夜雨聆风
今天聊聊 8 月 5 日的几件事：有人想把整个软件工程交给 AI 工厂，有人让机器人看半分钟视频就掌握新技能。
Cloudflare 提出 ADLC，智能体要接管完整软件工程
8 月 4 日，Cloudflare 在 Agents Week 第三天甩出一套组合拳。
Agents 平台、Agent Development Lifecycle（ADLC）、智能体追踪、软件工厂 Flue、CI SDK……一口气补齐了智能体工程化的关键基础设施。
官方博客里的判断很直接：AI 智能体写代码的速度，已经超过人类团队审查、部署和维护的速度。传统的 SDLC 不够用了，Cloudflare 想用 ADLC 取而代之。
什么意思？
过去 AI 帮你写代码，人类负责剩下的设计、测试、部署、运维。现在 Cloudflare 想让智能体把这一整条链都接过去。
更值得关注的是软件工厂 Flue 在 Astro 仓库上的实战：用隔离的 AI 子代理复现、诊断、修复 bug，把开放 issue 从 200 多个降到约 30 个，预计下个月清零。
这不是概念验证，是真在跑。
Cloudflare 的平台级表态意味着：AI Coding 不再只是"辅助写代码"，而是开始接管完整的软件工程生命周期。
Claude Fable 5 登顶编程榜，冷门语言只掉 3 分
8 月 4 日，MirrorCode 排行榜更新，Anthropic 的 Claude Fable 5 以 64% 绝对成功率登顶。
紧跟后面的 GPT-5.6 Sol，分数只有它的三分之一。
真正让人吃惊的是语言泛化能力。MirrorCode 要求模型在隔离环境里、没网、没源码、不能下依赖，只能看高层文档和部分可见测试，100% 通过隐藏测试才算过关。最新榜单还把冷门语言 Ada 加了进来。
结果 Fable 5 在 Go 上 64%，换到 Ada 上还有 61%，只掉了 3 个百分点。
要知道，公开语料里 Python 大约是 Ada 的 230 倍。如果模型主要靠"背"语料，Ada 上应该崩得很惨。
但它没有。
这说明什么？顶尖模型可能正在摆脱"记住了多少代码模板"的局限，开始学会"从零构建一个完整软件项目"。
AI 编程的单位，正在从"一段代码"变成"一个项目"。
马斯克说源代码要完蛋，Bob 大叔和 UML 之父不同意
8 月 3 日，James Douma——特斯拉前 Autopilot 深度学习专家——在 X 上发了条帖子。
他说："我可能再也不会看源代码了。就像半个世纪前我停止查看汇编代码，因为我信任编译器。现在，我对 AI 生成的代码有了同样的信任。"
马斯克秒转，并且加码：
"完全正确。源代码正在变成下一个汇编。下一步，是彻底摒弃'源代码'，直接用 AI 生成高效的二进制文件。"
翻译一下：以后别写什么 Python、Java、C++ 了，告诉 AI 你要什么，它直接吐二进制。
这话一出，软件工程界的几位教父坐不住了。
《代码整洁之道》作者 Uncle Bob Martin 说：跳过源代码可以，但好歹留个中间表示，让机器能跨平台一致执行。
UML 之父 Grady Booch 更狠：只要你有足够表达力、精确、可重复、能产出可执行物的语言，那东西就叫编程语言，写出来的就叫源代码。
换句话说，你管它是自然语言还是提示词，只要它精确到能被机器执行，它就是代码。
这场争论的核心不是"AI 会不会写代码"，而是：当 AI 产出人类看不懂的东西时，谁来兜底？
编译器之所以值得信任，是因为同一份源代码编译一万次，结果一模一样。AI 是概率性的，同一句提示词，两次结果可能天差地别。
在 AI 能给出确定性保证之前，"干掉源代码"更像是一个遥远的口号。
越疆发布"鹿萌"，具身全栖机器人闯入客厅
8 月 5 日，越疆科技发布了首款具身全栖人形机器人"越疆鹿萌"（DOBOT LUMO）。
身高近 1.3 米，走的是亲和力路线。它不是站在角落里等指令的语音音箱，而是能在家庭、商场、校园之间穿梭，根据场景切换身份：生活搭子、运动玩伴、科普伙伴。
技术底座是越疆自研的"空弈"具身大模型。官方列了三大突破：多模态情绪感知、三维空间理解与主动行动、自主学习与长期进化。
简单说，它能识别你的情绪，主动走到你身边，还能越用越懂你的生活习惯。
越疆原本靠工业协作机器人起家，今年 3 月刚发了面向工业场景的 Dobot Atom。现在转头做消费级陪伴，选在创业板 IPO 即将上会的节点发布，意图很明显：给资本市场讲一个从工厂走进家庭的新故事。
问题是，家庭场景对成本和可靠性的敏感度，和工厂完全不同。鹿萌能不能在客厅里真正站住脚，比视频演示更重要。
自变量开源 HOST：机器人看 29 秒视频就能学会新技能
8 月 3 日，自变量机器人开源了 HOST 框架。
全称 Human-to-robot One-Shot Skill AcquisiTion，人类到机器人单样本技能获取。
它的能力很直观：给机器人看一段 29 秒的人类演示视频，它就能学会一项新技能，成功率 62%。
和主流方案比起来，数据量降到 1/50，学习速度提升 500 倍。
最牛的是，它不需要重新训练模型。模型权重冻结，技能获取完全发生在推理阶段。学完新技能，旧技能也不会被遗忘。
HOST 没让机器人机械模仿人类动作，而是走了另一条路：先想象动作完成后的结果，再从结果反推自己该怎么做。
这绕开了人形机器人、轮式机器人、机械臂形态各异的难题。视频是"菜谱"，机器人按自己的"身体"去复现。
如果这条路能走通，未来家庭机器人就不需要专业团队上门采集数据、微调模型了。你拿手机拍一段"怎么叠衣服"的视频，机器人自己学着做。
当然，62% 的成功率距离日常可用还有距离，复杂长程任务也待验证。但它证明了"推理时技能获取"这个范式的可行性。
每天写这些文章，配图都要反复压到合适大小，干脆自己做了个本地处理的图片工具「缩图小吴」——压缩、转格式、裁剪一条龙，所有处理都在本地完成、不上传，顺手分享给同样被图片体积折磨的人 👇