计算机网站开发和软件开发37网页游戏中心

计算机网站开发和软件开发,37网页游戏中心,此网站可能有,竹溪县网站集约化建设一、全文翻译#xff08;中文#xff09; 围绕“开源 AI”的争论#xff0c;大多聚焦在开放权重模型上。但这有点像在 PC 时代争论#xff1a;最重要的目标应该是让英特尔把芯片设计开源。那对某些人可能有用#xff0c;但它并不会创造出 Linux、Apache#xff0c;或支撑…一、全文翻译中文围绕“开源 AI”的争论大多聚焦在开放权重模型上。但这有点像在 PC 时代争论最重要的目标应该是让英特尔把芯片设计开源。那对某些人可能有用但它并不会创造出 Linux、Apache或支撑现代互联网的协作式软件生态。开源之所以具有变革性在于人们能轻松地从别人做过的事情中学习、按自身需求修改并把这些修改分享给他人。而这不可能只发生在系统最底层、最复杂的那一层。当你提供的只是对一个需要巨量资源才能修改、使用与再分发的系统的访问这种变革也很难自然发生。真正的开源活力来自我称之为**“参与式架构”architecture of participation**的东西https://www.oreilly.com/radar/an-architecture-of-participation-for-ai/这种参与式架构有几个关键特征可读性Legibility即使不理解整个系统也能理解某个组件在做什么。可修改性Modifiability能改动其中一块而不必重写一切。可组合性Composability组件通过简单、定义清晰的接口协同工作。可分享性Shareability你做出的微小贡献能对他人有用而不要求他们采用你的整套技术栈。最成功的开源项目通常由一小块一小块的组件组成并能协同工作。Unix 给我们带来了一个小型内核、周围的一套实用函数库以及可通过管道pipes串联的命令行工具再加上可把它们组合成小程序的 shell。Linux 继承并扩展了这种模式。Web 带来了可“查看源代码”的 HTML 页面让任何人都能看到某个功能如何实现并按自身需求改造HTTP 则把每个网站连接为更大整体中可链接的组件。Apache 在 Web 服务器市场并不是靠不断堆功能击败 Netscape 与微软而是提供了一个扩展层让独立开发者社区能够加入诸如 Grails、Kafka、Spark 等框架。MCP与Claude Skills让我想起 Unix/Linux 与 Web 的早期。MCP 让你能编写小型服务器为 AI 系统提供新能力比如访问你的数据库、开发工具、内部 API或 GitHub、GitLab、Stripe 等第三方服务。Skill 则更“原子化”它是一组自然语言指令通常配合一些工具与资源用来教 Claude 做一件具体的事。Anthropic 的 Matt Bell 在本文草稿评论中说skill 可以定义为“完成某项任务的一捆专长通常由指令、代码、知识与参考材料组合而成。”非常贴切。这两者最显著之处在于参与门槛极低。你写出来的东西看起来就像开发者几十年来一直在写的 shell 脚本和 Web API。如果你会写一个 Python 函数或会排版一个 Markdown 文件你就能参与其中。这正是早期 Web 爆发式增长的关键质量。当有人做出了聪明的导航菜单或表单校验你可以“查看源代码”复制他们的 HTML 与 JavaScript并改造成自己的网站。你通过动手与重混remix学习通过观察你欣赏的网站上反复出现的模式学习。你不必成为 Apache 的贡献者也能从他人的经验中学习并复用成果。Anthropic 的MCP RegistryMCP 注册表与第三方目录如punkpeye/awesome-mcp-servers显示出类似的早期动态。有人写了一个面向 Postgres 的 MCP 服务器突然就有数十个 AI 应用获得了数据库能力。有人做了一个用于以特定方式分析电子表格的 skill其他人就能 fork、修改并分享自己的版本。Anthropic 似乎仍在探索用户贡献 skills 的方式在其skills gallery技能画廊里目前只列出官方与少数合作伙伴制作的内容但他们已经提供了创建方法文档让任何人都能根据自己的需求、知识或洞见构建可复用工具于是用户开始在 GitHub 上分享让 Claude 更强的 skills。未来值得期待有共同兴趣的一群开发者围绕某个领域共享一组相互关联的 skills 与 MCP servers让模型在该领域具备“深专长”这将是 AI 与开源都非常有力的新前沿。