本文永久链接 – https://tonybai.com/2026/04/25/rust-popularity-vs-redmonk-ranking-reality-check

大家好，我是Tony Bai。

在过去几年的技术圈，Rust 是当之无愧的“流量之王”。

它连续多年在 Stack Overflow 开发者调研中蝉联“最受喜爱的语言”；它是 Linux 内核 30 年来引入的唯一非 C 语言；它是微软、亚马逊等大厂重塑底层安全架构的希望。

如果只看社交媒体和社区讨论，你会觉得 Rust 已经“统治了世界”。在一片赞歌中，大家默认 Rust 杀进主流榜单前十、取代传统语言只是时间问题。

但就在 2026 年 4 月，一份来自权威分析机构 RedMonk 的2026.1编程语言排行榜，却给所有“Rust 狂热者”泼了一盆透心凉的冷水。

数据呈现了一个极其残酷的反差：

在这份以“开发者真实选择”为核心指标的榜单上，Rust 的排名并没有像预期的那样一飞冲天，而是停滞在了第 20 位，甚至被曾被视为小众的 Dart 所超越。相比之下，那个常被调侃“无趣”的 Go 语言，依然稳稳地坐在第 12 位，并在云原生领域保持着统治地位。

为什么人人爱 Rust，但它在工业界的大规模普及却显得如此缓慢？为什么它“攻陷”了最硬核的 Linux 内核，却迟迟进不了普通开发者的日常？

今天，我想结合近期社区的深度讨论，扒开 Rust 这层华丽的外衣，带大家看看这门“天选之子”背后的生存现状与真实挑战。

口碑与数据的鸿沟：被锁死在“塔尖”的生产力

在开发者 Alejandra 最近整理的一份清单里，Rust 的“战绩”堪称辉煌：Windows 11 的核心组件、AWS 的 Firecracker 虚拟化、Cloudflare 的下一代代理服务器 Pingora……

但这恰恰揭示了 Rust 目前最大的尴尬：它是一个“属于 1% 的神兵利器”。

这些成功的 Rust 项目，无一例外都属于“系统级基础设施”领域。它们雇佣的是全球前 1% 的顶级程序员，拥有极其漫长的研发周期和近乎奢侈的调试成本。

正如 RedMonk 的分析师在报告中一针见血地指出：

“Rust 依然面临着非专家程序员难以逾越的学习门槛。专家们愿意投入时间，但更广泛的主流采用似乎面临着巨大的惯性。”

开发者 Alejandra 在其博文的自白中也坦言：

“无论我们如何自我安慰 Rust 已经进入主流，事实是：它离 C++ 甚至 Java 的普及程度，依然有着深不见底的鸿沟。大学教的第一门语言依然是 Java，飞机上依然在用 C++，网页里依然全是 Javascript。”

Rust 已经完成了从 0 到 1 的“极客突围”，却正在撞向从 1 到 N 的“工业化之墙”。

标准库的困局：当“技术洁癖”变成“协作负担”

除了学习曲线，Rust 进军主流的第二个障碍，也许就是它那小而美的标准库。

这篇名为《Unpopular opinion: Rust should have a larger standard library》（非主流观点：Rust 应该有一个更大的标准库）的帖子，戳中了无数一线开发者的泪点：

在我之前写过的一篇文章《别搞“小而美”了！Rust 开发者请愿：求求标准库学学 Go 吧》中也曾提过社区对 Rust 标准库的述求：

“我不想写个程序就要拉几百个三方库！生成一个随机数，std 里没有；想要个异步运行时，std 里也没有。我不得不把信任托付给几百个散落在 GitHub 各地、由个人维护的小型包（Crate）。”

这种对“核心精简”的极致追求，正在引发严重的“供应链安全焦虑”。

在 Go 的世界里，你可以用标准库完成 90% 的后端开发，这意味着你的核心链路是由 Google 顶尖团队直接背书的。但在 Rust 的世界里，开发者面临着“碎片化依赖”的内耗。

这种“标准库贫血”导致了一个反直觉的现象：Rust 是一门为了“安全”而生的语言，但它极度依赖社区包的机制，却在客观上增加了供应链被“投毒”的风险。

正如评论区所感慨的：“标准库是模块最终的坟场。”Rust 团队为了避免标准库变得臃肿，却无意中将“复杂性”和“审计成本”全部转嫁给了一线开发者。这种“技术洁癖”在处理顶级项目时是美德，但在处理追求效率的通用业务时，却成了巨大的阻碍。

Go vs Rust：工业生产力的两种极致审美

为什么 Go 能在 RedMonk 榜单上稳坐第 12，而 Rust 只能在第 20 徘徊？

这是两种完全不同的工程学审美，也决定了它们在大规模协作中的不同命运：

• Go 的审美是“工厂流水线”：它不鼓励个人英雄主义，它用 gofmt 强制所有人的代码长得一模一样。它追求的是“平均生产力的最大化”。即便是一个普通水准的程序员，在 Go 的框架下也很难写出摧毁系统的灾难性代码。这种“无聊”和“简单”，正是大厂进行大规模兵团作战时的首选。
• Rust 的审美是“顶级艺术工作室”：它追求极致的精准、极致的控制。每一个 borrow，每一个 lifetime 都是在进行微雕。它追求的是“个体生产力的上限”。

但在现代软件工业中，“下限的稳定性”往往比“上限的惊艳度”更具普适价值。 绝大多数公司需要的不是一个能手搓编译器的天才，而是一群能够按照既定流程、稳健产出、且易于维护代码的合格工程师。

AI 时代的变数：谁才是对机器最友好的母语？

RedMonk 的报告里还提出了一个极具前瞻性的观察：理论上，AI 编码辅助工具应该能抹平 Rust 的学习曲线，但现实并非如此。

为什么？

大模型（LLM）的本质是模式识别和概率预测。

对于语法单一、推崇“唯一路径”的 Go 语言来说，AI 生成的代码准确率极高，且人类审查的认知负荷极低。

而对于规则极其复杂、生命周期标记繁琐的 Rust 来说，AI 生成的代码极易出现“微妙的语法错误”或“不地道的生命周期设计”。人类开发者在审查 AI 生成的 Rust 代码时，往往比自己重写一遍还要痛苦。

在“机器写代码”即将接管开发流程的未来，简单、标准、甚至有些“死板”的语言，反而拥有更宽、更深的护城河。《HashiCorp 创始人亲口“认错”：AI 让我重新爱上了 Go (文末福利)》一文中Hashicorp创始人Mitchell Hashimoto 因 AI 重新爱上Go，以及Pandas 之父近期更喜欢让 AI 用Go写代码也印证了这一点。

小结：架构师的清醒与权衡

作为一个架构师，我们不必因为 Rust 在榜单上的“冷水”而否定它的伟大。

Rust 正在解决软件工程中最难的问题——在不牺牲性能的前提下，从根源上消灭内存漏洞。它的价值，已经在 Linux 内核和那些“不容有失”的领域得到了证明。

但我们也必须清醒地认识到：技术的流行度（Popularity）与技术的高级感（Elegance）并不总是正相关。

如果你在构建下一代安全操作系统、数据库内核或高性能边缘网关，Rust 是你不二的利剑。

但如果你在构建一个需要快速迭代、支撑公司核心营收、且由几十甚至上百人协作的后端业务系统，请务必保持客观：那个排名第 12、虽然有些“平庸”但永远能准时交付、且对 AI 极度友好的 Go，或许才是那个更优的工程方案。

再次祭出那句话：你的技术护城河，从来不是由你用什么语言决定的，而是由你解决问题的深度，以及你在各种极端权衡（Trade-offs）中做出的选择决定的。

资料链接：

• https://blog.goose.love/posts/what-actually-uses-rust/
• https://www.reddit.com/r/rust/comments/1sqyjxa/blog_ok_what_actually_uses_rust/
• https://redmonk.com/sogrady/2026/04/14/language-rankings-1-26/

今日互动探讨：

看完这份“人人爱 Rust，但榜单很冷酷”的现实反差，你觉得 Rust 挺进主流最大的障碍是什么？你认为“大标准库”是未来编程语言的必然趋势吗？

欢迎在评论区分享你的看法！

还在为写 Agent 框架频频死循环、上下文爆炸而束手无策？我的新专栏 《从0 开始构建 Agent Harness》 将带你：

• 抛弃臃肿框架，回归“驾驭工程 (Harness Engineering)”的第一性原理
• 用 Go 语言手写 ReAct 循环、并发拦截与上下文压缩引擎等，复刻极简OpenClaw
• 构建坚不可摧的 Safety Middleware 与飞书人工审批防线
• 在底层实现 Token 成本审计、链路追踪与自动化跑分评估
• 从“调包侠”进化为掌控大模型边界的“AI 操作系统架构师”

扫描下方二维码，开启从 0 开始构建Agent Harness 的实战之旅。

原「Gopher部落」已重装升级为「Go & AI 精进营」知识星球，快来加入星球，开启你的技术跃迁之旅吧！

我们致力于打造一个高品质的 Go 语言深度学习 与 AI 应用探索 平台。在这里，你将获得：

• 体系化 Go 核心进阶内容: 深入「Go原理课」、「Go进阶课」、「Go避坑课」等独家深度专栏，夯实你的 Go 内功。
• 前沿 Go+AI 实战赋能: 紧跟时代步伐，学习「Go+AI应用实战」、「Agent开发实战课」、「Agentic软件工程课」、「Claude Code开发工作流实战课」、「OpenClaw实战分享」等，掌握 AI 时代新技能。
• 星主 Tony Bai 亲自答疑: 遇到难题？星主第一时间为你深度解析，扫清学习障碍。
• 高活跃 Gopher 交流圈: 与众多优秀 Gopher 分享心得、讨论技术，碰撞思想火花。
• 独家资源与内容首发: 技术文章、课程更新、精选资源，第一时间触达。

衷心希望「Go & AI 精进营」能成为你学习、进步、交流的港湾。让我们在此相聚，享受技术精进的快乐！欢迎你的加入！

商务合作方式：撰稿、出书、培训、在线课程、合伙创业、咨询、广告合作。如有需求，请扫描下方公众号二维码，与我私信联系。

© 2026, bigwhite. 版权所有.

很多人对手术室的记忆，往往终结于麻醉医生递过来的那个氧气面罩，或者是那句温柔的“数到十”。在那个意识坠入深渊的瞬间，你可能并不知道，一场关于生命权的接管才刚刚开始。本期节目，我们邀请到了资深麻醉科医生麻大夫，带你推开那扇冷峻的手术室大门，拆解那些流传已久的“酒桌传说”和“性命冷知识”。

你是否也听过“酒量好的人更难被麻醉”这种说法？麻大夫在节目中给出了令人意外的答案：长期酗酒者的肝功能受损，反而可能让医生在给药时变得更加保守和谨慎。我们还会聊到那些让你焦虑不已的问题：全身麻醉真的会让孩子变笨吗？为什么手术前连一口水都不能喝？甚至是在极少数情况下，患者如何在手术中突然“醒来”却无法呼救？这不只是一次医学科普，更是一场关于现代医学如何精准守护生命尊严的深度对话。

【本期主播及嘉宾】

• 朱峰：「津津乐道播客网络」创始人，产品及技术专家。
• 姝琦：「津津乐道播客」&「不叁不肆」主播，互联网大龄产品经理（微博：@姝琦_HU，小红书：@姝琦同学）
• 麻大夫：三甲医院麻醉科医生。

【制作团队】

后期 / 卷圈
封面 / 姝琦
监制 / 姝琦
运营 / 卷圈
产品统筹 / bobo

【联系我们】

希望大家在听友群和评论区多多反馈收听感受，这对我们来说十分重要。欢迎添加津津乐道小助手微信：dao160301，加入听友群

【关于「津津乐道播客网络」】

在一派纷繁芜杂里，我们为愉悦双耳而生。科技、教育、文化、美食、生活、技能、情绪……严肃认真却不刻板，拒绝空泛浮夸。与专业且有趣的人携手缔造清流，分享经历，传播体验，厘清世界与你的关系。

津津乐道 | 科技乱炖 | 津津有味 | 记者下班 | 不叁不肆 | 厂长来了 | 编码人声 | 沸腾客厅 | 拼娃时代

收听平台

苹果播客 | 小宇宙App | 汽水儿App | Spotify | 喜马拉雅 | 网易云音乐 | QQ音乐 | 微信听书 | 荔枝FM | 央广云听 | 听听FM | Sure竖耳App | Bilibili | YouTube

