到——跟写 Java 不必看字节码是一个道理。可编译原理曾经是计算机系的必修课，不是因为人人都要写编译器，而是因为所有上层工具都站在这些原理上面。Agent 再新，也没有跳出这个框架。
懂底层，最大的用处是知道该信什么、该怀疑什么。Agent 大概能帮你解决九成问题，剩下那一成往往卡在细节里：CSS 差两个像素，布局就歪了。这种活，来来回回让 AI 改，往往不如自己动两下手快。问题不在于 AI 不行，而在于你有没有判断「这事值不值得交给它」的眼力。
我自己的用法是：需求拆清楚，设计文档写好，提示词里把边界框死，编码和测试尽量交给 Agent。代码 review 做不做，看项目紧不紧——跟会不会去看 JIT 生成的汇编一样，因人而异。
AI 能帮你读源码、归类、画流程图，学习速度确实快不少。但它替代不了「理解作者为什么这么写」。问一句「Python 有哪些内置数据结构」，回答可以很快；可这套回答来自哪年训练的数据、有没有跟上最新版本，你未必清楚。白捡来的答案不容易记牢，对话记录堆在列表里，半个月不打开，真要用的时候也想不起来。
所以我还是倾向先自己想一遍，再带着具体问题去问 AI。边界在一开始就设好，比聊十轮再往回拽省得多。
怎么学才管用
我现在的做法分两步。
先把 CPython 最新源码拉下来，用 Code Agent 或类似的 CLI 工具直接在工程里问。源码文件、行号、调用链都在眼前，比翻二手博客靠谱得多。
然后关掉 AI，留出一个小时，把刚才弄懂的东西用自己的话写下来。能讲给同事听、讲明白，才算真学会。
有一点得心里有数：你没提过的概念，AI 不一定会帮你串起来。它是在已有知识上做组合，不是替你发明新思路。底层没学透，发散空间就小。
从 /init 开始
用 Claude Code 读大型 C 项目，可以先跑一遍 /init。它会扫描整个仓库，梳理技术栈和目录结构，在项目根目录生成 CLAUDE.md，后面问问题时会自动带上这份上下文。文件里通常有项目概述、构建测试命令，以及 C API 的使用约定：
## Project Overview
CPython 3.10.7 — the reference Python interpreter. C codebase (~1.3M LOC), autotools build system.
...
## C API Conventions
-All Python objects are `PyObject*` (or `PyObject*` subclass struct)
-Reference counting: `Py_INCREF(obj)`, `Py_DECREF(obj)`, `Py_XINCREF`, `Py_XDECREF`
-Error returns: `NULL` for object functions, `-1` for int functions
-GIL must be held for all Python C API calls
-Exception: `PyErr_SetString(PyExc_TypeError, "message")`
别的 Agent 工具也能做类似的事。比如丢一句「整理项目目录结构和技术栈，在根目录生成 AGENTS.md」，不必自己先写项目导读。
举个例子：Python 的 int 怎么实现
在源码工程里可以直接问：
分析项目中 Python 的源代码，Python 中 int 的数据结构是如何实现的
Agent 通常会按这几个方向展开：
- Python int 数据结构完整分析（CPython 3.10.7）
- ob_size 一字段两用
- 大进制 digit 表示
- 小整数缓存（small int cache）
- 内存分配与正规化（normalize）
- 类型方法表、乘法优化
- 64 位下的内存布局（30-bit digit）
PyLongObject (值 = 1234567890123456, 需 2 digits):
+------------------+
| ob_refcnt (8B) | 1
+------------------+
| ob_type (8B) | -> PyLong_Type
+------------------+
| ob_size (8B) | 2 (正数, 2 digits)
+------------------+
| ob_digit[0] (4B) | 低30bit
+------------------+
| ob_digit[1] (4B) | 高22bit
+------------------+
总大小: 24 (header) + 8 (digits) = 32 字节
ob_digit[1] 后可能有 padding — PyObject_Malloc 按实际需要字节数分配.
一句话概括：CPython 的 int 是任意精度大整数，PyVarObject 头加上 ob_digit[] 数组，以 2^30 为基，符号藏在 ob_size 的正负里；[-5, 255] 区间有缓存，乘法超过一定规模会切到 Karatsuba 算法。
别停在 AI 给的摘要上
大纲有了，方向也就清楚了。接下来要做的就是打开对应源文件，一行行对上去，看 AI 说的对不对、漏了什么。在这个基础上继续往下挖，把自己的疑问和推断记下来——这一步只能自己来。
