最近做了一个数字花束的工具，想解决的有几种情况挺常见的问题： - 想表达心意，但不知道怎么开口，发条消息又感觉太轻 - 想道歉，但直接说"对不起"三个字又别扭 - 异地朋友生日，发红包太功利，发"生日快乐"三个字又太敷衍 - 深夜想到某个人，想说点什么，但不想打扰，也不知道说什么合适 - 对方最近状态很差，想表示关心，又怕说错话 这些场景的共同点是：情绪是有的，只是缺一个合适的载体和一句合适的话。 https://moodletter.app 想解决的就是这个。 用几步就能完成： 1. 选情绪强度（ Light / Warm / Deep ） 2. 选花束——每朵花有自己的情绪含义 3. 写一句想要说的话 4. 生成一条链接，发给对方 对方打开后是一个有入场动画的花束 + 情绪卡片。 适合这些场景： - 生日，特别是异地的好朋友 - 想念某人但不知道怎么开口 - 道歉 - 鼓励 - 节日、纪念日 - 深夜想联系，又不想只发一句"在吗" 和普通的数字花束不太一样的地方：流程从情绪开始，不是从花开始。每朵花有具体含义——比如 Ranunculus 是"我认识你很久了"，Mimosa 是"我看见你"，Sweet Pea 是"我想你"。选花的时候其实是在选"我想传递什么"。 花束内容编码在 URL 里，不存用户数据，链接永不失效，不需要注册，完全免费。 面向欧美用户，英文界面。 如果有兴趣可以试试 https://moodletter.app ，也欢迎提意见——哪些场景还没覆盖到？哪里体验不对劲？
最近做了一个数字花束的工具，想解决的有几种情况挺常见的问题： - 想表达心意，但不知道怎么开口，发条消息又感觉太轻 - 想道歉，但直接说"对不起"三个字又别扭 - 异地朋友生日，发红包太功利，发"生日快乐"三个字又太敷衍 - 深夜想到某个人，想说点什么，但不想打扰，也不知道说什么合适 - 对方最近状态很差，想表示关心，又怕说错话 这些场景的共同点是：情绪是有的，只是缺一个合适的载体和一句合适的话。 https://moodletter.app 想解决的就是这个。 用几步就能完成： 1. 选情绪强度（ Light / Warm / Deep ） 2. 选花束——每朵花有自己的情绪含义 3. 写一句想要说的话 4. 生成一条链接，发给对方 对方打开后是一个有入场动画的花束 + 情绪卡片。 适合这些场景： - 生日，特别是异地的好朋友 - 想念某人但不知道怎么开口 - 道歉 - 鼓励 - 节日、纪念日 - 深夜想联系，又不想只发一句"在吗" 和普通的数字花束不太一样的地方：流程从情绪开始，不是从花开始。每朵花有具体含义——比如 Ranunculus 是"我认识你很久了"，Mimosa 是"我看见你"，Sweet Pea 是"我想你"。选花的时候其实是在选"我想传递什么"。 花束内容编码在 URL 里，不存用户数据，链接永不失效，不需要注册，完全免费。 面向欧美用户，英文界面。 如果有兴趣可以试试 https://moodletter.app ，也欢迎提意见——哪些场景还没覆盖到？哪里体验不对劲？
最近做了一个数字花束的工具，想解决的有几种情况挺常见的问题： - 想表达心意，但不知道怎么开口，发条消息又感觉太轻 - 想道歉，但直接说"对不起"三个字又别扭 - 异地朋友生日，发红包太功利，发"生日快乐"三个字又太敷衍 - 深夜想到某个人，想说点什么，但不想打扰，也不知道说什么合适 - 对方最近状态很差，想表示关心，又怕说错话 这些场景的共同点是：情绪是有的，只是缺一个合适的载体和一句合适的话。 https://moodletter.app 想解决的就是这个。 用几步就能完成： 1. 选情绪强度（ Light / Warm / Deep ） 2. 选花束——每朵花有自己的情绪含义 3. 写一句想要说的话 4. 生成一条链接，发给对方 对方打开后是一个有入场动画的花束 + 情绪卡片。 适合这些场景： - 生日，特别是异地的好朋友 - 想念某人但不知道怎么开口 - 道歉 - 鼓励 - 节日、纪念日 - 深夜想联系，又不想只发一句"在吗" 和普通的数字花束不太一样的地方：流程从情绪开始，不是从花开始。每朵花有具体含义——比如 Ranunculus 是"我认识你很久了"，Mimosa 是"我看见你"，Sweet Pea 是"我想你"。选花的时候其实是在选"我想传递什么"。 花束内容编码在 URL 里，不存用户数据，链接永不失效，不需要注册，完全免费。 面向欧美用户，英文界面。 如果有兴趣可以试试 https://moodletter.app ，也欢迎提意见——哪些场景还没覆盖到？哪里体验不对劲？
终于终于 百尺竿头 再接再厉 2 个帖子 - 2 位参与者 阅读完整话题
