水印藏在选词里
Anthropic 的办法不是往文字里插看不见的字符,而是在模型每次挑词时,用一把密钥规定哪些词允许被挑。
大语言模型写字是一个词一个词往外蹦的。每写一步,它先算出一批候选词,每个带一个概率,然后从里面挑一个。水印改的不是挑出来的词,是「哪些词允许被挑」。
具体做法:一把只有 Anthropic 掌握的密钥,加上刚写出来的前几个词,一起送进一个固定算法,算出这一步哪些候选算「合法」。模型只从合法的那批里挑。
关键在于,模型面前大多数时候不止一个说得通的选择。「快速」和「迅速」都行,「因此」和「所以」都行。这些岔路口每一个都被密钥筛过一遍。读起来毫无异样,但选择的分布里留下了规律。
检测靠数命中率
检测是反向操作:拿同一把密钥把文章从头重算一遍,看有多少词落在「合法」那一边。
拿到一段文字,对里面每一个词,用同一把密钥加上它前面那几个词,重算一遍当时哪些词算合法。这个词在名单里,就记一次命中。
把整篇走完,统计命中率。人写的文字,命中率应该接近瞎猜的水平;被盖过章的文字,命中率会高出一大截。这个比率就是「像不像 AI 写的」的分数。
这条路想绕开的,是现在那批靠文风猜的检测器。ByteByteGo 这期的作者(未署名)对它们的评价是:
这些 AI 文本检测手段的漏判让我挺烦的,尤其是技术写作。
技术文档本来就写得规整、句式重复、术语固定,人写的和 AI 写的长得太像,猜文风的检测器在这里几乎没有信号可用。水印不猜,只查记号。
代价也在这里。水印只能认出盖过章的那家的输出。别家的模型、下载到自己电脑上跑的模型、以及被人改写过一遍的文字,一律查不出来。
三种跑模型的方式
把公开放出的模型跑在自己机器上,主流有三个工具,区别不在模型,在怎么给请求排队。
Ollama、vLLM、SGLang 都是推理引擎(把模型文件真正跑起来、接收提问并吐出回答的那层程序)。同一个模型,三个都能跑。差别在它们怎么应付同时涌进来的请求。
Ollama 让请求排一条队,先到先算,算完一个再下一个。它跑的是压缩过的模型文件,体积小,一台笔记本电脑能带动。适合自己在本机试东西、做原型。
vLLM 面对的是几千人同时提问。它不让新请求干等,上一批还在算的时候,新来的直接插进这一批一起算,把显卡填满。适合真的对外提供服务。
SGLang 面对的是agent(能自己拆解任务、连着干好几步的 AI 程序)和多轮对话。这类请求有个特点:开头那一大段几乎一模一样,同一套指令、同一份对话历史,每轮都重发一遍。SGLang 认得出这些重复的开头,算过一次就存着,下次直接取,不重算。
给 AI 写的说明书
技能包是一份写给 AI 看的操作手册,GitHub 上已经攒出了一个热门榜。
所谓 agent 技能包,就是一份指令加脚本的集合,你把它交给 AI 编程助手,它就学会了一种新的干活方式。截至 2026 年 8 月,GitHub 上被收藏最多的有 12 个,内容五花八门。
几个能看出这个生态在解决什么问题的:
- Superpowers(作者 GitHub 账号 obra):逼 AI 先把方案写出来,再动手敲代码,不许上来就写。
- skills(TypeScript 教育者 Matt Pocock 的个人技能集):让 AI 先质疑你的方案,按原文的说法,AI 有时候太顺从了。
- ui-ux-pro-max-skill:教 AI 别做出一眼就看得出是 AI 做的界面。
- graphify(作者 GitHub 账号 safishamsi):把一个项目的全部代码转成一张关系图,让 AI 在里面找得着路。