联系我们

津津乐道播客官网 | 公众号：津津乐道播客 | 微信：dao160301 | 微博：津津乐道播客 | 商业合作：hi@dao.fm | 版权声明 | RSS订阅

本节目由「声湃 WavPub」提供内容托管和数据服务支持。

多年来，人生像一团雾，又像一团麻。回望关键时刻，又常承蒙关照，去向那时想去的地方，即使不是最优解。

时间不多了。我必须通过工整的输入和输出来达到目的，所以文章标题首次出现了计数，并且是倒数。开始前在想，短暂且频繁的输出会不会「污染」整个时间线？不过也不会每天更新。要不还是不归在索引里？算了，高敏人群已经活得很累很累，并已「铸成大错」。罢了，在索引页面引入了快速跳转功能，也算是一种「友善」。

回归正题——工整的输入输出，主要聚焦运动和学习。

最近修整了博客。

本周完成了三次有氧拳击和一次微弱力量训练。今天餐后153.7斤，BMI23.9。

今天阅读了备考方法论，阅读了四川日报头版和《四川省建立长期护理保险制度实施方案》政策吹风会。

1. RISC-V 太复杂，非常依赖于虚拟机沙盒环境的标准化，但是现在还没有统一的规范
2. EVM 经过多年百亿级别金融生态的磨练，从开发到审计已经比较成熟，切换到 RISC-V 的成本很高
3. RISC-V 虚拟机的冯诺伊曼税更高、确定性更脆弱

Gavin Wood 当年在设计 EVM 的时候，会面临两个问题：基于栈还是基于寄存器？显然实际上的 EVM 是基于栈的，也许是出于上线迭代等外部因素影响，也许是出于 Gavin 当时的历史局限性。后来 Gavin 离开了以太坊、创建了 Polkadot 之后，一开始把 Polkadot 的虚拟机设计为 基于 WASM 虚拟机，最近又转向了基于 RISC-V 指令集的、用于实现通用计算的虚拟机。也就是说，Gavin 抛弃了基于栈的 EVM 的老路，最终转向寄存器结构的 RISC-V。

EVM 底层是 256 位的无符号数字，每一条指令、每一个数据，都会拆解为 256 位的数字来表示。至于为什么是 256 位，可能因为以太坊是从比特币演变来的，而哈希算法 Keccak-256 和签名算法 secp256k1 等都沿用了比特币的设计，它们的输出都是 256 位，为了无缝适配这些加密算法，就采用了 256 位的字长。

我们平时使用的电脑 CPU，大都是 64 位的。CPU 经历过 32 位的时代，但是由于在地址寻址的方式下，32 位最多表示 2^32 Byte = 4 GB 的内存大小，已经跟不上使用需求，所以现在的 CPU 已经都是 64 位的。

这里有两个数字，EVM 是 256 位的，CPU 是 64 位的。这也就意味着，每一个 EVM 的指令操作，到了 CPU 上都至少需要 10 个指令来完成，模拟一个栈内存、计算低位、计算高位、把结果推回栈等，这一套动作下来，256 位的 EVM 指令在执行效率上，比使用 64 位 CPU 指令，慢大概 10 倍到 100 倍。

RISC-V 是一个精简的指令集架构标准，包含有 64 位的 RISC-V 虚拟机指令标准。这就意味着，通过 JIT 编译，RISC-V 的指令几乎可以 1:1 映射到现代 64 位的 CPU 上，执行效率接近于 CPU 本身的效率。

Arbitrum 有过一次叫 Stylus 的 版本升级，内容是用运行于 WASM 的虚拟机性能与 EVM 虚拟机的性能进行对比，官方的宣传口径是，一个简单的加法 ADD 运算，在 WASM 上的 Gas 消耗比在 EVM 上少 150 倍，而这 150 倍就是指令集转换带来的额外开销。WASM 的性能比 RISC-V 差，因为 WASM 从设计之初是在浏览器环境运行一个多编程语言的虚拟机，所以合理推测，基于 RISC-V 的指令，性能上也要好过 EVM 至少 100 倍。

从指令执行的效率方面来看，RISC-V 绝对要好过 EVM 太多。

另一方面，RISC-V 非常适合做通用计算，比如 cartesi 这个项目，相当于直接在每一个链上节点本地，运行一个小型的 Linux 系统，这个系统内能运行的，就不只是智能合约，而可以包括各种各样进程级别的程序，这能释放很大的想象空间。

很多 zkVM 也都是基于 RISC-V 在做，毕竟要给一个 256 位的虚拟机以及各种复杂的指令集开发 ZK 电路，心智负担太大了，而 RISC-V 是一个精简指令集，只有比较底层的指令，比 zkEVM 实现起来要更加容易并且通用。

至于 EVM 方面，也有在性能方面做出卓越突破的链比如 Monad，实现了真正的并行 EVM。只不过 Monad 提高性能的方式并不是从比较底层的指令集层面去做，而是乐观执行、有冲突再回滚的方式，以及实现了专用的数据库而不是通用的 KV 数据库来提高磁盘 IO 效率，整体结合下来，让 EVM 的执行速度有了显著提升。

那么至此可以看到的是，基于 RISC-V 指令集的虚拟机、智能合约语言，有着种种性能上的优点。

是不是意味着 RISC-V 是替代 EVM 的最佳趋势呢？显然也不是。

生态方面的护城河当然很重要，RISC-V 属于彻底抛弃了 EVM 体系、自成一套，支持各种编译型的编程语言。那也就意味着，包括开发者和审计公司，在 EVM 上踩过的坑，需要推倒重来。这是谁都不愿意看到的事情。EVM 的简单带来了性能上的劣势，也让安全风险和执行逻辑上的排查更加可控，因为是栈结构，Solidity 语言里连指针操作都没有，确定性非常高。而 RISC-V 的寄存器模式，合约的 ABI 不再是字节码而是 ecall ABI，里面涉及到内存分配、有堆内存、有垃圾回收，复杂度非常高。

而为了解决确定性的问题，一般的做法是在 RISC-V 支持的编程语言上，再阉割一层，用一个沙盒环境来执行合约逻辑，并且禁用一些语言特性，从沙盒外部能够看到一个确定性的结果。这当然就会牵扯到，每一个项目都在定义自己的沙盒标准，没有业界统一的方案。

再就是很多项目方宣传口径上的问题，放大了 RISC-V 的性能优势，刻意在忽略 RISC-V 模式带来的冯诺伊曼税的问题。在 EVM 上，修改余额就是一个 SSTORE 指令，EVM 天然知道什么是账户、什么是余额，要去数据库的什么位置寻找数据。而 RISC-V 过于通用，如果要修改余额，可能需要先分配内存、处理语言运行时的边界检查、写入数据、释放内存等，虽然单个指令的执行效率高了，但是反而在业务逻辑上消耗了更多的 CPU 周期。

总的来说，RISC-V 虚拟机还无法代替 EVM 虚拟机。

被 ChatGPT images 2.0 的效果惊艳到了。

前些日子，我发了条推说，我说看到了一个 Skill ，可以帮助你得组织快速降低你的订单金额，并说要写篇 Blog 来介绍他。现在，它来了。

https://x.com/xiqingongzi/status/2044784860058001618

这个 Skill 叫 「vercel seat saver」，我注意到它还是身边的朋友告诉我 —— Hey ，我发现一个很有用的 Skill，你也试试看。

原理

Vercel 的计费逻辑是，如果你是付费团队服务，那么你的费用实际上是席位费，按照组织协作的席位来收费。但按照席位收费的同时，Vercel 并不会将你的可用用量给提升，实际上即使你团队是 20 个人，你拿到的可用的用量额度还是和一个人一样。

而我们使用 vercel 的主要原因是我们希望享受到 vercel的自动构建服务，快速预览服务。而这些服务，其实并不一定通过 vercel 自身的账号关联来完成，完全可以通过 vercel API 或者 vercel CLI 来完成。就像我这篇 Blog 一样，其实可以通过配置来完成。只不过，vercel-seat-saver 提供了更 Agentic 的方式，使用一个 Skill ，帮你完成所有的配置和操作。

之前的 Blog： 如何免费为你的组织项目配置 Vercel

如何使用 Vercel Seat Saver？

和把大象装进冰箱里一样，使用 Vercel Seat Saver 一共需要三步

1. 安装 Vercel Seat Saver Skill

打开你要处理的代码仓库，并执行 如下命令来安装 Vercel Seat Saver Skill

npx skills add actionbook/postagent

2. 使用 Claude 打开，并调用 Vercel seat saver 来优化你的配置

安装完成后，直接使用 claude 打开你的项目，并输入 /vercel-seat-saver 来唤起 vercel seat saver.

3. 跟着Claude 配置

vercel seat saver 会在启动完成后，自动获取你的当前仓库的情况，并指引你去完成具体的动作，并给出对应的命令，来完成配置。

配置完成后，和他说，继续，等待他的自行处理

这个过程中，你只需要跟随他的建议，去做一些简单的处理和判断即可

做完所有决策，他就会自动帮你去取消 Vercel 的关联，然后替换成 Github Actions 的自动构建和推送。

一切配置完成后，你接下来要做的，就是去 Vercel 当中，移除组织当中的人，让大家在 Github 上协作就好，不再需要占用 Vercel 席位，降低月账单。

感想

以前我要自己摸索很久，甚至还值得我写 Blog 记录下来的事情，今天一个 Skill 就完成了。。。就。。。有种自己被蒸馏的感觉。

先说清楚边界。本文只基于 deepseek-v4/DeepSeek_V4.pdf，不补 PDF 外的传闻，也不把报告里没有展开的内容写成确定结论。

如果只用一句话概括，我会这么说：DeepSeek-V4 要解决的核心问题，不是“参数再大一点”，而是模型真的开始跑超长上下文、长链路推理和复杂工具调用时，传统 attention 的成本会先撑不住。V4 的很多改动，最后都指向同一个问题：1M context 到底怎样才能跑起来，而且别贵得离谱。（原文第 4-5 页）

文中提到的“原文第 X 页”，都对应 DeepSeek_V4.pdf 的 PDF 页码。中文写作、white-collar task、code agent 这些结果，多数来自报告里的 internal evaluation，更适合看作“官方自测结果”，不应直接等同于第三方独立评测。（原文第 43-44 页、第 57-58 页）

1. V4 一上来谈的不是排名，而是超长上下文的成本

原文对应：第 4-5 页。

我读这份 PDF 时，第一个明显感受是：它开头没有急着讲 benchmark，也没有先铺“模型多强”。它先把问题摆出来。

报告的说法是，reasoning model 带来了 test-time scaling 的新范式，但 vanilla attention 的 quadratic complexity 会在 ultra-long context 和 reasoning process 里变成明显瓶颈。同时，复杂 agent workflow、跨文档分析这类 long-horizon task 会越来越重要，所以“高效支持超长上下文”已经不是锦上添花，而是后续能力继续往上走的前提。

随后，报告给出模型规格：

• DeepSeek-V4-Pro：1.6T 参数，每个 token 激活 49B
• DeepSeek-V4-Flash：284B 参数，每个 token 激活 13B
• 两者都支持 1 million tokens 的 context length

这里的重点不只是“大”。按 PDF 的说法，目标是 “break the efficiency barrier of ultra-long-context processing”。说白了，窗口变长还不够。长了以后还能不能用、能不能稳定用、成本能不能接受，才是这份报告真正关心的问题。（原文第 4 页）

原文第 1 页 Figure 1：左侧是 DeepSeek-V4-Pro-Max 与 Claude、GPT、Gemini 的 benchmark 对比；右侧是 DeepSeek-V4 系列相对 DeepSeek-V3.2 的 inference FLOPs 和 KV cache 变化。

2. 它没有推倒重来，而是把最贵、最难的几处一起改了

原文对应：第 4-7 页。

很多人看到新版本，会下意识问：是不是整套架构都换了？PDF 给出的答案很清楚，V4 不是这条路线。

Transformer 主体还在，DeepSeekMoE 还在，Multi-Token Prediction 也还在。真正的变化，主要集中在三件事：

1. 用 mHC 强化传统 residual connection
2. 用 CSA + HCA 组成 hybrid attention，专门处理长上下文效率
3. 用 Muon 作为主要优化器，提高收敛速度和训练稳定性