如题让CodeX给我找一本小说的免费资源，结果一直拒绝，只给起点官网的链接，这个有没有招啊，比如提示词之类的。 4 个帖子 - 3 位参与者 阅读完整话题
在 l 站，每一个飞升三级的时刻，都值得铭记 我将以此为起点，再接再厉，保持住不掉 8 个帖子 - 8 位参与者 阅读完整话题
各位佬，请问有可以免费看与起点中文网小说章节更新同步的地方吗？ 4 个帖子 - 4 位参与者 阅读完整话题
IT之家 5 月 22 日消息，WordPress 于 5 月 20 日发布 7.0 正式版，代号 Armstrong， 原生集成 AI 外，还优化后台体验、响应式编辑、移动端导航和设计工具等。 IT之家援引博文介绍，官方表示 WordPress 7.0 是其 2026 年面向创作者、企业与开发者的首个重大更新，由 875+ 贡献者参与，带来 420 多项增强与修复。 官方将它定义为新阶段的起点，核心变化是原生集成 AI 能力，同时更新后台界面与开发工具，让建站、编辑和扩展拥有更统一的入口。 WordPress 在核心中集成 AI 体验，新版加入 AI Client（AI 客户端），让 WordPress 可直接与生成式 AI 模型通信；此外配合 Abilities API（能力接口）与新的 AI 插件，用户可生成和编辑图片、创建标题或摘要、补充替代文本。 除服务端能力外，7.0 还加入 Client-Side Abilities（客户端能力包）。这是 Abilities API 的 JavaScript 对应方案，内置界面与命令面板，可提供更丰富的混合式 AI 能力。 在主题管理方面，新版后台采用 Modern 管理主题，界面视觉更统一，覆盖管理页页眉、自定义器、配色选择器、多站点注册界面和多项用户功能。系统还加入 View Transitions 视图过渡效果，让 wp-admin 页面切换更平滑。 在内容编辑层面，WordPress 7.0 补强了可视化能力。字体库拥有独立管理页面，用户可在后台集中上传、安装和管理字体，并兼容区块主题、混合主题与经典主题。 编辑器中的 Visual Revisions 可视化修订功能，也支持用滑块直接对比两个版本，文档检查器还能显示改动摘要、颜色提示和改动位置，方便回看页面历史。 针对移动端体验，在 7.0 版本中，站点所有者可以自定义汉堡菜单遮罩层。用户不再受固定样式限制，而是可在站点编辑器中用区块和样式模式搭建移动导航，加入自定义布局、内容和关闭按钮。 响应式编辑进一步走向核心能力，编辑者无需额外绕路或写自定义代码，如今可直接决定某个区块在桌面端或移动端显示还是隐藏。 设计工具方面，7.0 新增标题、图标、面包屑等区块，图库区块支持灯箱，导航链接区块支持动态 URL。 排版与布局控制也更细，包括文本缩进、文本分栏、宽高控制、尺寸预设以及宽幅与全幅图片的纵横比设置。 另一个重要升级是区块级自定义 CSS，用户可直接在编辑流程里精确控制单个区块样式，不必只在主题或全站层面修改。
作品名：规则怪谈：我的金手指是条咸鱼 平台：起点
作品名：规则怪谈：我的金手指是条咸鱼 平台：起点
作品名：规则怪谈：我的金手指是条咸鱼 平台：起点
起点爆款小说汇总+小说超级合集，夸克网盘资源，免费下载。 收录起点平台超高人气、口碑炸裂的爆款小说，覆盖玄幻、都市、仙侠、悬疑、言情等全品类热门题材，从经典神作到新晋黑马一网打尽！ ├── 科幻灵异 ├── 历史军事 ├── 女频言情 ├── 青春校园 ├── 起点爆款小说合集 ├── 起点精选 ├── 武侠仙侠 ├── 现代都市 ├── 玄幻奇幻 ├── 游戏竞技 ├── Z未分类 https://pan.quark.cn/s/721717918f99 1 个帖子 - 1 位参与者 阅读完整话题
原文发布于我的博客： https://blog.hikarilan.life/thinking/3499/treating-llms-as-humans/ 从 2022 年底 GPT 横空出世到现在，大模型的各项指标都产生了质的飞跃：上下文窗口从 64K 飙升至 1M 以上，多模态能力从纯文本演进到可以秒懂复杂的图像与视频。然而，基座大模型能力的不断提升，正在揭示一件让工程师们既兴奋又抓狂的事情—— LLM 在行为表现上越来越像人类了。 随着“力大砖飞”的基座大模型逐渐展现出强大的原生规划能力，行业内开始出现一种声音，甚至以 Anthropic 为首的一些前沿组织开始抛出“Agent 工程无用论”，认为基座模型最终可以不依赖任何外部工程约束解决所有问题。 但现实恰恰相反。无论基座 LLM 如何发展，在智械彻底代替人类的全部工作之前， “把 LLM 当成人类看待，顺应人类的认知心理学与行为学去设计系统” ，将永远是任何 Agent/Harness 工程走向成熟的进阶起点。 