GPTs 与 Skills两种扩展模型值得将 MCP 与 skills 的路径与 OpenAI 的自定义 GPTscustom GPTs对比https://help.openai.com/en/articles/8554397-creating-a-gptGPT 更接近“应用”。你通过与 ChatGPT 对话来创建它给出指令并上传文件最终得到一种打包式体验。你可以使用或分享某个 GPT 供他人使用但他人很难看见它如何工作、fork 它或把其中某个部分重混到自己的项目中。GPT 存在于 OpenAI 的商店里可发现、可使用但最终被包含在 OpenAI 生态内部。这是一条合理路线很多场景下也可能是正确选择。它对用户友好如果你想为团队或客户做一个专用助手GPT 确实更直接。但 GPT 并不具备开源意义上的“参与性”。你无法对别人的 GPT “查看源代码”来理解它为何有效无法把一个 GPT 的提示工程与另一个 GPT 的文件处理方式组合也不容易像对待代码那样做版本控制、做 diff、做协作。OpenAI 的团队方案允许同一工作区的小组协作但这与开源式协作仍相距甚远。相比之下skills 与 MCP servers 是文件与代码。skill 本质上就是一个可阅读、可编辑、可 fork、可分享的 Markdown 文档MCP server 是一个可 clone、可修改、可学习的 GitHub 仓库。它们作为“制品”artifacts独立于任何特定 AI 系统或公司而存在。这种差别很重要。GPT Store是应用商店无论其多繁荣应用商店仍是围墙花园。iOS App Store 与 Google Play 有数百万应用但你无法查看源代码无法抽取你喜欢的 UI 模式也无法 fork 修复开发者不修的 bug。开源革命来自可检视、可修改、可分享的制品源代码、标记语言、配置文件、脚本。这些不只对计算机可读也对想学习与建造的人可读。这正是 skills 与 MCP 的谱系它们不是应用而是组件不是产品而是材料。区别是架构性的它会塑造生态能长成什么样。当然没有什么能阻止 OpenAI 让 GPT 更可检视与可 fork也没有什么能阻止 skills 或 MCP 变得更不透明、更打包。工具仍很年轻。但初始设计选择揭示了不同的参与直觉OpenAI 更深植于专有平台模型Anthropic 则更像在追求更开放的路径。¹复杂性与演化Web 并未一直保持简单。HTML 催生 CSSCSS 又催生 JavaScript 框架。当页面由数 MB 的压缩 React 生成时“查看源代码”会变得不那么有用。但参与式架构仍然存在。生态变复杂了但它按层演进你仍可在适合自己能力与需求的层参与写原生 HTML、用 Tailwind或做复杂的 Next.js 应用。层次不同但都可组合、都可分享。我怀疑 MCP 与 skills 也会类似演化。现在它们美得惊人地简单几乎天真直白但不会永远如此。我们将看到抽象层更高层框架让常见模式更容易。组合模式用 skill 组合 skill用 MCP server 编排其它 server。优化当响应时间重要时需要更复杂实现。安全与保障层当这些工具处理敏感数据与操作需要更好的隔离与权限模型。关键问题在于这种演化会否保留参与式架构还是坍缩成只有专家才能参与的体系考虑到 Claude 本身很擅长帮助用户编写与修改 skills我怀疑我们正站在一个新的开源学习前沿即便可能性扩张skill 创作仍可对所有人开放。这对开源 AI 意味着什么**开放权重是必要但不充分的。**我们确实需要参数不被 API 锁死的模型。但模型权重更像处理器指令重要但不是创新主要发生之处。**真正的焦点在接口层。**MCP 与 skills 打开新可能是因为它们在 AI 能力与具体用途之间建立了稳定、可理解的接口。多数开发者会在这里参与。不仅如此非开发者也会在这里参与——随着 AI 进一步降低编程门槛。从根本看编程不是某组语言的使用而是一套技能理解问题、设想数字工具能解决的方案并有效地向数字工具解释我们希望它们帮我们做什么。若这能用自然语言完成就意味着更多人能为自己面对的具体问题做出解决方案而不必只寻找“数百万人共同问题”的通用解。这一直是开源的甜蜜点。我第一次听到“挠自己的痒”scratching your own itch来自 Sendmail 作者 Eric Allman 在 1998 年那次后来被称为“开源峰会”的场合https://linuxgazette.net/issue28/rossum.html历史告诉我们这种创造性发酵往往会产出对数百万人都很有用的成果。