中台这几年在很多公司里越来越尴尬：不直接赚钱、效率难衡量、自研的还没开源的好用，团队士气低落。但中台没落不是模式失败，是定位错了——它被当成了 KPI 和权力中心，忘了自己本该是让业务跑得更快的“铺路队”。AI 时代要活下去，中台得回归平台工程的本分：精兵简政、当产品不当收费站、把采用率当唯一裁判。

当性能卡在延迟上、当可靠性被跨国网络拖垮、当突发流量把源站压垮时，边缘节点常常是那个"离用户最近、最稳、最快"的解法。这篇从我做音视频就近接入的经历讲起，理清边缘节点到底适合哪些场景、有哪些经典案例、落地时怎么做、又容易踩哪些坑——核心是一句：边缘换来的是延迟和稳定，代价是一致性和运维复杂度，时间和空间从来不可兼得。

顺境里人人都很有修养。你的定力值几分钱，只有在遇到难搞的人和事时才会暴露。折磨你的常常不是某个人，而是一件推不动、边界不清、越弄越乱的破事。王阳明说“人须在事上磨”，讲的不是忍，是把一件麻烦事拆成两本账：事账要办完，心账不能被污染。本文给出《传习录》里那份五百年前的现成清单（怒、喜、恶、怜、忙、随），配上林肯那封“从未寄出”的信、斯坦福关于情绪抑制认知成本的研究、HBR 关于职场无礼代价的数据，以及 Mulally 在福特为第一个红灯鼓掌的那一刻。

Pi 的 README 里有一节 Philosophy，通篇是"不做什么"：不做 MCP、不做 sub-agent、不做权限弹窗、不做 plan mode、不做内置 todo。但把仓库翻一遍会发现，这些被拒绝的功能全都以示例扩展的形式躺在 examples/ 目录里。这篇结合代码和数据讲清一件事：Pi 的克制不是靠作者意志力，是靠三个支点撑住的——按 token 而不是按行数度量"最小"、用扩展点给需求留泄压阀、以及一套敢说不的治理。文末给一个把 Pi 当 Agent 引擎嵌入自己项目的完整实例：代码库合规巡检 agent，含只读工具收敛、自定义工具落库、事件流审计。

AI 既让学习成本大跌，也在实验里测出了能力退化，这两件事同时为真。差别不在用不用 AI，而在“生成答案的那一步”发生在谁的脑子里。文中列了会变笨的六种做法、会变聪明的六种做法，三条不靠感觉的自测线（费曼测试、挑毛病测试、一个月回测），以及一个反问：AI 做的我都得懂吗？答案是不必——荀子说“假舟楫者，非能水也”，关键是把活分成必须会做、必须能判断、可以不懂三层，判据是“错了会怎样”。

OpenCode 把 Go 写的 TUI 换成了 TypeScript，同一年 OpenAI 把 Codex CLI 从 TypeScript 换成了 Rust——两个团队方向正好相反。我的判断是：TS 赢的是 Agent 与工具这一层，Python 在模型层一寸没让。这篇结合 OpenCode 源码讲清四条真实原因、TS 的四个失分点，以及给老程序员的一条学习路径和一份实测过的陷阱清单。

AI 写文档没有消灭废话，只是把成本从作者转移给了读者，还要乘上一个 N。啰嗦的根源有三层：训练时被人类的评审偏好教会的、心里没底时用字数掩饰、以及它压根没有“删”这个动作。治它最省力的一招，是我读 RFC 时留下的那份 What/Why/How/Example 模板——章节固定，配额写死，空白处会暴露问题。

AI 最危险的时刻，不一定是一本正经地胡说八道，而是顺着我们的预设，把一个未经检验的猜测润色成完整结论。与其让 AI 做一个百依百顺的助手，不如把它调成敢于指出漏洞的诤友。

一百多年前厄尔曼用六个内心指标判断一个人老没老，我们的招聘系统只用一个出生年份，而那个数字出自 1994 年一份公务员招录文件。歧视加剧的主因是结构：薪资斜率、组织形状、经验折旧速度同时在变。这是我两年前《大龄程序员尚能饭否》的续篇，写给两边——招聘方为什么筛年龄是亏本买卖，求职者怎么把年头翻译成对方算得清的东西。

nslookup 回答"这个域名解析成什么"，dig 回答"这个答案是谁给的、凭什么"。本文先讲清两者的分工，再用一段可复制粘贴的脚本，在本机复现"公司代理劫持 HTTPS 导致证书校验失败"，然后按 openssl 看证书、dig 看解析的顺序把凶手指出来，最后给一份排查清单，并把这套方法收成了 AI skill lazy-tls-doctor。