认知对齐：把 AI 当作你的“技术实习生” 如果你初次和 LLM 打交道，不知道该如何向它描述需求，那么“将 AI 视为技术实习生（ Using AI as a Tech Intern ）”一定是一个绝佳的思维模型。 传统的面向代码编程，我们习惯于给出确定性的绝对指令。但面对 LLM ，你需要把它当作一个拥有无限技术理论知识、但对你的具体业务、历史代码和上下文一无所知的新员工。对待实习生，你显然不会只丢下一句“帮我重构一下这个前端页面”然后转头离开；你需要做的是带他熟悉环境。在 Agent 工程中，这意味着我们需要抛弃简单粗暴的单句 Prompt ，转而为 Agent 建立一套详尽的“工作手册”，提供给 Agent 足够的业务背景和执行标准信息，帮助 Agent 锚定你的最终需求。 记忆解耦：工作记忆与长期记忆的硅基映射 在长文本大模型普及后，许多开发者产生了一个路径依赖：喜欢将成千上万行的 API 文档、整个项目的源代码一股脑塞进大模型的上下文窗口。这种“信息轰炸”看似省事，实则对模型的长文本召回毫无益处。 人类的认知心理学表明，人类的 工作记忆（ Working Memory ）容量极其有限。我们在写代码时，绝对不会一边盯着屏幕，一边在脑海里反复背诵整本《 Java 核心技术》。人类靠的是注意力焦点 ——只看眼前的逻辑，遇到不确定的类名或 API 时，才会去查阅文档。大模型的上下文窗口，本质上就是它当前的工作记忆，而不是它的知识库。真正高级的 Agent 工程，应该学会帮大模型做“认知卸载（ Cognitive Offloading ）”，在上下文窗口中仅保留最核心的工作记忆，而将海量数据交给外部架构管理。 [海量历史上下文 / 业务文档] │ ▼ (知识抽取与向量化) ┌────────────────────────┐ │ 长期记忆 (Vector DB) │ ◄─── (利用 mem0 等框架动态唤醒) └──────────┬─────────────┘ │ (仅检索当前任务相关的 Top-K 碎片) ▼ ┌────────────────────────┐ │ 工作记忆 (LLM Context) │ ───► [生成当前决策 (Action)] └────────────────────────┘ 通过这种记忆解耦设计，Agent 既不会被海量噪声信息淹没注意力，又能随时在需要时通过检索“唤醒”长期记忆。 感知层革新：人类依赖视觉，而非结构化源码 在自动化测试或 Web 开发 Agent 领域，很多工程师会陷入一个误区：坚信结构化的文本数据（如 DOM 树、Page Source ）一定比像素图像更精准。然而，这导致许多 Coding Agent 开发出的前端页面经常出现惨不忍睹的错位和布局问题。 为什么 DOM 树会“欺骗”大模型？因为 CSS 的自由度太高，且 DOM 树中充斥着大量不可见的 div 、埋点属性和动态加载的噪声。人类在肉眼排查前端 Bug 时，看的是渲染后的视觉界面，而不是硬啃上万行的 HTML 源码。让大模型在密密麻麻的 DOM 树里凭空“组装”出页面样式，无异于盲人摸象。因此，现代 Agent 工程应当顺应人类的感知习惯，将“视觉感知”提到第一优先级。例如，在进行 UI 自动化测试时，优秀的 Agent 工程不再向大模型提供冰冷的 DOM 节点，而是利用 Playwright 捕获当前页面截图，让多模态大模型直接“看图说话”，下达指令（对这方面感兴趣的朋友可以参考字节跳动的 UI 自动化测试框架 Midscene 是如何实现的）。 这种“所见即所得”的视觉模式，远比让 Agent 在脑内脑补 DOM 树要直观、高效得多。 工具生态：顺应大模型的“原生职业习惯” 大模型作为生产力工具，最成功的落地场景毫无疑问是“写代码”。全球的训练团队都在使用海量的代码语料、技术文档和开源项目来对模型进行强化对齐。这导致了一个奇妙的结果： 每一个顶尖的基座 LLM ，天生就是一名极其优秀的程序员。 既然大模型拥有极高强度的“程序员职业常识”，我们在为它设计 Agent 工具链时，就应该给它提供人类程序员最熟悉的工具（如 Bash 、Git 、Markdown ），而不是工程师自创的、需要额外学习的自定义 Function Call 。例如比起 OpenCode 提供 grep / read 等 function call 读取文件内容、Codex CLI 在不同 OS 中采用其本地的 Shell 指令（ Windows 下是 pwsh ，macOS/Linux 下是 bash ）读取文件内容， Claude Code 选择为所有 OS 平台建立统一的 Shell 环境，在 Windows 下使用 Git Bash 而不是 pwsh 指令读取文件 ，这种统一性使得模型不需要针对不同平台使用不同的指令，且其使用的指令永远是程序员和其预料中最熟悉的那套东西。 