只看这三条，可能会觉得它还是一次常规模型升级。但 PDF 后面又列了一串基础设施改造，意思就出来了：V4 不是在模型层加几个新组件，而是把架构、优化器、kernel、并行和 cache 管理一起收紧。

• 为 MoE 设计单个 fused kernel，尽量重叠 computation、communication 和 memory access
• 用 TileLang 开发高性能 kernel，同时兼顾开发效率
• 建 batch-invariant、deterministic 的 kernel library，追求 bitwise reproducibility
• 在 MoE expert weight 和 indexer QK path 上做 FP4 quantization-aware training
• 给训练和推理分别补上更细的 checkpointing、parallelism 和 KV cache 管理

所以按这份技术报告自己的写法，DeepSeek-V4 不是“堆了几个新名词”，而是把一整条链路重新拧紧了。（原文第 4-7 页）

原文第 6 页 Figure 2：attention 层换成了 CSA / HCA，前馈层仍然是 DeepSeekMoE，残差路径里加入 mHC，顶部保留 MTP。

3. 核心还是 attention：先压缩，再筛选，再补局部细节

原文对应：第 9-11 页、第 25 页。

如果只能在 V4 里挑一个最值得细看的部分，我会选 hybrid attention。原因很简单：它正面回应了开头提出的那个问题。上下文一长，attention 就会变成主要计算瓶颈。

PDF 给出的做法，是把 attention 拆成两种形态，交替出现：

• Compressed Sparse Attention (CSA)
• Heavily Compressed Attention (HCA)

3.1 CSA 在做什么

按 PDF 的定义，CSA 分两步：

1. 先把每 m 个 token 的 KV cache 压缩成一个 entry
2. 再做 DeepSeek Sparse Attention，让每个 query token 只看 top-k 个 compressed KV entry

但它没有把局部信息一刀切掉。报告还写到，除了这些被挑中的 compressed KV entry，CSA 会再接上一小段 sliding window KV entry，用来保留局部细粒度依赖。

换成人话，大概就是：先把很长的上下文做成一层“摘要索引”，再从里面挑最相关的块来看，同时保留眼前这一小段原始细节。它不再让每个 token 都把整段历史重新扫一遍。

参数列得也很细。

对 DeepSeek-V4-Pro：

• m = 4
• top-k = 1024
• indexer query heads = 64
• indexer head dimension = 128
• query heads = 128
• head dimension = 512
• query compression dimension = 1536
• sliding window size = 128

对 DeepSeek-V4-Flash：

• m = 4
• top-k = 512
• indexer query heads = 64
• indexer head dimension = 128
• query heads = 64
• head dimension = 512
• query compression dimension = 1024
• sliding window size = 128

3.2 HCA 在做什么

HCA 的目标更直接：继续压 KV cache。PDF 的表述是，HCA 使用更大的 compression rate m'，但不再做 sparse attention，而是保留 dense attention。

两个模型的 HCA 配置都是：

• m' = 128

所以如果只按 PDF 的设计分工来理解：

• CSA 更像“先压缩，再挑重点看”
• HCA 更像“先压得更狠，然后继续做 dense attention”

两者交替出现，再配合 sliding window attention，构成 V4 的 hybrid attention 路径。（原文第 9-11 页）

3.3 结果是什么

报告在第 5 页给了最直接的一组数字。在 1M-token context 下，相比 DeepSeek-V3.2：

• DeepSeek-V4-Pro 的 single-token inference FLOPs 降到 27%
• DeepSeek-V4-Pro 的 KV cache size 降到 10%
• DeepSeek-V4-Flash 的 single-token inference FLOPs 降到 10%
• DeepSeek-V4-Flash 的 KV cache size 降到 7%

这组数字很关键。它说明 V4 不是把窗口勉强拉到 1M 就结束，而是想把 1M context 变成一个可以长期使用的设定。Figure 1 右边两张图讲的也是这件事。（原文第 5 页）

4. mHC 没有 attention 抢眼，但管的是底层稳定性

原文对应：第 7-8 页。

attention 是主角没错，但 PDF 给 mHC 的篇幅也不少。原因不难理解：模型越深，训练里最怕的往往不是“想法不够新”，而是数值先不稳。

报告先回顾了普通 Hyper-Connections。它的做法是把 residual stream 的宽度扩到 n_hc 倍，再引入输入映射、残差映射和输出映射。问题是，PDF 明确说 naive HC 在多层堆叠时会频繁出现 numerical instability。

DeepSeek-V4 采用的是 Manifold-Constrained Hyper-Connections (mHC)。核心改动，是把 residual mapping matrix 约束到 doubly stochastic matrices 的 manifold，也就是文中提到的 Birkhoff polytope。

PDF 给出的解释有三点：

• 这个约束会把 mapping matrix 的 spectral norm 限制在 <= 1
• 所以 residual transformation 是 non-expansive 的
• 这会提升 forward pass 和 backpropagation 中的 numerical stability

换句话说，mHC 的目标不是“让残差连接更花哨”，而是尽量防止信号在深层传播时越传越失控。

PDF 还补了两个实现细节：

• doubly stochastic 矩阵集合在矩阵乘法下仍然闭合，适合 deep stack
• 他们用 Sinkhorn-Knopp algorithm 做行列归一化投影，t_max = 20

所以 mHC 在 V4 里更像一块稳定性部件。它可能没有 benchmark 数字那么显眼，但如果这里压不住，后面很多训练收益都未必站得住。（原文第 7-8 页）

5. 这份报告很工程化，因为 1M context 不是只靠公式落地的

原文对应：第 15-17 页、第 23-24 页。

我读 V4 这份 PDF 时，另一个感受是：它花了很多篇幅讲 kernel、并行、cache 和可复现性。这不是闲笔。长上下文模型如果真的要训练、部署、复现，系统层不是配角。很多时候，它就是决定模型能不能跑起来的那一层。

5.1 MoE 的 fused kernel 和 Expert Parallelism

general infrastructures 这一章里，报告重点谈的是 expert parallelism 的通信瓶颈。应对方法主要有三步：

• 把 communication 和 computation 融合进单个 pipelined kernel
• 把 experts 再切成更细的 waves
• 让当前 wave 的计算、下一 wave 的 token transfer、已完成 expert 的结果发送并行进行

对应结果是：

• 对一般 inference workload，速度提升 1.50x 到 1.73x
• 对 RL rollout 和 high-speed agent serving 这类更吃延迟的场景，最高到 1.96x

PDF 还给了一个很工程化的判断标准：通信能不能被计算完全遮住，不只看带宽，也看 computation-communication ratio。对 DeepSeek-V4-Pro，报告把平衡条件写成 C / B <= 2d = 6144 FLOPs/Byte。（原文第 16 页）

5.2 TileLang、Host Codegen 和 bitwise reproducibility

报告单独拿出一节讲 TileLang。理由很直接：V4 的复杂架构如果继续拆成很多零碎的 Torch ATen operator，开发效率和运行效率都会受影响，所以他们用 TileLang 来写 fused kernel。

另外，PDF 提到 Host Codegen 会把不少 host-side logic 从 Python 路径挪到生成代码里，结果是：

• CPU-side validation overhead 从几十到上百微秒，降到每次调用不到 1 微秒

还有个细节不能漏：报告专门强调 numerical precision 和 bitwise reproducibility。也就是说，他们不只是想“跑得快”，也在追求训练和推理结果的一致性。（原文第 17 页）

5.3 KV cache layout 和 on-disk storage

V4 的 inference framework 也不是把传统 KV cache 直接放大。PDF 说他们设计了 heterogeneous KV cache structure，把缓存分成两类：

• classical KV cache：给 CSA/HCA 的 compressed KV 使用
• state cache：给 SWA 和尚未完成压缩的 tail token 使用

在 on-disk KV cache reuse 上，报告给了三种 SWA KV 管理策略：

• Full SWA Caching
• Periodic Checkpointing
• Zero SWA Caching

PDF 对这三种方案的解释也很明确：它们对应不同的 storage overhead 和 recomputation 取舍，部署时按场景选。（原文第 23-24 页）

6. 训练节奏很克制：不是一开始就把 1M 和 sparse attention 全打开

原文对应：第 25-27 页。

只看训练设置，V4 的节奏其实很清楚。它不是一步跳到最终形态，而是分阶段推进。

6.1 预训练怎么拉长序列

报告给出的训练 token 数是：

• Flash：32T
• Pro：33T

两者的 sequence length 都是逐步扩展：

• 4K
• 16K
• 64K
• 1M

PDF 还专门写到，Flash 在前 1T tokens 先使用 dense attention，等 sequence length 到 64K 以后再引入 sparse attention；Pro 也采用类似的 two-stage 方法，只是 dense attention 阶段更长。

这段安排的意思很朴素：即便目标是 1M context，训练也没有一上来就切到最复杂配置，而是先在更稳定的条件下把基础能力长起来，再逐步切到更适合长上下文的结构。

6.2 优化器和稳定性技巧

optimizer 方面，PDF 的写法是：

• 大多数参数使用 Muon
• embedding、prediction head 和 RMSNorm weight 使用 AdamW

除此之外，报告还单独列了两个稳定性技巧。

第一个是 Anticipatory Routing。PDF 的解释是，在 step t 做 feature computation 时，routing index 用历史参数 theta_(t - delta_t) 来算。实现上，会提前计算并缓存 routing index，并通过自动检测机制，只在出现 loss spike 时短时开启这个模式。

报告给出的代价和结果是：

• 额外 wall-clock overhead 约 20%
• 因为只在异常阶段动态触发，整体额外训练开销可以做得很小

第二个是 SwiGLU Clamping。报告说，他们发现把 SwiGLU 的 linear component 限制在 [-10, 10]，并把 gate component 的上界限制在 10，可以有效去掉 outlier，提升稳定性，而且不损伤性能。

这点别忽略。PDF 在结尾没有把这两招写成“原理已经完全解释清楚”，而是明确说 Anticipatory Routing 和 SwiGLU Clamping 虽然有效，但 underlying principles 还没有被充分理解。（原文第 27 页、第 45 页）

7. 后训练主线：specialist training、OPD 和 Think 模式

原文对应：第 29-31 页、第 41 页。

post-training 这一段延续了 V3.2 的大框架，但有一个明确变化：mixed RL stage 被完整替换成了 On-Policy Distillation (OPD)。

整体流程分两步：

1. 先训练不同领域的 specialist model
2. 再通过 OPD 把这些能力整合回统一模型

PDF 明确列出的 specialist 方向包括：

• mathematics
• coding
• agent
• instruction following

这些 specialist 的训练流程是：

• 先做 SFT
• 再做 RL
• RL 算法使用 GRPO

在 hard-to-verify task 上，报告还提到 Generative Reward Model (GRM)。这里的做法不是把 GRM 当成外部裁判，而是让 actor network 原生承担 GRM 角色，把 judging 和 generation 一起训练。（原文第 29 页）

7.1 Think 模式不是一句营销词

报告明确说，DeepSeek-V4-Pro 和 Flash 都支持三种 reasoning effort mode：

• Non-think
• Think High
• Think Max

PDF 的解释是，这三种模式在 RL 训练里用了不同的 length penalty 和 context window，所以会对应不同的 reasoning token 长度。为了把这些模式装进同一个模型，V4 使用 <think> 和 </think> 作为特定 response format。

对 Think Max，PDF 的描述也很具体：system prompt 开头会注入额外指令，要求模型更彻底地分解问题、写出完整推理过程，并检查 edge case 和 adversarial scenario。

工具调用部分，报告还加入了新的 |DSML| special token 和 XML-based tool-call schema，理由是这种格式可以减少 escaping failure 和 tool-call error。

7.2 interleaved thinking 改了什么

还有一个变化值得单独说：interleaved thinking。

V3.2 的策略是：tool-result round 之间会保留 reasoning trace，但只要来了新的 user message，旧 reasoning content 就会丢掉。V4 借助 1M context，把这个策略改细了：

• 在 tool-calling scenario 里，完整 reasoning history 会跨轮保留
• 在 general conversation 里，来了新的 user message 以后，旧 reasoning content 仍然会被丢弃

PDF 还补了一个限制条件：如果 agent framework 把 tool interaction 模拟成 user message，例如 Terminus，这种 reasoning persistence 可能不会生效，所以这类架构仍建议使用 non-think model。（原文第 30-31 页）