榜上还有把特斯拉前 AI 总监、OpenAI 创始成员 Andrej Karpathy 关于 AI 写代码常见坑的建议蒸馏成的一份技能包(由 Multica AI 整理),谷歌 Chrome 团队工程负责人 Addy Osmani 打包的工程实践,Anthropic 官方那份让 AI 能直接产出 Word 和 PDF 文件的技能集。也有纯玩的:Julius Brussee 做的 caveman,让 AI 用山顶洞人式的短句回话。
这份榜单本身就是个信号。一年前人们还在琢磨怎么把提示词写好,现在琢磨的是怎么把工作方法打包成文件,发给别人的 AI 用。
代码到底躺在哪
Git 难的不是记住命令,是搞不清敲完一条命令之后,你的代码躺在哪个地方。
程序员每天用的版本管理工具 Git 有几百条命令,日常真正用到的只有一小把。原文点出的痛点很准:出问题的从来不是命令本身,是不知道运行完之后代码去了哪儿。
你的代码同时可能待在四个地方:正在编辑的文件(工作区)、挑好准备提交的那批改动(暂存区)、你自己机器上的历史记录(本地代码仓库,就是这个项目的完整档案)、以及团队共用的那份(远程仓库)。
每条常用命令做的事,都是把代码从一个地方搬到另一个地方。git add 从工作区搬进暂存区,git commit 把暂存的存进本地档案,git push 上传到团队那份。反方向,git clone 把整份远程档案拉到本机,git fetch 只下载更新但不动你的文件,git merge 才真正合进来,git pull 是这两步一次做完。
还有一条专门的后悔药:git stash 把你手头没提交完的改动临时收进一个柜子,让你能干干净净地去干别的事,回来再 git stash pop 拿出来。理解了四个地方,命令自己就记住了。
账本不是传送带
Kafka 和 RabbitMQ 都在系统之间传消息,但一个是可以倒回去重读的账本,一个是发完即走的传送带。
大一点的软件系统内部,各个部分之间靠传消息协作:下单成功了,通知库存、通知物流、通知发票。Kafka 和 RabbitMQ 都干这件事,但内部机制完全不同。
Kafka 是一本按时间往后写的账本。消息写进去就一直在,留多久由保留策略决定,不会因为有人读过就消失。每个读的人自己记着读到第几条,想倒回去重读、重新处理一遍,随时可以。适合同一份数据要被好几方各自独立地用。
RabbitMQ 是个传送带加分拣员。消息发到分拣点,按规则派送到不同的队列,推给对应的处理方;对方确认收到,消息就删掉了。适合把活儿分派出去,一个任务一个人干。
原文点出的典型误用:
常见的错误是把 Kafka 当队列用,或者把 RabbitMQ 当事件日志用。
选错的代价不是慢,是等你想倒回去重放,消息早就没了。
新的一半在补同一个洞
这期清单里一半是刚为 AI 造出来的东西,另一半是二十年没怎么变的老地基。新的那半全指向同一件事:AI 开始自己连着干活了。
把五个话题摆在一起看,分野很清楚。Git 的四个位置、Kafka 和 RabbitMQ 的分工,这些东西十年前就是这个样子,今天还是。它们是地基,不会因为 AI 来了就重修。
新出现的那三样,解决的是同一个问题的三个侧面:
- AI 的产出越来越多,分不清是谁写的,于是要在写的时候盖章。
- AI 开始自己拆任务、连着干好几步,单靠对话里那几句指令喂不饱,于是要把工作方法打包成文件发给它。
- agent 每轮都重发同一大段前文,算力全耗在重复计算上,于是有了专门认重复开头的推理引擎。
三样东西的共同前提是:AI 不再是你问一句它答一句的工具,而是一个会自己往下跑的东西。盖章、写说明书、缓存前文,都是在给一个会自主行动的东西配套。
值得保持清醒的是,这三样里有两样还只是起步阶段。水印是 Anthropic 表达的意图,不是已上线的功能;技能包榜单排的是 GitHub 收藏数,收藏数衡量的是有多少人觉得有意思,不是有多少人真在用它干活。只有推理引擎这一样,是已经跑在生产环境里的成熟工程。