将大模型当成真正的程序员，允许它像人类一样通过标准的开发者工具与系统交互，能让它在重构、Debug 和版本控制时激发出百分之百的原生代码天赋。 行动与反馈：构建容错的“闭环试验场” 根据热力学第二定律和熵增理论，如果一个系统在没有任何外部干预的情况下孤立运行，其内部质量最终一定会走向崩塌。Agent 工程也是如此——如果你只给大模型提要求，却不给它提供运行结果的反馈，那么随着步骤的加深，它最终一定会陷入幻觉和代码腐烂的泥潭。 人类工程师不可能写出永远不需要编译和 Debug 的代码。我们之所以能交付合格的系统，是因为我们拥有一个“编写-> 编译报错 -> 查看日志 -> 修改代码”的动态试错闭环。 因此，Agent 进阶的核心不在于写出多么完美的初始 Prompt ，而在于构建一个强大的 Harness （测试/运行基座）工程 ，为 Agent 提供稳定、硬性、具备高容错度的环境反馈。 ┌────────────────────────────────────────┐ │ Agent 产生决策 (Action) │ └───────────────────┬────────────────────┘ │ (执行代码 / 操作 UI) ▼ ┌────────────────────────────────────────────────────────┐ │ Harness 工程 (硬门禁/环境反馈) │ │ - 自动运行 Linter & Compiler (捕捉编译期错误) │ │ - 执行自动化测试单元 (Runtime/Jest/JUnit) │ │ - 捕获标准输出与 Crash Logs │ └───────────────────────┬────────────────────────────────┘ │ ▼ (将具象的错误日志作为 Context 返回) ┌────────────────────────────────────────┐ │ Agent 结合反馈自我反思 │ └────────────────────────────────────────┘ 在这种硬门禁的闭环里，哪怕大模型第一遍写出了有 Bug 的代码，Harness 基座也会像一位严格的导师一样把 NullPointerException 和编译日志甩在它脸上，引导它通过自我反思完成修正。 先谋后动：引入 SDD 规避“盲目敲键盘”的低级错误 很多开发者在设计 Coding Agent 时，最常犯的错误就是让 Agent 看到需求后“立刻开始改代码”。这种“拿来就写”的行为，哪怕在人类工程师中也是低水平的体现，必然导致代码耦合度高、QPS 限制没考虑、逻辑四分五裂。 在高级 Agent 工程中，我们必须强制引入 SDD （ Spec-Driven Development ，规格说明驱动开发） 的工作流。这套流派的思想完全借鉴自资深人类架构师的思考路径： 在动手写任何一行代码之前，必须先明确规格与计划。 市面上的 SDD 框架非常多，但所有的框架都包含生成 spec 、plan 、tasks 的机制，同时，这些框架也都不约而同地强调测试驱动开发（ Test-Driven Development ）的重要性，因为这可以为大模型带来确定性，用测试通过率告知 Agent 其功能实现的质量。 通过 SDD ，我们成功将大模型的行为从“直觉式的快思考”硬生生拉回了“逻辑严密的慢思考”，彻底根治了 Agent 盲目修改代码引入新 Bug 的顽疾。 结语 把 LLM 当成“机器”的开发者，往往止步于编写冗长复杂的 Selector 和堆砌 Function Call ，最终在模型幻觉的泥潭里痛苦挣扎；而 把 LLM 当成“人类”的开发者，则会致力于为它构建完美的感知层、科学的记忆层、顺应直觉的工具链以及严苛的环境门禁。 不要再试图用传统的二进制思维去束缚那个渴望像人类一样思考的硅基大脑。给它一双眼睛，给它一套 Git 命令行，在它动手前要一份 Spec ，在它犯错时丢给它一份 Trace Log——这，才是 Agent 工程真正通往高阶的必经之路。 （此篇文章部分内容使用了 AI 技术进行润色，敬请理解）