原文第 41 页 Figure 10：同一个模型拿到更多 reasoning budget 后，HLE 和 TerminalBench 2.0 的结果会继续往上走。

8. 结果怎么看：比起总榜，更该看接近真实工作的任务

原文对应：第 5-6 页、第 41-44 页、第 57-58 页。

如果只看 PDF 的 summary，官方对能力分布的描述大致是：

• Knowledge：DeepSeek-V4-Pro-Max 在 SimpleQA、Chinese-SimpleQA 上显著超过领先开源模型，在 MMLU-Pro、HLE、GPQA 这类教育知识评测上对开源模型保持小幅领先，但仍落后于 Gemini-3.1-Pro
• Reasoning：超过 GPT-5.2 和 Gemini-3.0-Pro，但略低于 GPT-5.4 和 Gemini-3.1-Pro
• Agent：和 Kimi-K2.6、GLM-5.1 这类领先开源模型大致同级，略弱于 frontier closed model；在 internal evaluation 里超过 Claude Sonnet 4.5，并接近 Opus 4.5
• Long-Context：在 1M context 的 synthetic 和 real use case 上结果很强，在 academic benchmark 上超过 Gemini-3.1-Pro
• Flash vs Pro：Flash-Max 因为参数更小，knowledge 偏弱，但在给足 thinking budget 后，reasoning 结果可以接近 GPT-5.2 和 Gemini-3.0-Pro

PDF 还给了一句很具体的判断：和最前沿闭源模型相比，reasoning 大约还有 3 到 6 个月 的差距。官方报告里会这样写，其实已经算克制。（原文第 5-6 页）

8.1 中文写作：功能写作更稳，复杂约束任务仍有差距

原文对应：第 57-58 页。

real-world task 这一章先讲中文写作。这里最值得看的一点是，它没有只给一个总分，而是把功能写作、创意写作、复杂指令跟随和多轮写作拆开评估。

在中文功能写作里，PDF 给出的 pairwise result 是：

• DeepSeek-V4-Pro 对 Gemini-3.1-Pro 的总体胜率为 62.7%
• Gemini-3.1-Pro 为 34.1%

报告对这个结果的解释也写得很直接：Gemini 在中文写作场景里，有时会让自己的 stylistic preference 盖过用户的 explicit requirement。（原文第 57 页）

原文第 57 页 Table 12：中文功能写作的分项结果，能看到各种子任务下的胜负分布。

creative writing 部分，PDF 拆成两个维度：

• instruction following：60.0%
• writing quality：77.5%

这点很重要。它说明报告自己也没有把“写得好”和“按要求写”混成一件事，而是分开看。（原文第 58 页）

原文第 58 页 Table 13：创意写作里，PDF 同时比较了 instruction following 和 writing quality 两个维度。

但 PDF 也没有把结果写得太满。在最高复杂度约束和多轮写作任务上，Claude Opus 4.5 仍然领先，结果是：

• Claude Opus 4.5：52.0%
• DeepSeek-V4-Pro：45.9%

这组数字提醒得很清楚：V4 的中文写作已经很强，但碰到复杂约束、多轮持续一致这类更难的场景，报告自己也承认还没领先到头。（原文第 58 页）

原文第 58 页 Table 14：复杂指令跟随和多轮写作这两类高约束任务里，Opus 4.5 仍占优。

8.2 White-collar task：更接近日常办公，而不是标准化题库

原文对应：第 43 页。

white-collar task 这一节，我觉得参考价值挺高。PDF 说他们构造了 30 个高级中文职业任务，覆盖 13 个行业，在自研 agent harness 里评估，工具包括 Bash 和 web search。

对比对象是 Opus-4.6-Max。最终结果里，DeepSeek-V4-Pro-Max 的 non-loss rate 为 63%。

人工评估用了四个维度：

• Task Completion
• Instruction Following
• Content Quality
• Formatting Aesthetics

报告对结果的总结也很具体：

• 强项主要在 Task Completion 和 Content Quality
• 模型会主动补充信息和自校验
• 长文生成能力更强，输出更完整连贯
• 在中文正式结构上更规范

同时，PDF 也写明了短板：

• 有时会漏掉特定格式约束
• 不太擅长把长文本压成很短的摘要
• 幻灯片类输出的视觉排版还有提升空间

这部分好就好在，它不只是给一个胜率，还顺手告诉你模型赢在哪，又卡在哪。（原文第 43 页）

原文第 43 页 Figure 11：white-collar task 的整体 win / tie / lose 分布。

原文第 43 页 Figure 12：不同评分维度上的相对表现，重点能看到完成度、内容质量和格式美观度的差异。

8.3 Code Agent：不是公开小题库，而是内部真实研发任务

原文对应：第 44 页。

code agent 这一节，PDF 用的不是公开小 benchmark，而是内部真实研发任务：

• 原始任务约 200 个
• 来自 50+ 名内部工程师
• 覆盖 feature development、bug fixing、refactoring、diagnostics
• 技术栈包括 PyTorch、CUDA、Rust、C++
• 经过质量筛选后，最终保留 30 个任务做评测

对应的 pass rate 是：

• Haiku 4.5：13
• Sonnet 4.5：47
• DeepSeek-V4-Pro-Max：67
• Opus 4.5：70
• Opus 4.5 Thinking：73
• Opus 4.6 Thinking：80

PDF 对这个结果的总结很明确：DeepSeek-V4-Pro 明显超过 Claude Sonnet 4.5，并接近 Claude Opus 4.5。（原文第 44 页）

原文第 44 页 Table 8：内部研发 coding benchmark 的 pass rate 对比。

报告还给了一项内部调查。对 85 名有日常 agentic coding 使用经验的 DeepSeek 开发者和研究员：

• 52% 认为 DeepSeek-V4-Pro 已经可以作为默认和主要 coding model
• 39% 倾向于认为可以
• 不到 9% 认为不可以

PDF 也同步记录了几个问题点：trivial mistake、对模糊 prompt 的误解，以及 occasional over-thinking。这个细节有价值，因为它让整段评测更像真实使用反馈，而不是单向表扬稿。（原文第 44 页）

9. 最后看限制：这恰好是报告比较可信的地方

原文对应：第 44-45 页。

结论部分没有把 V4 写成一个已经完全收束的版本。PDF 明确写到：

• 为了追求 extreme long-context efficiency，V4 使用了很多 preliminarily validated component 和 trick
• 这些设计虽然有效，但让整体架构相对复杂
• 后续还要做更 principled 的 investigation，把结构继续压到更 essential 的 design

报告列出的后续方向包括：

• 探索新的 sparsity dimension，例如更 sparse 的 embedding module
• 持续研究 low-latency architecture 和 system technique
• 继续推进 long-horizon、multi-round agentic task
• 引入 multimodal capability
• 改进 data curation 和 synthesis strategy

按这份 technical report 的主线去看，DeepSeek-V4 讲的不是“又做了一个更大的模型”，而是一套围绕 1M context efficiency、training stability、tool use 和 real-world task 展开的完整技术方案。

我读完后印象最深的，也不是某个单独数字，而是这条主线很顺：先承认超长上下文的成本问题，再用 CSA/HCA、mHC、Muon 和一整套系统实现去压成本，最后拿中文写作、white-collar task、code agent 这些更接近真实工作的场景来验证，同时把短板也写出来。

所以这份 PDF 值得读。它不像一篇只报喜不报忧的发布稿，更像一份认真回答“我们到底改了什么、为什么这么改、现在做到哪一步了”的技术说明书。

过去一年，AI 生图工具已���新鲜。

从“输入一��，生�一张图�，到“�个风格�改个背景�修修细节�，很多人都已�玩过。但真正用过之�也会�现：它们往往很惊艳，��总是好用。最大的问题�是�会画，而是��懂�改�准�字画错�细节�稳定。

而 GPT Image 2 的出现，让我第一次有一�很强烈的感觉：AI 图�生�，真的从“玩具阶段�进入了“生产力阶段�。

根� OpenAI 的介�，gpt-image-2 是目� GPT Image 系列中能力最强的图�模型，�点��了图�质��编辑表现�文字渲染���版�和真实场景�解能力。(OpenAI 开�者)

文末有彩蛋

一�最明显的�化：它真的更懂人�了

以�用 AI 画图，�常�把�示�写得�咒语。

你�告诉它镜头�光线�构图��质�风格�比例�背景�人物动作，甚至还���补充“��多一�手�“��奇怪文字�“���形�。

但 GPT Image 2 给我的第一感觉是：�示��以更自然了。

比如我让它生�一张“适��红书��的咖啡店新�海报，画��干净，有高级感，主标题是‘春日拿�上新’，副标题是‘�时第二��价’�，它��是画出一�咖啡，而是会�试�解“���“新�海报�“高级感�“主副标题�这些设计�图。

这�味�它���是根�关键�拼画�，而是开始�解你��的东西是什么。

二�文字终于��是�难现场

AI 生图最尴尬的地方之一，就是图片里的文字。

过去很多模型一�到中文�英文标题�包装文字���价格，就很容易生�乱�。画�看起�很漂亮，但��仔细看字，立刻穿帮。

GPT Image 2 在这方����常明显。OpenAI 官方也强调了它在文字渲染�清晰字形�稳定布局和多语言支�方�的改进。(OpenAI)

这点对普通用户�说影�很大。

因为真正的商业图片，几乎都离�开文字：

如果 AI �能画“好看的图�，那它更�素�工具。

三�编辑能力比“�新生��更��

很多人评价 AI 生图时，�看第一次生�的效果。

但在真实工作里，最��的往往�是第一次生�得多惊艳，而是�续能�能改。

比如：

“把背景��办公室。�
“�留人物动作，�改衣�颜色。�
“文字别动，�把�下角的咖啡���蛋糕。�
“整体风格��，但让画�更��牌广告。�

过去很多模型最大的问题是：你让它改一点，它给你�画一张。

GPT Image 2 的进步在于，它更�是在“编辑图片�，而�是�次都“�新抽��。OpenAI 的资料中也�到，它强化了编辑性能�身份���角色一致性和多步骤工作�能力。(OpenAI 开�者)

这�是生产力的关键。

四�它开始适��“��视觉任务�

以� AI 生图最擅长的是�张氛围图：赛�朋克城市�梦幻森林�漂亮人��电影感场景。

但一旦进入更��的视觉任务，就容易失控。

例如信�图��程图�多格漫画��牌物料�电商详情页�教学�图�产�结构图，这些内容��是�“好看�，还�有逻辑�有层次�有布局。

GPT Image 2 的一个���化，就是对��结构的支�更强。OpenAI 的�示�指�中�到，它能处�信�图�图表�多��构图等��结构化视觉内容。(OpenAI 开�者)

