5 月底，Windows、NVIDIA 和 Arm 几乎同时喊出一句话："A new era of PC." 我已经用两篇文章拆过这句话：《Wintel 时代结束了》讲 PC 为什么重新变成算力资产，《当 AI PC 成为新的风口，真正的机会在哪里？》讲 local runtime、context layer 和 cost-aware execution。
那两篇关心的是一台 PC 如何接住从云端下沉的智能。一周多后，苹果在 WWDC 2026 发布新一代 Siri AI，强调 personal context understanding、on-screen awareness、app actions 和 across apps，还把同一段对话接进 iPhone、iPad、Mac、Apple Watch 和 Vision Pro。
早上 9:35，你买了一张当天到期的 SPY 末日期权。理由很清楚：开盘强，成交量跟上，指数站上关键位。十分钟后，价格掉头，原来的突破失效。按进场计划，这时候该走了。可手指放到平仓按钮上，大脑突然开始工作：美国经济还行，AI Capex 还在增长，Microsoft 有定价权，长期看大盘总会回来。
于是，一笔计划持有十几分钟的交易，瞬间拥有了十年投资逻辑。再跌一点，你开始研究市场是不是错杀；反弹一点，又觉得 Soros 说得对，市场具有反身性。你下单时是 Livermore，亏损后变成 Buffett，扛不住时再请 Burry 出来证明市场有问题。
这不叫融会贯通，叫没有交易计划。
如果你最近刷 X 或中文投资圈，应该已经见过 Serenity 这个名字。白发头像，半导体供应链，冷门小盘股，动不动几百 percent 的收益截图，还有一堆人把他称为“AI 供应链侦探”“瓶颈猎人”“白毛女股神”。如果你没见过，也没关系。你只需要知道一件事：这是一个靠研究 AI 基础设施最上游瓶颈，在短时间内被市场封神的人。
这几个月，很多工程师还沉浸在 Agentic Coding 的兴奋里。它是真的有用：读 repo、改代码、跑测试、解释错误、做 migration、清理技术债，过去很多懒得动的活，现在终于可以动了。
AI 现在有点像鸡肋：不用不行，用了看到账单又肉疼。
但真正危险的不是贵，而是它越有用，大家越会用；大家越用，账单越不像工具费，越像税。这才是上一篇《Wintel 时代结束了》没说完的部分。
过去两天，几家巨头几乎同时发了一句话："A new era of PC." NVIDIA 发了。Windows 发了。Arm 也跟了。后面还带着一串坐标，指向台北。科技公司天天喊新时代，这没什么稀奇。稀奇的是，它们很少一起喊。更稀奇的是，这一次大家都在谈 PC。
一个被 mobile 抢走十几年光环的老东西，突然又回到了牌桌中央。
这几天美股软件板块很热闹。
Snowflake 财报一出，市场像突然松了一口气。不是那种“AI 要颠覆一切”的亢奋，而是另一种更现实的情绪：原来 SaaS 还没死，原来软件公司还能在 AI 时代继续增长，原来投资人还愿意为确定的收入、利润率和现金流买单。
过去半年，SaaS 股一直被一个问题压着：如果 AI 能直接完成工作，传统软件还有没有价值？更狠一点说，如果 Agent 变成新的入口，SaaS 会不会从操作系统退化成数据库？Snowflake 这次给市场续了一口命。Product revenue 继续高增长，全年指引上调，AI 需求没有把它的商业模型拖垮，反而让市场重新相信 data infrastructure 仍然是 AI 时代的核心资产。
老板问："我们 AI 自动化测试做得怎么样了？"会议室里没人说话。一个月前，有人提醒过：AI 不可靠，自动化测试不能这么搞，测试系统最怕的不是不会做，而是不稳定。但那个时候，这句话听起来很像借口——站在老板的位置，也很难判断，到底是 AI 不可靠，还是你人不行？
最近有篇论文，标题很炸：Useful Memories Become Faulty When Continuously Updated by LLMs。
翻译成人话就是：LLM Agent 的长期记忆，不是越更新越聪明，而是可能越更新越蠢。
论文里有个实验很刺眼：GPT-5.4 原本能 100% 解出一组 ARC-AGI 题。研究人员给它正确答案，让它把成功经验总结成长期记忆。连续更新 10 轮之后，准确率掉到 52.6%。它不是"没学会"，而是"本来会，被自己的记忆教坏了"。
很多神话故事里，转世都要过奈何桥，喝孟婆汤。以前看这类设定，总觉得它只是为了制造戏剧冲突：忘了前世，才有今生的爱恨情仇。现在再看，反而像一种系统设计。前世记忆不是外挂，很多时候是污染源。那些经验是在上一组约束里长出来的——上一具身体、上一套关系、上一种秩序、上一轮恐惧和欲望。换了环境，还把它们当成真理带进来，不是开局优势，而是路径依赖。长期记忆最危险的地方，不是忘记，而是把一个过早的抽象硬编码进未来。
最近我看到一个很有意思的现象。
有人给 Agent 加了一堆 SKILL，接上各种 Knowledge base，工作流满天飞，prompt 里塞满了注意事项、反例、few-shot，然后很认真地说：我们现在也在做 harness engineering。
我的第一反应是：这连门儿都还没摸着，离真正的 Harness Engineering 还远着呢。
SKILL、KB、structured prompt 当然有价值。它们能让模型更懂上下文，更容易按你的预期行动，也能显著降低低级错误。但如果你把这些东西叫 harness，那就把整件事想浅了。
KB/SKILL 不是 harness，它们最多只是 harness 的输入约束层。
很多人以为，让 Agent 理解代码，就是给它更多源码：更大的 context window，更好的 embedding，更聪明的 RAG，更细的 AST index。我以前也差点信了。
直到我让 Agent 清理 AB 实验代码：它很快扫出一堆调用点，然后说“清完了”。真正的问题不是 Agent 能不能读代码，而是我怎么证明它没有漏掉第 201 个调用点。对 Agent 来说，context 不应该只是源码文本；Code 本身就应该成为 Agent 可以查询、验证、推理的上下文。 Graphite 就是为这个问题做的。