昨天听到朱镕基总理去世的消息，享年97岁。我心里最敬仰的当代政治家，没有之一。世纪之交那几年，我从一个一脸青春痘、满心迷茫的国企秘书，靠着自学电脑一步步转成程序员，正好赶上他主持的那一轮改革。今天写点文字，纪念这位工程师出身的老人，也纪念那个心里有一团火的年代。

人到中年，健康、爱、好奇心是我最不想丢的三样。这几年我发现好奇心在悄悄流失——不是没了兴趣，而是对不确定的未来失去了好奇。这篇写给同样在犯懒的自己：好奇心不是天赋，是可以重新点着的火，附一份重燃好奇心、再做点新东西的行动清单。

前两篇我自己用 pgvector 手搓了一套 Agent 记忆系统，也讲了怎么让 Claude Code、Codex、OpenCode 共享它。这篇介绍一个 6 万多 star 的开源库 mem0——它把"打分、抽取、去重、多信号检索"这些活儿全帮你做了，还官方提供了三个编码工具的 skill 和 MCP 集成。附架构拆解、核心 API 用法，以及一行命令接进三个工具的实操。

一个密钥管理服务，给每个应用建一组角色，应用涨到上万个，角色也跟着破万——这就是典型的角色爆炸。本文用这个真实案例把 RBAC 和 ABAC 的区别讲透，说清角色爆炸的根源，一步步演示怎么把三万个角色塌回三个，并盘点 Kubernetes、AWS、GCP、Azure 的实践与 OPA、Cedar、Casbin 等成熟开源框架的选型。

我同时用 Claude Code、Codex、OpenCode 写代码，结果发现自己在维护三份几乎一样的规则文件——改了这个忘了那个，三个工具越用越"精神分裂"。这篇给一套让它们共享同一份记忆的落地方案：静态规则用"单一事实源 + 符号链接"，动态长期记忆用一个 MCP 记忆服务，附可直接抄的脚本和 checklist。

我这人有个恶习——不想做又不得不做的事，能拖就拖，拖到火烧眉毛才手忙脚乱地上。这篇先把拖延症的底细摸清：它有多普遍、为什么番茄钟和"吃青蛙"这些常规招数常常失灵，再给出我的解法——用点心理学，列一张愿望清单当胡萝卜、一张惩罚清单当大棒，给"未来的我"和"现在的我"签一份合约，附可以直接照抄的模板，最后聊聊怎么让 AI Agent 当"陪跑教练"帮你降门槛、盯打卡、做复盘。

生产上的 AI Agent 大多不是死在模型不行，而是死在记忆管得烂：要么什么都记，Token 和存储一起爆炸；要么什么都记不住，用户说三遍它忘三遍。这篇讲清楚一套像人脑一样分层的记忆系统——工作记忆、情景记忆、语义记忆、程序记忆，以及写入、巩固、检索、遗忘的完整生命周期，最后给一套可落地的参考架构和 checklist。

前两篇讲了用 AI 做计划的心法和工具，但都有个漏洞：PDCA 是个环，却全靠人手动推着转，人一忙就停。这篇讲怎么用一个长期运行的 AI Agent 把 Check→Act→Plan 半环自动转起来——它不替你干活，它是个不睡觉的监工，盯进度、发提醒、起草方案，卡住了就喊人。

上一篇讲了用 AI 做计划的心法，这篇讲兵器：有哪些 AI 工具能落地 PDCA，通用工具怎么选，怎么把 PDCA 封装成你自己的 AI Skill——文末附一份可以直接抄的 Skill 模板和四段 Prompt。

凡事预则立，不预则废。可做计划往往费力不讨好，跟踪、纠偏更是耗时。这篇讲讲怎么把管理学、心理学里那些做计划的老经验，跟 AI 结合起来，让 AI 帮你把 PDCA 环转起来——你省下的时间，用来创新创造。