这代表 AI 生图的使用场景被大幅扩展了。

它��是给设计师找�感，也�以帮������帮�师�课件�帮产����示�图�帮创业者快速打样视觉方案。

五�审美�是最大亮点，“�控��是

说实�，现在很多 AI 工具都能生�漂亮图片。

真正拉开差�的，�是“它能�能画得美�，而是：

它能�能按照我的�求画？
它能�能稳定�现？
它能�能精确修改？
它能�能�务真实工作�？

GPT Image 2 给人的�化，�是�纯从 80 分�� 90 分，而是从“我帮你�便想一张���“我�解你�完�什么任务�。

这就很关键了。

因为设计工作本质上�是�机生�漂亮图，而是围绕目标沟通：给�看�传达什么�用在哪里��牌调性是什么�哪些元素�能��哪些细节必须准确。

GPT Image 2 的��，��是在这些地方。

六�普通人也能拥有“视觉表达能力�

以��会设计的人，想�一张�样的海报，往往需�找模��学软件�调字体�抠图�排版。

现在你�需�说清楚需求：

“帮我�一张适�朋�圈�布的开业海报。�
“帮我把这张产�图改�电商主图风格。�
“帮我生�一张科技感公众���。�

AI 就能给出一个相当完整的�稿。

这�是说设计师���了，而是视觉表达的门槛被大幅�低了。

普通人�一定��为专业设计师，但�以更快地把自己的想法���视化内容。对于个体创作者��团队�独立�牌�说，这��化�常现实。

七�设计师会被�代�？

我的判断是：低端����模�化的设计需求会被大�替代。

但真正优秀的设计师�会消失，�而会更强。

因为 AI 能快速生�方案，但它�然需�人�判断：

哪个方�更符��牌？
哪个画�更有传播力？
哪里需�克制？
哪里需�强化？
哪些细节�符�商业规范？

未�的设计师，�能���是“执行工具的人�，而会更�视觉导演�创�策划和审美决策者。

会用 AI 的设计师，会比�会用 AI 的设计师快很多。

八�时代真的�了

GPT Image 2 最让我震撼的，�是�一张图有多惊艳，而是它让我看到了一�趋势：

AI 图�生�正在从“�感玩具���“视觉�作系统�。

以�我们打开设计软件，是自己一点点�作。

这背�其实是创作方�的�化。

过去，表达一个视觉想法，需�掌�软件。

软件能力正在�得�那么稀缺，审美�判断�表达和创�策略�得更��。

结语

GPT Image 2 �是简�的“�一个更强的生图模型�。

它代表的是 AI 图�工具的一次转�：从炫技，到实用；从�机惊艳，到�控产出；从�张美图，到真实工作�。

如果说过去的 AI 生图�是一个�感盲盒，那么 GPT Image 2 更�是一个能�懂需求�能�续修改�能�与实际创作�程的视觉助手。

所以这一次，我真的觉得：

时代�了。

�是因为 AI 会画图了。

彩蛋1

生�图预览，多图预警�

彩蛋2

分享一些�示�，欢迎大家评论区分享�

一张充满新春喜庆氛围但�失高雅格调的 2026 �州城市宣传海报。
采用���光手法，整体构图延续 S 型的�动感；在纯白的纹�背景�下角，一个身穿中国传统�饰的微缩人物正在挥舞一�长长的红色�绸舞带，红绸在空中轻盈舞动，展现出�绸柔顺细腻的质感，并在�左上方飘动的过程中，奇幻地�形�一�壮丽的山水河�。

在这�“河��之中，�加出一幅有山�有湖�有江�有城的�州城市手绘图，整体风格�国潮，景色尽收眼底，壮阔而秀雅，令人震撼。
画�中�入�州地标建筑与景观：西湖�断桥�雷峰塔�三潭�月�六和塔�钱塘江�京�大�河�州段���寺�城��。
云雾环绕，仙气缥缈，兼具江�诗�与大城气象；色彩丰富，结构��，细节�盛，但由于大�积留白，画��然显得清新脱俗�雅致高级。

左下角排版� “SPRING 2026�，并��竖排宣传语，整体寓�：“人间天堂，数字之城��“诗画江�，活力�州�。
文字排版优美大方，字迹清晰完整，整体视觉兼具新春节庆感�东方美学�城市文化底蕴与现代都会气质。
海报尺寸 9:16，高清，细节丰富，适�城市文旅宣传。

原��：https://x.com/liyue_ai/status/2045332620352119274

蜜雪冰城雪王�装KFC员工，戴红色围裙，手举炸鸡桶，
夸张表情，大喊“V我50�，
疯狂星期四主题，�笑 meme 风，
夸张字体，贴纸元素，弹幕风格，
强对比红白�色，动感构图，
社交媒体爆款视觉，抖音风海报，
高清，强光，高�度，商业广告质感，2比3比例

��：LINUX DO

9:16 vertical — a 3x3 grid collage (nine images) forming a Korean idol portrait photoshoot series. Each frame features the same young Korean female idol, maintaining 100% consistency in facial features, hairstyle, and styling across all nine images. Each photo showcases a different pose, expression, and subtle outfit variation (same white oversized button-up shirt, variations in how it’s worn). Natural window light, soft and airy aesthetic, minimal clean indoor background, authentic film-like color grading with gentle pastel tones, editorial photography style. The collage should look like a professional photoshoot contact sheet or Instagram carousel layout. Soft focus, slight grain, warm highlights, gentle shadows. Extremely consistent identity across all frames while showing range in posing and mood.

��：LINUX DO

以真实世界为�照，绘制一幅高�质日�现代ACGN轻�说�画，精致动漫艺术风格，干净利�的线�，鲜艳柔和的光影。分割构图，超现实的倒置�射概念。上部分是倒置的香港维多利亚港夜景，颠倒的霓虹倒影。下部分是正立的广州�江新城夜景（广州塔��江新城�猎德大桥），散�冷�紫色城市�光。两个城市在中部的�光“夜空�地平线处完美衔接，形�无�的梦幻连接。星空背景，新海诚�调色。

��：LINUX DO

请生�一张�xxx】的王者�耀游�的英雄动画展示页截图

A surreal yet photorealistic ultra-telephoto geographic photograph with extreme spatial compression, vertical composition, stacked world landmarks aligned along a single line of sight from bottom to top. At the bottom: Shanghai skyline with Shanghai Tower, Shanghai World Financial Center, and Oriental Pearl Tower. In the middle foreground: layered hills, temples, and atmospheric mountain ranges. In the center: the Potala Palace on a mountain ridge, majestic and sharply detailed. Above it: the Taj Mahal with white dome and minarets. Higher above: the Great Pyramid of Khufu in a dry desert landscape. At the very top: the Statue of Liberty near a bay with a distant city skyline. Warm sunrise or sunset light, cinematic haze, atmospheric perspective, natural colors, documentary realism, national geographic style, ultra detailed architecture, realistic terrain transitions, compressed depth, 800mm–1200mm telephoto lens look, no collage seams, no fantasy floating objects, no illustration, no text, no watermark.

��：LINUX DO

根�凡人修仙传自动生�一张收�版�诗�事海报：巨大的韩立侧脸剪影作为外轮廓，剪影内部自动生长出最契�该主题的完整世界观�标志性场景�角色关系�象�符��关键建筑�生物��具与氛围。整体�是普通拼贴，而是高级的剪影轮廓填充��事��，带有���光��想，但更�电影海报与梦幻水彩�画��风格；柔和空气�视，轻雾化过渡，纸张颗粒，边缘飞白与刷痕，大�积留白，版�克制高级，安���大�神圣�怀旧�诗��传说感，修仙仙侠。风格�色彩�场景��质全部根�主题自动适�，所有元素必须强绑定主题，一眼识别，���乱，��硬拼贴，��模�化背景，��廉价奇幻素�。

��：LINUX DO

一张秦始皇国风游�人物宣传海报，统一采用竖版主视觉构图。�张海报都使用上大下�的层级结构：画�上�部分以人物最具辨识度的头部��部轮廓��具或�身外轮廓作为巨大的视觉主体，形�强识别的剪影�主形；中下部安排完整人物作为第二主体，稳定站姿或轻动作姿�，构�画�的视觉核心。大轮廓内部以�角色周围采用���光与拼贴��事构图，将若干场景��象��型人物关系�辅助元素和环境层层��在云雾�水墨和留白之中。左�侧设置呼应性辅景，使画�产生故事张力与空间�化。以一�贯穿画�上下的�动线索连接主角色�内部拼贴和上方大轮廓，增强整体性和视线引导。整体画���大�积留白，边缘采用水墨晕染和虚化破碎处�，形�东方美学中的虚实关系和呼�感。整体风格统一�高级�克制，强调层次感��事感�主视觉冲击力和系列化海报语言

��：LINUX DO

彩蛋3

这篇文章内容和��图全部由Open AI 刚�布的 GPT-5.5 生��布~ 我仅�供大纲�部分对�截图。

最近�现阿里云开�的 Page Agent 挺有��，跟大家分享一下我的使用感�。

PageAgent简介

PageAgent 是一款由阿里巴巴开�的�基于 JavaScript 的 GUI 智能体（GUI Agent）。它最大的亮点在于无需�赖�览器�件�Python 环境或无头�览器，仅通过在页�中注入 JavaScript ���行。

它�许用户通过自然语言控制网页界�，将��的�作�程转化为简�的指令，�常适�用于 SaaS 产�的 AI 助手集�或个人网页自动化任务。

开�仓库：https://github.com/alibaba/page-agent

核心特性概览

两�接入与使用方�

网站所有者：嵌入� AI 助手

如果你是网站开�者，希望为你的用户�供“AI �控�能力，�需在网页��中引入一行 JS 代���。

实现原�：

快速接入代�：

<script src="https://registry.npmmirror.com/page-agent/1.6.3/files/dist/iife/page-agent.demo.js"></script>

效果： 网站上会出现一个�天框，用户�以通过文字沟通�自动化处�一些简�任务，无需�端�写。

体验地�： https://cooking.youhun.wang/

个人用户：�览器�件扩展

如果你�是网站所有者，但希望在日常�览中使用自动化功能（如在�自家的网站上执行��任务），�以使用其�供的 Chrome 扩展程�。

使用方法：

1. 安装官方�供的 Chrome 扩展：https://alibaba.github.io/page-agent/docs/features/chrome-extension/。
2. 扩展会注入 Agent 脚本到当�页�。
3. 用户�以通过扩展����指令，控制当�标签页。

适用场景： 适�完�跨页�任务或对第三方网站进行�微��的自动化�作。

实际体验：有亮点也有槽点

在实际体验中，PageAgent 的表现符�预期，但也存在一定的局�性：

优点：

• è½»é‡�级： 无需å¤�æ�‚的环境é…�置，纯 JS è¿�行，加载速度快。
• 低æˆ�本： 相比于 Puppeteer 或 Selenium，它直接在页é�¢ä¸Šä¸‹æ–‡ä¸­è¿�行，资æº�消耗更低。
• 易上手： å¼€å�‘者集æˆ�é�žå¸¸ç®€å�•ï¼Œå‡ è¡Œä»£ç �å�³å�¯æ‹¥æœ‰ AI Copilot 能力。

局�性（体验�馈）：

• DOM ä¾�赖性强： 它的识别逻辑完全ä¾�赖于 DOM 模型。如果网页元素缺ä¹�语义化标签（如没有 aria-label 或文本内容），Agent 往往会“视而ä¸�è§�â€�，导致无法点击或输入。
• 简å�•ä»»åŠ¡ä¸ºä¸»ï¼š ç›®å‰�更适å�ˆå¤„ç�†é€»è¾‘简å�•çš„线性任务（如填写表å�•ã€�点击导航）。对于逻辑æž�å…¶å¤�æ�‚或动æ€�加载æž�å¿«çš„ SPA 应用，å�¯èƒ½ä¼šå‡ºçŽ°è¯†åˆ«æ»žå�Žæˆ–找ä¸�到元素的情况。
• 体验一般： 在一些é�žæ ‡å‡†å¸ƒå±€çš„网站上，交互体验å�¯èƒ½ä¸�如原生æ�’件æµ�畅。

总结与建议

Page Agent 是一个挺有想法的项目，把 AI Agent 从“外部�控�览器���了“内部嵌入网页�，架构轻��接入�本低。但目�在实际使用中，DOM 识别的准确率还有��空间，��任务容易翻车。

�过�说回�，这�纯�端实现 GUI Agent 的�路确实值得学习。如果你对 AI 自动化或者�览器扩展开�感兴趣，去 GitHub 上看看��应该能有�少收获。

焦点访谈炮轰哪吒汽车，新能源产业正在进入“大逃杀”状态。

2026年4月21日，央视《焦点访谈》播出了《招商还是招伤》，这个“伤”是伤口的伤，直接把哪吒汽车母公司合众新能源摆到了台面上。

节目的要点非常狠：2021年至2023年，合众新能源累计亏损183亿元，平均每卖一辆车亏损超过8万元。江西宜春经开区、广西南宁产投等地方国资，真金白银地通过土地、房产、租金减免、销量奖励等方式一层层往里垫钱，最后企业停产、重整，国资很难退出，钱也回不来了。

这意味着，哪吒汽车已经不只是一个新势力品牌做失败了，而是被央视定性成了地方招商内卷、国资深度兜底、产业泡沫反噬的典型样本。真正可怕的不是哪吒倒了，而是它可能是第一个被公开“晒尸体”的。

为什么大家会把哪吒往“车圈恒大”的方向联想？

因为前面比亚迪连续烧了几个仓库以后，大家又想起魏建军讲的“车圈恒大”的故事。说了一年多了，到底是谁一直没搞清楚，那总得有一个出来顶缸的。

哪吒汽车在央视节目里并没有被直接点名成“车圈恒大”，但这个时间点又很敏感。恒大的许家印，也就是俗称的“皮带哥”，最近刚刚出庭，而且直接认罪认罚了，大家自然就又联想到了“车圈恒大”，于是想找一个脑袋合适的出来晒一晒。