原文发布于我的博客： https://blog.hikarilan.life/thinking/3499/treating-llms-as-humans/ 从 2022 年底 GPT 横空出世到现在，大模型的各项指标都产生了质的飞跃：上下文窗口从 64K 飙升至 1M 以上，多模态能力从纯文本演进到可以秒懂复杂的图像与视频。然而，基座大模型能力的不断提升，正在揭示一件让工程师们既兴奋又抓狂的事情—— LLM 在行为表现上越来越像人类了。 随着“力大砖飞”的基座大模型逐渐展现出强大的原生规划能力，行业内开始出现一种声音，甚至以 Anthropic 为首的一些前沿组织开始抛出“Agent 工程无用论”，认为基座模型最终可以不依赖任何外部工程约束解决所有问题。 但现实恰恰相反。无论基座 LLM 如何发展，在智械彻底代替人类的全部工作之前， “把 LLM 当成人类看待，顺应人类的认知心理学与行为学去设计系统” ，将永远是任何 Agent/Harness 工程走向成熟的进阶起点。 认知对齐：把 AI 当作你的“技术实习生” 如果你初次和 LLM 打交道，不知道该如何向它描述需求，那么“将 AI 视为技术实习生（ Using AI as a Tech Intern ）”一定是一个绝佳的思维模型。 传统的面向代码编程，我们习惯于给出确定性的绝对指令。但面对 LLM ，你需要把它当作一个拥有无限技术理论知识、但对你的具体业务、历史代码和上下文一无所知的新员工。对待实习生，你显然不会只丢下一句“帮我重构一下这个前端页面”然后转头离开；你需要做的是带他熟悉环境。在 Agent 工程中，这意味着我们需要抛弃简单粗暴的单句 Prompt ，转而为 Agent 建立一套详尽的“工作手册”，提供给 Agent 足够的业务背景和执行标准信息，帮助 Agent 锚定你的最终需求。 记忆解耦：工作记忆与长期记忆的硅基映射 在长文本大模型普及后，许多开发者产生了一个路径依赖：喜欢将成千上万行的 API 文档、整个项目的源代码一股脑塞进大模型的上下文窗口。这种“信息轰炸”看似省事，实则对模型的长文本召回毫无益处。 人类的认知心理学表明，人类的 工作记忆（ Working Memory ）容量极其有限。我们在写代码时，绝对不会一边盯着屏幕，一边在脑海里反复背诵整本《 Java 核心技术》。人类靠的是注意力焦点 ——只看眼前的逻辑，遇到不确定的类名或 API 时，才会去查阅文档。大模型的上下文窗口，本质上就是它当前的工作记忆，而不是它的知识库。真正高级的 Agent 工程，应该学会帮大模型做“认知卸载（ Cognitive Offloading ）”，在上下文窗口中仅保留最核心的工作记忆，而将海量数据交给外部架构管理。 [海量历史上下文 / 业务文档] │ ▼ (知识抽取与向量化) ┌────────────────────────┐ │ 长期记忆 (Vector DB) │ ◄─── (利用 mem0 等框架动态唤醒) └──────────┬─────────────┘ │ (仅检索当前任务相关的 Top-K 碎片) ▼ ┌────────────────────────┐ │ 工作记忆 (LLM Context) │ ───► [生成当前决策 (Action)] └────────────────────────┘ 通过这种记忆解耦设计，Agent 既不会被海量噪声信息淹没注意力，又能随时在需要时通过检索“唤醒”长期记忆。 感知层革新：人类依赖视觉，而非结构化源码 在自动化测试或 Web 开发 Agent 领域，很多工程师会陷入一个误区：坚信结构化的文本数据（如 DOM 树、Page Source ）一定比像素图像更精准。然而，这导致许多 Coding Agent 开发出的前端页面经常出现惨不忍睹的错位和布局问题。 为什么 DOM 树会“欺骗”大模型？因为 CSS 的自由度太高，且 DOM 树中充斥着大量不可见的 div 、埋点属性和动态加载的噪声。人类在肉眼排查前端 Bug 时，看的是渲染后的视觉界面，而不是硬啃上万行的 HTML 源码。让大模型在密密麻麻的 DOM 树里凭空“组装”出页面样式，无异于盲人摸象。因此，现代 Agent 工程应当顺应人类的感知习惯，将“视觉感知”提到第一优先级。例如，在进行 UI 自动化测试时，优秀的 Agent 工程不再向大模型提供冰冷的 DOM 节点，而是利用 Playwright 捕获当前页面截图，让多模态大模型直接“看图说话”，下达指令（对这方面感兴趣的朋友可以参考字节跳动的 UI 自动化测试框架 Midscene 是如何实现的）。 这种“所见即所得”的视觉模式，远比让 Agent 在脑内脑补 DOM 树要直观、高效得多。 工具生态：顺应大模型的“原生职业习惯” 大模型作为生产力工具，最成功的落地场景毫无疑问是“写代码”。全球的训练团队都在使用海量的代码语料、技术文档和开源项目来对模型进行强化对齐。这导致了一个奇妙的结果： 每一个顶尖的基座 LLM ，天生就是一名极其优秀的程序员。 