业余程序员变专业爱好者变创业者整个行业被抬升到新高度。**标准促进参与。**MCP 是可跨不同 AI 系统工作的协议。若它成功不是因为 Anthropic 强制而是因为它创造足够价值让别人自愿采用——这是真正标准的标志。**生态胜过模型。**最具生成力的平台是平台创造者本身也属于生态的一部分。AI 还没有真正的“操作系统”平台但通往 AI 霸权的赢家通吃竞赛本质上围绕这个奖品。开源与互联网提供了另一种基于标准的平台不仅让人们构建应用也能扩展平台本身。**开源 AI 意味着要重思开源许可证。**GitHub 上大多数软件没有明确许可证这意味着默认版权法生效代码受排他性版权保护他人通常无权复制、分发或制作衍生作品即便它公开可见。尽管如此很多代码事实上de facto是开源的人们会学习、复制、分享他们学到的东西即使法律上de jure未必成立。但对当下 AI 更重要的是这些代码被用于训练 LLM因此这种事实上开源的代码成为今日 AI 生成代码的来源向量。这让不少开发者不满因为他们认为 AI 未经许可使用了他们的代码且没有承认或补偿。对开源而言承认recognition一直是基本货币。如果“开源 AI”要有意义我们需要在每个层级建立新的贡献认可方式。当数据通过 MCP server 流动时还会出现许可问题当人们把数据库与专有数据接入 MCP让 LLM 推理这些数据结果归谁现在可能由你与 LLM 供应商的协议决定但未来是否仍然如此此外作为信息提供者我是否会想根据用户的 LLM 设置来限制 MCP server 的使用例如用户在免费版里关闭“sharing”我就允许否则不允许一位评论者指出“一些 API 提供商希望即便用户允许也阻止 LLM 从数据中学习。通过某个 API 或 MCP server 检索到用户数据邮件、文档之后谁拥有它可能非常复杂并对创新产生寒蝉效应。”有一些努力比如 RSLReally Simple Licensing与 CC Signals聚焦于面向消费者/开放 Web 的内容许可协议但它们尚未真正覆盖 MCP或更一般意义上 AI 对内容的“变形使用”。例如如果 AI 使用我的凭证检索学术论文并生成文献综述结果适用哪些限制这里还有大量工作要做。RSLhttps://rslstandard.org/CC Signalshttps://creativecommons.org/ai-and-the-commons/cc-signals/开源必须随“编程本身”的演化而演化“氛围编程”vibe coding确实令人惊叹但把 LLM 视为“以自然语言输入、输出 Python/TypeScript/Java 的代码生成器”其实类似编译器/解释器把高级语言翻译为更底层代码。历史给我们的教训是早期程序员必须检查与调试生成的汇编代码但工具足够好之后大多数人不再需要这样做。作者回忆自己职业经历曾为 Mac 上首个 C 编译器 Lightspeed C 写手册见证其作者在开发中手工调优编译器输出。如今程序员越来越需要调试 LLM 生成的更高层代码https://beyond.addy.ie/但作者相信这将越来越不是程序员的主要工作因为我们终将依赖经过充分测试的组件。作者回忆Mac UI 指南与预定义 UI 组件标准化了 GUI 时代的前端Win32 API 让程序员不再需要写设备驱动。作者还提到自己曾参与 curses 书籍与 Xlib 手册等低层接口的工作但这类“从零写界面”后来都被 UI 工具包与标准组件所取代Web 前端也最终被强大的 JavaScript 框架所标准化。当开发者依赖可组合的预构建组件后他们调试的就不再是更底层的代码而是系统架构、组件连接方式、数据完整性与 UI 质量——也就是开发者不断“向上移动”。LLM 与 AI agent 要求我们再次向上移动我们不仅在为 agent 构建 MCP 作为指令也在发展一种新范式将传统编程的严谨与可预测性与 AI 的知识与灵活性融合。Phillip Carter 提出一个形象比喻相对我们熟悉的计算机LLM 是“倒置的计算机”inverted computers它擅长“模糊任务”但在“精确工作”上需要特殊处理。MCP 与 skills 的目的之一就是让 LLM 清晰地使用传统计算工具来实现这些模糊目标。https://www.phillipcarter.dev/posts/llms-computers再看 agent 的演化从“浏览器使用”用面向人的界面到 API 调用用面向程序的界面再到 MCP依赖 LLM 读取说明文档来理解可用工具。