哪吒汽车的问题核心：长期巨额亏损

哪吒汽车爆出来的数据，核心就是长期巨额亏损。三年亏了183亿元，其实在造车行业里不算最多，但问题在于它是低价冲量，卖得越多亏得越多。

• 2021年毛利率为 -34.4%
• 2022年毛利率为 -22.5%
• 2023年毛利率为 -14.9%

一个车厂亏钱很正常，因为有研发成本、推广成本和各种其他费用。但毛利率为负，意味着连车本身的售价和成本价之间的差额都是负的，这就很夸张了。

而且，其他企业亏钱，亏的是股东的钱、民营资本的钱，大家还可以接受；但这一次，亏的是地方政府平台的钱。现在大家都在算账，都在盯着地方债，你把政府的钱亏了，这事就很严重了。

在中国一直有个潜规则：你自己把钱亏了没事，把其他民营企业的钱亏了也未必有事，但国有资产流失这件事不能碰。

国资进入之后，破产就不再只是市场行为

还记得罗永浩吗？为什么最后说要“表演甄嬛传”？因为他最后借了国资的钱，你必须得把那笔钱还上，是不允许轻易申请破产的。

按道理说，有限责任公司最后破产，把注册资本赔完也就结束了，但在国内没有那么容易。这一次哪吒汽车的事情也告诉大家，破产清算对于拿了国资的有限责任公司来说，逃不过去，不可能把国资直接浪费掉就算了。

多地政府平台深度介入，地方给了土地、给了厂房、给了补贴，还做了股权投资，全部押进去了，到最后什么都没剩下。上市失败以后，融资断裂。2024年5月至6月，企业紧急融资44.37亿元，也没能挽救局面。

最后还是借了一笔钱，因为大家觉得也许还能救一下，结果这笔钱也没了。停产、讨债、重整，创始人与前任首席执行官都被列为失信人员，直接成了被执行人。

个人连带责任为什么会成为最后一击？

因为他们在最后借这笔钱的时候，都签了个人连带责任协议。只要你签了个人连带责任协议，就不能再受有限责任公司的保护了。

到最后这笔钱大家都知道有问题，你还一定要去借，那肯定得摁着你签个人连带。罗永浩最后那笔也是签了个人连带，这个事没办法，特别是国资很喜欢压着人签这个东西。

哪吒汽车是怎么一步步走到今天的？

曾经有一段时间，哪吒汽车的销量是中国新势力第一。哪吒汽车的母公司叫合众新能源，2014年成立，创始人叫方运舟，后来张勇加入，长期负责经营操盘。

哪吒最辉煌的时候，靠的是低价走量，直接杀出来了。2022年哪吒汽车销量达到15.21万辆，是全国第八大新能源制造商，在新势力里排第一，一度拿到了当年造车新势力销量冠军。

它的主力车型不是高端豪华，也不是技术制高点，而是更偏下沉市场的性价比路线。之后销量急剧下滑。2024年全年只卖了87,948辆，其中还包含出口的23,399辆；2025年一季度只卖了1,215辆，后面基本就没有了。

哪吒曾经依靠什么支撑？

哪吒从来不是靠强盈利能力撑起来的，而是靠低价冲量、外部融资、输血、地方资源扶持、资本市场讲故事这些东西撑起来的。

从融资端来看，哪吒自2017年以来完成了10轮融资，累计约228.44亿元。其中：

• C轮融资：20亿元
• D1轮融资：35.22亿元
• D2轮融资：27.90亿元
• D3轮融资：18.87亿元

之所以会出现D1、D2、D3这样的轮次，是因为融资轮次继续往后排，意味着估值得有巨大提升；如果估值涨不上去，又还在同一个轮次里，就会出现这种后缀数字。

这类融资金额看起来很大，但说明一个问题：估值涨不上去了，增长性已经没了。后面还做了一轮9.4亿元的可转债。所谓可转债，就是现在把钱借给你，等上市以后转成股份，再去二级市场卖股票。

财务数据如何恶化？

从财务端看，哪吒三年累计净亏损183.73亿元。

• 2021年亏损48.4亿元
• 2022年亏损66.66亿元
• 2023年亏损68.67亿元

毛利率持续为负，卖一辆亏一辆。它最风光的时候，看起来像“人民的新势力”，因为便宜；但回头看，更像是把所有能够提前透支的东西一把都透支干净了。

“五亿换标”与管理层言论，进一步伤害市场信心

哪吒最被嘲笑的一件事，是“五亿换标”。当时的CEO张勇说，更换车标花了5亿，于是大家都觉得太离谱。

后来张勇澄清，他们这个标的设计费用不超过100万，所谓的5亿实际上是过去7年里的品牌宣传、营销传播、市场推广上的综合投入，被外界简化成了“五亿换标”的故事。

换标本身确实是有成本的，设计成本如果找名家设计，几十万上百万都不算贵。真正花钱的是门店装修改造、广告物料重做、媒体广告投放、宣传体系更新，这些确实贵。但即便如此，到5亿这个程度也还是有些夸张。

更关键的是，这件事暴露出新能源车企的钱都花在哪儿了——宣传和营销，是极度烧钱的一件事。

大家之所以反感，是因为你这个车本来就便宜，没有技术壁垒，品牌没有高溢价，财务上也没有自我造血能力，越卖越亏，在这么敏感的时候还出去吹牛说换个标花了5亿，最后还得回来解释说100万是做标的钱，剩下的是各种市场费用，这就显得很拎不清轻重。

张勇的几次公开发言为何引发争议？

除此之外，张勇还有几次公开发言也很伤士气。

2024年2月，在奖金延迟发放的时候，他说少部分员工“不习惯过苦日子”，要“把寒气传递给每一个人”。在企业已经承压的阶段，这种话极其伤士气，外面的人也会觉得你太不知人间疾苦。

2024年6月，公司危机已经显现，张勇又公开说哪吒不会改名。注意，创始人不是张勇，张勇是后来请回来的CEO，在公司里股份不到1%，真正的大股东是方运舟。

张勇坚持用“哪吒”这个牌子，而创始人则希望用自己的名字。现在很多新能源品牌，比如理想、小鹏，都是创始人名字。方运舟也希望这么做，但张勇进来以后说不能用自己的名字，太low了，要用“哪吒”，还要重新诠释品牌内涵。

当时大家就觉得你压根没抓住重点：车质量不好、价格便宜、没有什么科技创新，还有很多其他问题，这时候还在做品牌诠释，显得很离谱。

到2024年12月，多方开始传出张勇不再担任CEO的消息，哪吒方面起初还否认，遮遮掩掩过了一段时间后，最终承认张勇不再担任CEO，由方运舟兼任。可以理解为创始人说“还是我自己来吧”。

但最后成为被执行人、成为“老赖”的，两个人谁都没跑掉，因为在最后借钱并承担无限连带责任的时候，这俩人肯定都签了字。

真正判哪吒“死刑”的，不是亏损，而是上市失败

那么，真正把哪吒干死的是什么？是车造得差吗？是赔钱卖车吗？这些当然都有影响，但真正判它死刑的是上市失败。

中国很多创业企业，包括这些新能源企业，造车的目的是什么？就是为了上市融资。很多国资愿意给它钱，目的也是为了上市退出。

很多地方给车企的甚至都不完全是现金，而是一块地。为什么？他们不知道这块地不值那么多钱吗？知道。原因很简单，他们知道自己手里是有上市指标的，所以必须合作。

蔚来、理想、小鹏这些都已经是上市公司了，哪吒也想冲一把，说我也该上市了。但有时候真的是天时地利人和，它没赶上天时。

哪吒IPO的关键时间线

哪吒IPO发生在2024年6月26日，合众新能源向港交所递交了招股书草案。中金、摩根士丹利、中信证券、农银国际、招银国际担任联席保荐人。

此时累计融资已经达到228.44亿元，估值目标是424.29亿元，另一个信源报道是458亿，可能存在港币和人民币口径差异。

2024年5月至6月，上市前实在没钱了，又通过可换股债券、股权认购、银行借贷等方式紧急筹了44.37亿元，明显是在为IPO冲线。愿意借钱的人也想得很明白：只要你上去了，我就能卖股票退出。

递表之前，还通过可转换债券向浙江桐乡国资发行了9.4亿元，向广西南宁国资发行了1.2亿元。IPO后，这些国资本来可以按照每股16.15的价格去港股市场退出。

为什么IPO最终失败？

1. 
   财务数据无法支撑估值。2024年上半年销售同比暴跌，2022年卖得特别好，2023年也还可以，但2024年卖不动了，全年销量只有8.79万辆，而2022年的高点是15.21万辆。毛利率持续为负，三年亏了183亿，机构根本无法给出424亿元估值的定价依据。
2. 
   港股流动性收缩，风险偏好下降。2024年下半年港股市场环境较差，投资人对亏损车企IPO极其谨慎。注册制不代表你说值400亿就能值400亿，前提是必须有足够多的人愿意按这个价格买股票。
3. 
   公司内部动荡加剧。递交招股书之后，方运舟公开致歉，张勇被免职等负面消息持续传出，机构投资信心进一步恶化。
4. 
   机构认购基础薄弱。虽然保荐人阵容豪华，但没有足够的机构投资人愿意在这个估值和基本面下申购。上市前本来就得把盘子大致定下来，哪吒始终凑不齐愿意买股票的人，因此连聆讯机会都没有。

从递表到失效，全程没有进入聆讯。流程本来应该是递表，6个月内找到认购人，价格谈妥，然后开始路演，再上市。结果到了6个月，招股说明书就过期了。招股书有效期就是6个月，过期就等于上市失败。

上市失败之后发生了什么？

上市失败之后，可转债对应的地方国资退出路径被直接封死。当时找国资借钱，就是告诉人家未来可以按16块多的价格去港股退出，国资其实也乐意，因为有接盘资金。

现在上市失败，国资就直接起诉，要求还钱。可企业肯定还不出来。又过了半年，前面融来的钱也烧光了。于是国有资产直接流失，创始人和CEO被起诉，成了失信被执行人，哪里也去不了。

哪吒当时的逻辑是：只要能上市，就能再融一笔钱；只要资本市场接盘了，就还能继续拖时间。上市以后，还可以继续通过股市融资，比如再发债，用股票做抵押，再拿到一笔钱，腾挪空间就大了。

而且它还想，只要销量还能维持，就还有机会讲下一个故事，甚至继续增发。但一旦上市失败，所有人都会突然反应过来，这家公司不只是暂时遇到困难，而是已经翻不了身了，再也找不到接盘者。

这就是为什么说它“天时不对”。如果它早一年上市，也许真就上去了。蔚来、小鹏也一直亏钱，而且亏得比它多，但人家上市上得早，在市场还比较暖的时候上去了。哪吒只是晚了一点，结果天时没了。

上市失败，让一个长期失血的公司失去了最后一次公开输血的机会，这才是真正的死刑。

哪吒汽车目前的处境：司法重整与资质危机

现在的哪吒汽车已经不是“经营困难”了，而是进入了司法重整阶段。

公开信息显示，2025年6月12日，浙江省嘉兴市中级人民法院裁定受理合众新能源破产重组案件。截止到2025年5月1日，公司账面资金只剩下1,500万，但确认债务达到260亿。账上这1,500万，什么都顶不了。

三大生产线陆续停产或半停产。它有三个生产基地，车卖不掉，肯定没法继续生产。

它手里还有一个比较值钱的资源，就是新能源车生产资质。这个东西通常掌握在各地方政府手里，它为什么把业务分在三个地方，因为三个地方都有资质。但现在国家在收缩新能源车生产，要求集中，如果一张资质连续两年没有造够2,000辆车，这个资质可能就会被没收。

所以很多地方现在都很着急，想救它，前面那些破产倒闭的项目也都想救，核心就是想把资质救活，但这并不容易。

方运舟、张勇被列为失信被执行人，这就是他们现在的状态。

哪吒背后到底坑了多少地方的钱？

央视这次最狠的点，不是说你经营失败，也不是说你内卷，而是你坑了国家的钱。

江西宜春经开区

这个项目总投资约50亿，大部分由江西宜春经开区筹集。江西宜春市国资委和财政局所属平台公司，投资了将近20亿元，用于收购股权、土地和房产代建，额外又花了接近3亿，还有10年的租金减免。