既然大模型拥有极高强度的“程序员职业常识”，我们在为它设计 Agent 工具链时，就应该给它提供人类程序员最熟悉的工具（如 Bash 、Git 、Markdown ），而不是工程师自创的、需要额外学习的自定义 Function Call 。例如比起 OpenCode 提供 grep / read 等 function call 读取文件内容、Codex CLI 在不同 OS 中采用其本地的 Shell 指令（ Windows 下是 pwsh ，macOS/Linux 下是 bash ）读取文件内容， Claude Code 选择为所有 OS 平台建立统一的 Shell 环境，在 Windows 下使用 Git Bash 而不是 pwsh 指令读取文件 ，这种统一性使得模型不需要针对不同平台使用不同的指令，且其使用的指令永远是程序员和其预料中最熟悉的那套东西。 将大模型当成真正的程序员，允许它像人类一样通过标准的开发者工具与系统交互，能让它在重构、Debug 和版本控制时激发出百分之百的原生代码天赋。 行动与反馈：构建容错的“闭环试验场” 根据热力学第二定律和熵增理论，如果一个系统在没有任何外部干预的情况下孤立运行，其内部质量最终一定会走向崩塌。Agent 工程也是如此——如果你只给大模型提要求，却不给它提供运行结果的反馈，那么随着步骤的加深，它最终一定会陷入幻觉和代码腐烂的泥潭。 人类工程师不可能写出永远不需要编译和 Debug 的代码。我们之所以能交付合格的系统，是因为我们拥有一个“编写-> 编译报错 -> 查看日志 -> 修改代码”的动态试错闭环。 因此，Agent 进阶的核心不在于写出多么完美的初始 Prompt ，而在于构建一个强大的 Harness （测试/运行基座）工程 ，为 Agent 提供稳定、硬性、具备高容错度的环境反馈。 ┌────────────────────────────────────────┐ │ Agent 产生决策 (Action) │ └───────────────────┬────────────────────┘ │ (执行代码 / 操作 UI) ▼ ┌────────────────────────────────────────────────────────┐ │ Harness 工程 (硬门禁/环境反馈) │ │ - 自动运行 Linter & Compiler (捕捉编译期错误) │ │ - 执行自动化测试单元 (Runtime/Jest/JUnit) │ │ - 捕获标准输出与 Crash Logs │ └───────────────────────┬────────────────────────────────┘ │ ▼ (将具象的错误日志作为 Context 返回) ┌────────────────────────────────────────┐ │ Agent 结合反馈自我反思 │ └────────────────────────────────────────┘ 在这种硬门禁的闭环里，哪怕大模型第一遍写出了有 Bug 的代码，Harness 基座也会像一位严格的导师一样把 NullPointerException 和编译日志甩在它脸上，引导它通过自我反思完成修正。 先谋后动：引入 SDD 规避“盲目敲键盘”的低级错误 很多开发者在设计 Coding Agent 时，最常犯的错误就是让 Agent 看到需求后“立刻开始改代码”。这种“拿来就写”的行为，哪怕在人类工程师中也是低水平的体现，必然导致代码耦合度高、QPS 限制没考虑、逻辑四分五裂。 在高级 Agent 工程中，我们必须强制引入 SDD （ Spec-Driven Development ，规格说明驱动开发） 的工作流。这套流派的思想完全借鉴自资深人类架构师的思考路径： 在动手写任何一行代码之前，必须先明确规格与计划。 市面上的 SDD 框架非常多，但所有的框架都包含生成 spec 、plan 、tasks 的机制，同时，这些框架也都不约而同地强调测试驱动开发（ Test-Driven Development ）的重要性，因为这可以为大模型带来确定性，用测试通过率告知 Agent 其功能实现的质量。 通过 SDD ，我们成功将大模型的行为从“直觉式的快思考”硬生生拉回了“逻辑严密的慢思考”，彻底根治了 Agent 盲目修改代码引入新 Bug 的顽疾。 结语 把 LLM 当成“机器”的开发者，往往止步于编写冗长复杂的 Selector 和堆砌 Function Call ，最终在模型幻觉的泥潭里痛苦挣扎；而 把 LLM 当成“人类”的开发者，则会致力于为它构建完美的感知层、科学的记忆层、顺应直觉的工具链以及严苛的环境门禁。 不要再试图用传统的二进制思维去束缚那个渴望像人类一样思考的硅基大脑。给它一双眼睛，给它一套 Git 命令行，在它动手前要一份 Spec ，在它犯错时丢给它一份 Trace Log——这，才是 Agent 工程真正通往高阶的必经之路。 （此篇文章部分内容使用了 AI 技术进行润色，敬请理解）