MCP server 很像把提示词与上下文工程正式化为组件。有一个据称泄漏的 ChatGPT 系统提示词显示类似 MCP server 的模式早就隐藏在专有 AI 应用的提示里“我希望你如何行动你应当/不应当做什么你可用哪些工具。”原文链接指向 Reddit 讨论帖但系统提示是定制化的MCP 与 skills 则推动将面向 LLM 的纯文本指令正式化为可复用组件。简言之它们是我们可以称之为**“模糊函数调用”fuzzy function calls**的早期步骤。模糊函数调用让“魔法词”可靠、可复用作者将提示与上下文工程如何融入传统编程连接到他近期写过的另一个主题LLM 原生理解“计划、测试、部署”等高层概念理解 TDD、PRD 等行业术语理解“study mode学习模式”等产品特性理解“.md 文件”等格式。这些“魔法词”是提示捷径它们压缩了大量上下文触发特定行为模式与特定用例。https://www.oreilly.com/radar/magic-words-programming-the-next-generation-of-ai-applications/但现在这些魔法词不可修改存在于训练中、系统提示中或被锁在专有功能里。你可以使用它们也可以用提示暂时改造它们在当前会话中的表现但你无法检视它们到底做了什么无法按需求微调也无法把改良版本分享给他人。skills 与 MCP 让魔法词变得可见、可扩展它们把让 LLM 应用奏效的指令与模式正式化并让这些指令成为可读、可改、可分享的东西。以 ChatGPT 的学习模式为例它通过提问检验理解、根据回答调整难度来帮助学习这很有价值但它被锁在 ChatGPT 的界面里甚至无法通过 API 访问。若学习模式以 skill 形式发布你就能看清它如何工作有哪些指令引导互动按学科改造医学生与语言学习的模式可能不同。fork 出变体例如“苏格拉底模式”“备考模式”。与你的内容与工具结合比如连到课程材料的 MCP server。分享改进版本并从他人的改动中学习。这就是“向上栈”的下一层你不是训练模型也不是氛围编程 Python你是在模型已理解的概念之上把它们更贴合具体需求并把它们作为别人可用的构件分享出来。构建可复用的“模糊函数”库是开源 AI 的未来。参与的经济学这里还有更深的一层模式与经济学传统中的**机制设计mechanism design**相关。近几十年来Paul Milgrom、Al Roth 等经济学家因设计更好的市场机制而获得诺奖住院医师匹配、频谱拍卖、肾脏交换网络等。这些不是纯理论而是通过改变规则让结果更有效率、更公平。一些科技公司理解这一点Google 的 Hal Varian 不只分析广告市场也参与设计了支撑商业模式的广告拍卖Uber 的 Jonathan Hall 用机制设计洞见处理动态定价与供需匹配打造“厚市场”。他们把经济理论用于平台设计使价值更高效地在参与者间流动。尽管未必由经济学家指导Web 与开源革命同样不仅是技术进步也是市场设计突破它们创造了信息丰富、参与门槛更低的市场学习、创造、创新变得更容易交易成本骤降发现机制出现搜索引擎、包管理器、GitHub声誉系统被发现或被发展网络效应让每个新参与者都提升生态价值。这些不是偶然而是源于架构选择让互联网软件开发成为一种可生成、可参与的市场。AI 迫切需要类似机制设计突破。现在多数经济分析问错了问题“AI 会毁掉多少工作”这是一种掠夺式系统视角AI 发生在工人和企业“身上”而非与他们共同创造。更应问的是“我们如何设计 AI 系统创造参与式市场让价值流向所有贡献者”现在的问题包括归因不可见模型从别人的作品获益缺乏承认或补偿机制。价值捕获集中少数公司获得收益多数内容创造者无回报。改进回路封闭你发现更好的方法也难以分享并受益。质量信号弱很难在不试用的情况下判断某个 skill/prompt/MCP server 的质量。从经济角度看MCP 与 skills 是参与式 AI 市场的早期基础设施MCP Registry 与 skills gallery 是原始但有前景的“市场”组件可发现、质量可检视。当某个 skill/MCP server 有用时它作为清晰、可分享的制品能够承载归因。它也许无法弥补训练阶段版权侵犯的“原罪”但指向一种未来内容创造者不仅在训练中也可能在推理与使用环节获得变现机会。但我们离所需机制仍很远需要能有效匹配能力与需求的系统、可持续补偿机制、声誉与发现机制、可在给出信用的同时轻松复用与再创作的机制。这不仅是技术问题也是经济设计问题需要经济学家、政策制定者与平台设计者共同参与。参与式架构不仅是一套价值观也是构建“可运转市场”的框架。