完全是赔本赚吆喝，钱都花出去了，什么都没回来。每辆车如果在江西宜春范围内销售，政府还补贴2万。

广西南宁

项目规划年产10万辆纯电动乘用车，广西南宁方面累计以市场化方式投入24亿元，其中广西南宁产投集团给了16亿，此外还有5.5亿元各种项目补助。

车企的钱到底是怎么亏掉的？

你明明看到它一辆一辆车在卖，4S店或者商场门店在开着，有时候一年还能卖十几万辆车，钱怎么就没了？

造车这件事，本质上有四个无底洞。

1. 车本身不赚钱

这就是绝对的无底洞。哪吒最致命的问题就是负毛利。其他车企总体可能亏损，但毛利是正的；你不能纯粹卖一辆亏一辆。

2. 研发成本极高

车的研发周期很长，国外一款车的生命周期经常有十几年，不像国内很多车厂一年出三四款新车。国外就是靠漫长时间和巨大销量把研发成本摊回来。

三电系统、平台架构、智能驾驶、智能座舱、验证测试，都是要烧钱的。再加上新能源车企招了大量互联网公司的人，互联网人的工资比传统车厂高很多，所以这一块非常烧钱。

3. 渠道和营销极度吞金

门店、广告、发布会、人员返佣、交付体系、售后体系，全是巨大支出。前面那个“五亿换标”，钱主要也是花在这里。

以蔚来为例，2025年销售及行政费用是160.9亿，比研发成本还高；小鹏2025年销售及行政费用是94亿，基本和研发费用一样。直销、经销返佣、广告投放、交付体系，都会持续失血。

传统车厂不是这么干的，传统车厂通常是把车卖给经销商就完了，包括比亚迪很多也是走这条路。自己建门店、自己卖车这套，是特斯拉带起来的，新能源车企大多是在学它，这里面的成本非常高。

4. 库存、账期和供应链压力

车不是客户下单你再去造的，一定得先造出来。造车时就得先进货，通常还得借钱进货。买钢材、买电子元器件，都是要花钱的，而且这些钱是有利息的。

造出来以后如果卖不掉，就形成库存，库存也有资金成本。一旦销售不及预期，库存、供应商欠款、金融成本、促销补贴会迅速连锁爆炸。

再叠加地方政府投入了大量非现金资源，比如土地、厂房、政策性减免、销售奖励、平台借债，这些东西本质上也都有成本和利息，都是压在车企身上的大山。

这四座大山压下来，你想不赔钱其实很难。

谁在赚钱，谁还在硬扛？

现在新能源车企里，特斯拉肯定是盈利的，因为它虽然到处建门店，但几乎不怎么打广告，有马斯克一个人的广告效应就够了，而且它是先行者，所以广告投入非常小。

比亚迪能够盈利，新能源阵营里理想能够盈利，赛力斯能够盈利，小米能够盈利，其他很多公司都还在亏损。

所以如果像哪吒汽车这样，一开始车就没造好，后面又实在冲不下去，上市还没成功，就会演变成企业亏空、国资套牢、供应商讨债、员工离场、地方收拾残局，最后被央视点名。

为什么说新能源汽车行业进入“大逃杀”时代？

因为央视这次点名的时机非常微妙。许家印刚出来认罪认罚，再往后这些老板再想通过“有限责任公司破产”把自己摘干净，继续做富家翁，就没那么容易了。你可能也得出来认罪认罚。那接下来就只能大逃杀了。

后面一段时间，价格战和各种奇奇怪怪的现象会愈演愈烈。前面已经挂掉的汽车厂，比如高合汽车、极越汽车、威马汽车、拜腾汽车，可能也会被拎出来算旧账。因为这些车厂背后都有大量国资，不管你拿的是地，还是其他资源，最后都可能要秋后算账。

所以价格战会继续打，车厂的补贴会更加疯狂；但同时，资本会更谨慎，海外市场摩擦会更多，政策也在反内卷。未来一段时间，各个车企会给大家表演一场大逃杀的行为艺术。

汽车行业比团购和手机更残酷

汽车行业的大逃杀，比团购和手机残酷得多。中国其实不是第一次干这个事。以前有千团大战，也有众多手机厂商混战，最后都只剩下少数几个。

当年互联网快速发展时，大家还在用摩托罗拉、三星，会觉得中国手机品牌一家独大不太可能。后来中国手机厂商一起冲，现在也就剩下小米、华为、荣耀、OPPO、vivo这几个了，其他基本都死掉了。

现在车企也来了一遍。中国新能源品牌最多的时候大概接近400个，现在还剩40多个。普遍看法是到2030年，大概还能剩十几个，十四五个的样子。还会有一大批车企等着破产。

千团大战最后剩美团一个，手机大战最后剩四五个，400多个汽车品牌大战最后剩十来个，这个过程会非常残酷。

为什么汽车行业会更受伤？

• 第一，资产太重。
• 第二，卷入了大量国资。
• 第三，车和手机不一样，手机造差一点，大不了冒个烟、卡顿、不好使；车是要上路跑的，你把质量做坏了，真的是会出人命的。

所以这一次汽车行业一定会比前两次更受伤。

但中国也有一个特点：千团大战最后活下来的美团，战斗力异常顽强；手机大战最后活下来的华为、小米、OPPO、vivo、荣耀，战斗力也都异常顽强。车也是一样，最后通过这种养蛊方式留下来的，绝对都是狠角色。

哪吒到底是不是“车圈恒大”？

可以明确地说，绝对不是，“车圈恒大”一定是剑指他人。

为什么这么说？

首先，“车圈恒大”这个说法是魏建军在2025年5月接受采访时说出来的，他没有点名任何具体车企。这个事情被路透社和很多媒体报道，说车圈里有恒大。

如果一个企业对长城汽车没有影响，没有竞争压力，魏建军理它干嘛？他一定是在说一个对长城汽车有影响的竞争对手。所以这绝不可能是哪吒。哪吒太小了，和长城汽车比起来不在一个量级。

第二，哪吒2024年6月冲上市，2024年12月张勇就被罢免CEO了，公司基本已经停摆。到2025年5月魏建军出来喊“车圈恒大”的时候，如果说的是哪吒，早就点名了。之所以还不敢点名，说明这个企业绝对不是哪吒。

当时魏建军讲的是：有企业在财务上已经很危险，有些销量和繁荣是靠扭曲机制推出来的，有些风险不是企业自己承担，而是在往供应链、地方政府和社会层面转移。哪吒在那时已经爆雷、已经挂了，所以不是在讲它。那到底是谁，还可以继续拭目以待。

从汽车到大模型，这套路径是否还会重演？

最后，汽车已经这样了，希望下一个行业别再按这个打法继续追赶了，别再沿着这条路走。但这又很难避免。

前面是互联网，后面是手机，现在是汽车，基本接近尾声，最后几家还会继续表演大逃杀，毕竟谁也不想进去认罪认罚。

现在最新的是什么？是大模型行业。这个行业里，我们依然在卷，依然在玩“一将功成万骨枯”的叙事。目前看起来，好像也快卷出结果来了。

一旦中国卷出结果，在全球范围内通常还是很有杀伤力的，往往能大杀四方。所以大模型这块，基本上又在照着这条路走一遍。

我现在最不希望看到的“百机百车大战”式行业，是商业航天。现在看起来，好像也有往这个方向前进的趋势。

背景图片

本文永久链接 – https://tonybai.com/2026/04/24/go-code-design-day-one-principle-practical-patterns-list

大家好，我是Tony Bai。

世界读书日送福利活动火热进行中，点击这里留言参与，赢取属于你的幸运！

每一个 Go 开发者，大概都经历过这样的心路历程：

项目启动初期，为了追求“快”，我们怎么方便怎么来。配置到处写，数据库连接随手建，错误日志直接 fmt.Println。我们安慰自己：“先跑起来，以后再重构。”

结果呢？

半年后，项目变成了一座摇摇欲坠的“屎山”。配置散落在几十个文件里，改一个端口号要动十个地方；数据库连接池因为没关，把连接数打满；线上出了 Bug，日志里只有一行孤零零的 record not found，查个问题比登天还难。

技术债，就像滚雪球，你越是假装看不见，它就滚得越大。

这时候，你的内心肯定在呐喊：有没有一些在Go项目刚创建时期就应该知道的Go代码模式，可以让我在项目的“第一天”，就建立起一套健壮、可维护、可观测的骨架呢！

有的！

我将这套方法论，称为 Go 语言架构的“第一天原则”。掌握它，足以让你在Go 代码设计的道路上，少走五年弯路。

这些原则，没有一条是关于炫技的复杂设计模式。

今天，我们就来逐条硬核拆解这些原则，并用可运行的 Go 代码，手把手教你如何将它们落地。

原则一：配置集中解析，依赖显式注入

这是所有“混乱”的根源。如果你的代码里，到处都是 os.Getenv(“DB_HOST”)，那你的项目已经走在了通往地狱的路上。

反模式：

在某个业务函数的深处，为了连一下 Redis，临时去读环境变量。这使得你的函数与外部环境强耦合，极难进行单元测试。

第一天原则：

在 main 函数中，一次性完成所有配置的解析和校验，然后通过构造函数，将“配置好”的依赖（如数据库连接池），以“接口”的形式，显式地注入到需要的服务中。

【Go 代码实战】

// https://go.dev/play/p/CrGDShmoFFJ
package main

import (
    "context"
    "database/sql"
    "fmt"
    "log"
    "net/http"
    "os"

    _ "github.com/lib/pq"
)

type Config struct {
    DatabaseURL string
    ListenAddr  string
}

func loadConfig() Config {
    dbURL := os.Getenv("DATABASE_URL")
    if dbURL == "" {
        log.Fatal("DATABASE_URL is not set")
    }
    return Config{
        DatabaseURL: dbURL,
        ListenAddr:  ":8080",
    }
}

type UserRepo interface {
    GetUser(ctx context.Context, id int) (string, error)
}

type PostgresUserRepo struct {
    db *sql.DB
}

func (r *PostgresUserRepo) GetUser(ctx context.Context, id int) (string, error) {
    var name string
    err := r.db.QueryRowContext(ctx, "SELECT name FROM users WHERE id=$1", id).Scan(&name)
    return name, err
}

func NewPostgresUserRepo(db *sql.DB) *PostgresUserRepo {
    return &PostgresUserRepo{db: db}
}

type Server struct {
    repo UserRepo
}

func NewServer(repo UserRepo) *Server {
    return &Server{repo: repo}
}

func (s *Server) HandleGetUser(w http.ResponseWriter, r *http.Request) {
    name, err := s.repo.GetUser(r.Context(), 1)
    if err != nil {
        http.Error(w, err.Error(), http.StatusInternalServerError)
        return
    }
    fmt.Fprintf(w, "User: %s", name)
}

func main() {
    cfg := loadConfig()

    db, err := sql.Open("postgres", cfg.DatabaseURL)
    if err != nil {
        log.Fatalf("failed to connect to database: %v", err)
    }
    defer db.Close()

    repo := NewPostgresUserRepo(db)
    server := NewServer(repo)

    http.HandleFunc("/user", server.HandleGetUser)
    log.Printf("Server starting on %s", cfg.ListenAddr)
    log.Fatal(http.ListenAndServe(cfg.ListenAddr, nil))
}

这样一来，你的业务代码将变得极其纯粹，不依赖任何全局状态，测试时也可以轻松地 Mock 掉 UserRepo 接口。

原则二：为可观测性而设计：结构化日志与 Metrics

“不就是打个日志吗，fmt.Println 走起！”——这是毁掉一个项目最快的方式。

反模式：

遇到错误，直接 log.Printf(“Error: %v”, err)。当线上出现几万条这样的日志时，你根本无法进行聚合、告警和趋势分析。

第一天原则：

从第一天起，就引入结构化日志（如 log/slog 或 zap）。将所有关键信息（如 user_id, trace_id）作为独立的字段打印。同时，为关键业务指标（如缓存命中率、数据库查询延迟）埋入 Metrics。

【Go 代码实战】

// https://go.dev/play/p/h4_8a4nzCFx
package main

import (
    "log/slog"
    "net/http"
    "os"
    "time"