原文发布于我的博客： https://blog.hikarilan.life/thinking/3499/treating-llms-as-humans/ 从 2022 年底 GPT 横空出世到现在，大模型的各项指标都产生了质的飞跃：上下文窗口从 64K 飙升至 1M 以上，多模态能力从纯文本演进到可以秒懂复杂的图像与视频。然而，基座大模型能力的不断提升，正在揭示一件让工程师们既兴奋又抓狂的事情—— LLM 在行为表现上越来越像人类了。 随着“力大砖飞”的基座大模型逐渐展现出强大的原生规划能力，行业内开始出现一种声音，甚至以 Anthropic 为首的一些前沿组织开始抛出“Agent 工程无用论”，认为基座模型最终可以不依赖任何外部工程约束解决所有问题。 但现实恰恰相反。无论基座 LLM 如何发展，在智械彻底代替人类的全部工作之前， “把 LLM 当成人类看待，顺应人类的认知心理学与行为学去设计系统” ，将永远是任何 Agent/Harness 工程走向成熟的进阶起点。 认知对齐：把 AI 当作你的“技术实习生” 如果你初次和 LLM 打交道，不知道该如何向它描述需求，那么“将 AI 视为技术实习生（ Using AI as a Tech Intern ）”一定是一个绝佳的思维模型。 传统的面向代码编程，我们习惯于给出确定性的绝对指令。但面对 LLM ，你需要把它当作一个拥有无限技术理论知识、但对你的具体业务、历史代码和上下文一无所知的新员工。对待实习生，你显然不会只丢下一句“帮我重构一下这个前端页面”然后转头离开；你需要做的是带他熟悉环境。在 Agent 工程中，这意味着我们需要抛弃简单粗暴的单句 Prompt ，转而为 Agent 建立一套详尽的“工作手册”，提供给 Agent 足够的业务背景和执行标准信息，帮助 Agent 锚定你的最终需求。 记忆解耦：工作记忆与长期记忆的硅基映射 在长文本大模型普及后，许多开发者产生了一个路径依赖：喜欢将成千上万行的 API 文档、整个项目的源代码一股脑塞进大模型的上下文窗口。这种“信息轰炸”看似省事，实则对模型的长文本召回毫无益处。 人类的认知心理学表明，人类的 工作记忆（ Working Memory ）容量极其有限。我们在写代码时，绝对不会一边盯着屏幕，一边在脑海里反复背诵整本《 Java 核心技术》。人类靠的是注意力焦点 ——只看眼前的逻辑，遇到不确定的类名或 API 时，才会去查阅文档。大模型的上下文窗口，本质上就是它当前的工作记忆，而不是它的知识库。真正高级的 Agent 工程，应该学会帮大模型做“认知卸载（ Cognitive Offloading ）”，在上下文窗口中仅保留最核心的工作记忆，而将海量数据交给外部架构管理。 [海量历史上下文 / 业务文档] │ ▼ (知识抽取与向量化) ┌────────────────────────┐ │ 长期记忆 (Vector DB) │ ◄─── (利用 mem0 等框架动态唤醒) └──────────┬─────────────┘ │ (仅检索当前任务相关的 Top-K 碎片) ▼ ┌────────────────────────┐ │ 工作记忆 (LLM Context) │ ───► [生成当前决策 (Action)] └────────────────────────┘ 通过这种记忆解耦设计，Agent 既不会被海量噪声信息淹没注意力，又能随时在需要时通过检索“唤醒”长期记忆。 感知层革新：人类依赖视觉，而非结构化源码 在自动化测试或 Web 开发 Agent 领域，很多工程师会陷入一个误区：坚信结构化的文本数据（如 DOM 树、Page Source ）一定比像素图像更精准。然而，这导致许多 Coding Agent 开发出的前端页面经常出现惨不忍睹的错位和布局问题。 为什么 DOM 树会“欺骗”大模型？因为 CSS 的自由度太高，且 DOM 树中充斥着大量不可见的 div 、埋点属性和动态加载的噪声。人类在肉眼排查前端 Bug 时，看的是渲染后的视觉界面，而不是硬啃上万行的 HTML 源码。让大模型在密密麻麻的 DOM 树里凭空“组装”出页面样式，无异于盲人摸象。因此，现代 Agent 工程应当顺应人类的感知习惯，将“视觉感知”提到第一优先级。