问题在于我们会把开源与 Web 的经验应用到 AI 上还是让 AI 变成一种掠夺式系统摧毁更多价值。行动呼吁作者希望 OpenAI、Google、Meta 与开源社区共同打造 AI 的参与式架构让创新可检视把有效的交互模式/专长以可阅读理解的形式发布指令、提示、工具配置而不是封闭 app 或黑箱 API。有时竞争优势来自分享。支持开放协议MCP 展示了开放标准的价值挑战在于协议成熟过程中保持真正开放。在每个层级建立贡献路径不必人人 fork 权重或写 MCP server有人贡献模板提示有人写组合 skill有人做基础设施都应可见且被重视。记录“魔法”把有效模式显性化、可版本化、可 fork而不是散落在社交媒体与群聊。重塑开源许可证纳入训练与推理阶段的认可需求为 agent 网络中数据流动的权利管理建立协议。引入机制设计停止只问“毁多少工作”转而问“如何设计让所有参与者共享价值”。未来 AI 编程不会由谁发布权重决定而由谁创造让普通开发者参与、贡献、互相构建的最佳方式决定——也包括下一波开发者能把自己的专业知识、经验与人类视角固化为可复用 AI skills 的用户。我们正处在选择点让 AI 开发像应用商店与专有平台还是像继承自 Unix 的开源与开放 Web。我知道作者更希望生活在哪种未来。注释作者与 Anthropic MCP/Skills 团队成员分享过草稿对方确认了一些技术点与设计意图例如 skills 为可组合性而设计、将模型视为处理器、将 skills 视为应用等但观点仍由作者自负Anthropic 不为文章内容背书。二、解读1反对把开源等同于开权重作者用“英特尔开源芯片设计”类比指出开放最底层并不自动产生协作生态。生态爆发往往来自“可读、可改、可组合、可分享”的中上层构件脚本、配置、协议、文档、接口也就是他反复强调的参与式架构。这与近两年行业实践高度一致大家争夺的不仅是模型而是工具调用、上下文接入、工作流编排、组件市场等“接口层/生态层”。2MCP 被视为 AI 时代的“HTTP/Unix 管道”式接口MCP 与 skills 的价值在于把能力做成可检视、可 fork 的材料从而产生开源式协作与学习“view source”文化的 AI 版。MCP 的跨平台采纳已经出现在多家厂商/SDK文档中至少在公开资料层面可见这与作者“标准促进参与”的论点同向Anthropic 发布 MCP 的官方新闻稿介绍其为开放标准https://www.anthropic.com/news/model-context-protocolOpenAI Agents SDK 文档中出现 MCP 相关页面把 MCP 类比为 AI 应用的通用端口https://openai.github.io/openai-agents-python/mcp/以及一些媒体/社区文章在跟进 MCP 生态与平台侧动向例如 The New Stack 等对“为什么 MCP 赢了”的讨论https://thenewstack.io/why-the-model-context-protocol-won/解读要点作者不是在夸某个公司而是在强调一种“标准化接口 → 降低参与门槛 → 形成组件市场”的路径依赖。一旦协议像 HTTP 一样成为默认选项创新就会沿接口层喷涌而不必每次都从模型层重新发明轮子。3GPTs vs Skills并非优劣而是“可参与性”的结构差异不否认 GPTs 的产品价值易用、打包、交付快指出它更像“应用商店模式”难以形成开源式的可检视/可分叉/可组合协作。你可以把它理解为两种创新扩散机制GPTs更像“成品分发”强在交付与规模化使用弱在学习与再创作的外溢。Skills/MCP更像“材料分发”强在学习、拆解、重混与生态自生长。这也解释了作者为何把“开源 AI 的未来”押在“模糊函数库fuzzy functions”上不是把模型当作唯一资产而是把可复用的方法论/流程/指令做成可积累的公共资源。4文章后半部真正的“野心”在机制设计让贡献可见、可被定价作者将开源与 Web 的成功归因到交易成本下降、发现机制、声誉系统、以及可持续的贡献回报结构。这直接指向当下 AI 的痛点训练与推理阶段的归因与补偿机制缺位。延伸判断如果 MCP/skills 真的形成组件市场那么下一步竞争会转向组件质量与安全权限、隔离、审计组件发现与声誉谁的 skill 更可靠归因与收益分配贡献者如何被看见、被支付这也正是作者在文末呼吁“重塑许可协议”“记录魔法”“给每一层贡献路径”的原因没有这些生态会回到封闭平台的抽成逻辑参与式架构会被侵蚀。