    "github.com/prometheus/client_golang/prometheus"
    "github.com/prometheus/client_golang/prometheus/promhttp"
)

var (
    cacheHits = prometheus.NewCounter(prometheus.CounterOpts{
        Name: "myapp_cache_hits_total",
        Help: "Total number of cache hits.",
    })
    dbQueryDuration = prometheus.NewHistogram(prometheus.HistogramOpts{
        Name:    "myapp_db_query_duration_seconds",
        Help:    "Histogram of database query durations.",
        Buckets: prometheus.DefBuckets,
    })
)

func init() {
    prometheus.MustRegister(cacheHits, dbQueryDuration)
}

func handleRequest(w http.ResponseWriter, r *http.Request) {
    logger := slog.New(slog.NewJSONHandler(os.Stdout, nil))

    logger.Info("handling request", "method", r.Method, "path", r.URL.Path, "remote_addr", r.RemoteAddr)

    cacheHits.Inc()

    start := time.Now()
    time.Sleep(100 * time.Millisecond)
    duration := time.Since(start)
    dbQueryDuration.Observe(duration.Seconds())

    logger.Info("request handled successfully", "duration_ms", duration.Milliseconds())
    w.WriteHeader(http.StatusOK)
}

func main() {
    http.HandleFunc("/", handleRequest)
    http.Handle("/metrics", promhttp.Handler())

    log.Println("Server starting on :8080")
    log.Fatal(http.ListenAndServe(":8080", nil))
}

有了结构化日志和Metrics的加持，你的系统不再是一个“黑盒”。通过 Grafana 和 VictoriaLogs，你可以清晰地看到它的每一个内部状态，问题定位速度提升 10 倍。

原则三：永不启动一个你不知道如何停止的 Goroutine

这是 Dave Cheney 反复强调的血泪教训。一个失控的 Goroutine，就是一个内存炸弹。

反模式：

go doSomething()。然后呢？它什么时候结束？如果它卡住了怎么办？

第一天原则：

任何一个需要长久运行的 Goroutine，都必须接受一个 context.Context 参数，并在 select 中监听 ctx.Done()。将所有后台 Goroutine 的生命周期，与你的应用程序生命周期绑定。

【Go 代码实战】

// https://go.dev/play/p/Fi1JUZfs4E-
package main

import (
    "context"
    "log"
    "os"
    "os/signal"
    "syscall"
    "time"
)

func worker(ctx context.Context, id int) {
    ticker := time.NewTicker(1 * time.Second)
    defer ticker.Stop()

    log.Printf("Worker %d started", id)
    for {
        select {
        case <-ticker.C:
            log.Printf("Worker %d is doing work", id)
        case <-ctx.Done():
            log.Printf("Worker %d is shutting down...", id)
            return
        }
    }
}

func main() {
    ctx, cancel := signal.NotifyContext(context.Background(), os.Interrupt, syscall.SIGTERM)
    defer cancel()

    go worker(ctx, 1)

    <-ctx.Done()

    log.Println("Main application shutting down.")
    time.Sleep(100 * time.Millisecond)
}

这样，你的应用就可以实现优雅停机（Graceful Shutdown），在 k8s 环境中滚动更新时，不会丢失任何正在处理的数据。

原则四：为可测试性而设计，构建你的“数据靶场”

在复杂的业务系统中，最难测试的不是“Happy Path”，而是各种千奇百怪的“Unhappy Paths”。

第一天原则：

为你的核心业务逻辑，构建独立的“数据生成器（Data Generators）”和“数据接收器（Sinks）”。在测试中，用内存中的模拟实现（Mocks）替换掉真实的外部依赖，从而能 100% 控制输入和验证输出。

【Go 代码实战】

// https://go.dev/play/p/NBsxpVE84Zb
package main

import (
    "context"
    "fmt"
    "sync"
    "testing"
)

type Order struct { ID int }

type OrderNotifier interface {
    Notify(ctx context.Context, order Order) error
}

type OrderProcessor struct {
    notifier OrderNotifier
}

func NewOrderProcessor(notifier OrderNotifier) *OrderProcessor {
    return &OrderProcessor{notifier: notifier}
}

func (p *OrderProcessor) Process(ctx context.Context, order Order) error {
    return p.notifier.Notify(ctx, order)
}

type MockNotifier struct {
    mu        sync.Mutex
    Notified  []Order
    ShouldErr bool
}

func (m *MockNotifier) Notify(ctx context.Context, order Order) error {
    m.mu.Lock()
    defer m.mu.Unlock()
    if m.ShouldErr {
        return fmt.Errorf("mock notifier failed")
    }
    m.Notified = append(m.Notified, order)
    return nil
}

func TestOrderProcessor_Success(t *testing.T) {
    mockNotifier := &MockNotifier{}
    processor := NewOrderProcessor(mockNotifier)
    order := Order{ID: 1}
    err := processor.Process(context.Background(), order)

    if err != nil {
        t.Errorf("expected no error, got %v", err)
    }
    if len(mockNotifier.Notified) != 1 || mockNotifier.Notified[0].ID != 1 {
        t.Errorf("notifier was not called correctly")
    }
}

遵守该原则后，你的单元测试将变得极快、极度稳定，并且能够 100% 覆盖所有你能想到的成功和失败分支。

原则五：防御性编程，构建你的“代码防火墙”

不相信任何外部输入。这是所有安全系统的第一性原理。

第一天原则：

在数据的入口处（如 HTTP Handler、gRPC Server），对所有传入的数据进行严格的、显式的校验（Validation）。只有通过了“安检”的干净数据，才能被允许进入系统的核心领域。

【Go 代码实战(不完全示例)】

package main

import (
    "encoding/json"
    "fmt"
    "net/http"
    "net/mail"
)

type CreateUserRequest struct {
    Username string json:"username"
    Email    string json:"email"
    Age      int    json:"age"
}

func (r *CreateUserRequest) Validate() error {
    if len(r.Username) < 3 || len(r.Username) > 20 {
        return fmt.Errorf("username length must be between 3 and 20")
    }
    if _, err := mail.ParseAddress(r.Email); err != nil {
        return fmt.Errorf("invalid email format: %w", err)
    }
    if r.Age < 18 {
        return fmt.Errorf("user must be at least 18 years old")
    }
    return nil
}

func HandleCreateUser(w http.ResponseWriter, r *http.Request) {
    var req CreateUserRequest
    if err := json.NewDecoder(r.Body).Decode(&req); err != nil {
        http.Error(w, "Invalid request body", http.StatusBadRequest)
        return
    }

    if err := req.Validate(); err != nil {
        http.Error(w, err.Error(), http.StatusBadRequest)
        return
    }

    // processValidatedRequest(req) ...
    w.WriteHeader(http.StatusCreated)
}

这种防御可以让你的核心业务逻辑变得极其纯粹和安全，不再需要处理各种脏数据和边界情况。

注：如果是服务器，外部(甚至是内部其他服务的)请求的速度也可能是一种“安全威胁”。因此无论是通过中间件，还是代码自行实现，限速机制是必不可少的。

原则六：错误包裹与类型化错误，让错误自己开口说话

一个好的错误信息，应该像一份精准的“尸检报告”，而不是一句无意义的“他死了”。

第一天原则：

在错误产生的最底层，用 fmt.Errorf(“…: %w”, err) 详细包裹上下文。对于可预期的业务异常，定义成自定义的“类型化错误（Typed Errors）”，让上层逻辑可以通过 errors.As 进行精准的判断和处理。

【Go 代码实战(不完全示例)】

package main

import (
    "errors"
    "fmt"
    "net/http"
)

type ErrDuplicateUser struct { Email string }

func (e *ErrDuplicateUser) Error() string {
    return fmt.Sprintf("user with email %s already exists", e.Email)
}

func RegisterUser(email string) error {
    // 模拟数据库层返回一个已知类型的错误
    if email == "test@example.com" {
        return &ErrDuplicateUser{Email: email}
    }
    return fmt.Errorf("db connection failed: %w", errors.New("timeout"))
}

func HandleRegister(w http.ResponseWriter, r *http.Request) {
    err := RegisterUser("test@example.com")
    if err != nil {
        var dupErr *ErrDuplicateUser
        if errors.As(err, &dupErr) {
            http.Error(w, dupErr.Error(), http.StatusConflict)
        } else {
            // 对于未知的底层错误，只打日志，不暴露给用户
            slog.Error("failed to register user", "error", err)
            http.Error(w, "Internal server error", http.StatusInternalServerError)
        }
        return
    }
    w.WriteHeader(http.StatusCreated)
}

这样处理后，你的错误处理逻辑变得极其清晰和健壮，业务异常可以被优雅地反馈给用户。

原则七：接口定义在消费侧，实现“最小化契约”

这是 Go 语言最精髓、也最反直觉的一条哲学。

第一天原则：

永远不要在“定义侧”声明臃肿的接口。而是在“消费侧”，根据你真正需要的功能，定义一个只包含 1-2 个方法的“小接口”。

【Go 代码实战（不完全示例）】

// --- cache/cache.go ---
package cache
type BigCache struct {}
func (c *BigCache) Get(key string) (string, error) { /* ... */ }
func (c *BigCache) Set(key, val string) error     { /* ... */ }

// --- user/service.go ---
package user
import "fmt"
// 我们在 user 包里，只定义我们真正需要的小接口
type Getter interface {
    Get(key string) (string, error)
}
type UserService struct {
    cache Getter // 依赖的是小接口，而不是具体的 BigCache
}
func (s *UserService) GetUserName(id int) (string, error) {
    return s.cache.Get(fmt.Sprintf("user:%d", id))
}

示例代码中，你的 UserService 彻底与 BigCache 的具体实现解耦。在测试时可以极其轻松地传入 Mock 对象。

小结：架构的本质，是与未来的自己对话

看完上述的七条原则，你是否发现所有这些“第一天原则”都指向了一个共同的核心：可维护性（Maintainability）。

你在项目第一天偷的每一个懒，都会在未来的某一个深夜，变成一颗狠狠炸伤你或你同事的“技术地雷”。架构的本质，不是选择一个多么牛逼的框架，而是与未来的自己、未来的同事进行一场清晰、友好的对话。

关掉这篇文章，打开你手头那个最新的项目。看看这 7 条原则，你触犯了哪几条？是时候，给你的代码库做一次“体检”了。

今日互动探讨：

在你过去的 Go 项目中，踩过哪些因为早期“野蛮生长”而导致的设计大坑？除了这 7 条，你还有哪些“压箱底”的项目启动最佳实践？

欢迎在评论区分享你的血泪史与独家心法！

还在为写 Agent 框架频频死循环、上下文爆炸而束手无策？我的新专栏 《从0 开始构建 Agent Harness》 将带你：

• 抛弃臃肿框架，回归“驾驭工程 (Harness Engineering)”的第一性原理
• 用 Go 语言手写 ReAct 循环、并发拦截与上下文压缩引擎等，复刻极简OpenClaw
• 构建坚不可摧的 Safety Middleware 与飞书人工审批防线
• 在底层实现 Token 成本审计、链路追踪与自动化跑分评估
• 从“调包侠”进化为掌控大模型边界的“AI 操作系统架构师”

扫描下方二维码，开启从 0 开始构建Agent Harness 的实战之旅。

原「Gopher部落」已重装升级为「Go & AI 精进营」知识星球，快来加入星球，开启你的技术跃迁之旅吧！

我们致力于打造一个高品质的 Go 语言深度学习 与 AI 应用探索 平台。在这里，你将获得：

• 体系化 Go 核心进阶内容: 深入「Go原理课」、「Go进阶课」、「Go避坑课」等独家深度专栏，夯实你的 Go 内功。
• 前沿 Go+AI 实战赋能: 紧跟时代步伐，学习「Go+AI应用实战」、「Agent开发实战课」、「Agentic软件工程课」、「Claude Code开发工作流实战课」、「OpenClaw实战分享」等，掌握 AI 时代新技能。
• 星主 Tony Bai 亲自答疑: 遇到难题？星主第一时间为你深度解析，扫清学习障碍。
• 高活跃 Gopher 交流圈: 与众多优秀 Gopher 分享心得、讨论技术，碰撞思想火花。
• 独家资源与内容首发: 技术文章、课程更新、精选资源，第一时间触达。

衷心希望「Go & AI 精进营」能成为你学习、进步、交流的港湾。让我们在此相聚，享受技术精进的快乐！欢迎你的加入！

商务合作方式：撰稿、出书、培训、在线课程、合伙创业、咨询、广告合作。如有需求，请扫描下方公众号二维码，与我私信联系。

© 2026, bigwhite. 版权所有.