例如，在进行 UI 自动化测试时，优秀的 Agent 工程不再向大模型提供冰冷的 DOM 节点，而是利用 Playwright 捕获当前页面截图，让多模态大模型直接“看图说话”，下达指令（对这方面感兴趣的朋友可以参考字节跳动的 UI 自动化测试框架 Midscene 是如何实现的）。 这种“所见即所得”的视觉模式，远比让 Agent 在脑内脑补 DOM 树要直观、高效得多。 工具生态：顺应大模型的“原生职业习惯” 大模型作为生产力工具，最成功的落地场景毫无疑问是“写代码”。全球的训练团队都在使用海量的代码语料、技术文档和开源项目来对模型进行强化对齐。这导致了一个奇妙的结果： 每一个顶尖的基座 LLM ，天生就是一名极其优秀的程序员。 既然大模型拥有极高强度的“程序员职业常识”，我们在为它设计 Agent 工具链时，就应该给它提供人类程序员最熟悉的工具（如 Bash 、Git 、Markdown ），而不是工程师自创的、需要额外学习的自定义 Function Call 。例如比起 OpenCode 提供 grep / read 等 function call 读取文件内容、Codex CLI 在不同 OS 中采用其本地的 Shell 指令（ Windows 下是 pwsh ，macOS/Linux 下是 bash ）读取文件内容， Claude Code 选择为所有 OS 平台建立统一的 Shell 环境，在 Windows 下使用 Git Bash 而不是 pwsh 指令读取文件 ，这种统一性使得模型不需要针对不同平台使用不同的指令，且其使用的指令永远是程序员和其预料中最熟悉的那套东西。 将大模型当成真正的程序员，允许它像人类一样通过标准的开发者工具与系统交互，能让它在重构、Debug 和版本控制时激发出百分之百的原生代码天赋。 行动与反馈：构建容错的“闭环试验场” 根据热力学第二定律和熵增理论，如果一个系统在没有任何外部干预的情况下孤立运行，其内部质量最终一定会走向崩塌。Agent 工程也是如此——如果你只给大模型提要求，却不给它提供运行结果的反馈，那么随着步骤的加深，它最终一定会陷入幻觉和代码腐烂的泥潭。 人类工程师不可能写出永远不需要编译和 Debug 的代码。我们之所以能交付合格的系统，是因为我们拥有一个“编写-> 编译报错 -> 查看日志 -> 修改代码”的动态试错闭环。 因此，Agent 进阶的核心不在于写出多么完美的初始 Prompt ，而在于构建一个强大的 Harness （测试/运行基座）工程 ，为 Agent 提供稳定、硬性、具备高容错度的环境反馈。 ┌────────────────────────────────────────┐ │ Agent 产生决策 (Action) │ └───────────────────┬────────────────────┘ │ (执行代码 / 操作 UI) ▼ ┌────────────────────────────────────────────────────────┐ │ Harness 工程 (硬门禁/环境反馈) │ │ - 自动运行 Linter & Compiler (捕捉编译期错误) │ │ - 执行自动化测试单元 (Runtime/Jest/JUnit) │ │ - 捕获标准输出与 Crash Logs │ └───────────────────────┬────────────────────────────────┘ │ ▼ (将具象的错误日志作为 Context 返回) ┌────────────────────────────────────────┐ │ Agent 结合反馈自我反思 │ └────────────────────────────────────────┘ 在这种硬门禁的闭环里，哪怕大模型第一遍写出了有 Bug 的代码，Harness 基座也会像一位严格的导师一样把 NullPointerException 和编译日志甩在它脸上，引导它通过自我反思完成修正。 先谋后动：引入 SDD 规避“盲目敲键盘”的低级错误 很多开发者在设计 Coding Agent 时，最常犯的错误就是让 Agent 看到需求后“立刻开始改代码”。这种“拿来就写”的行为，哪怕在人类工程师中也是低水平的体现，必然导致代码耦合度高、QPS 限制没考虑、逻辑四分五裂。 在高级 Agent 工程中，我们必须强制引入 SDD （ Spec-Driven Development ，规格说明驱动开发） 的工作流。这套流派的思想完全借鉴自资深人类架构师的思考路径： 在动手写任何一行代码之前，必须先明确规格与计划。 市面上的 SDD 框架非常多，但所有的框架都包含生成 spec 、plan 、tasks 的机制，同时，这些框架也都不约而同地强调测试驱动开发（ Test-Driven Development ）的重要性，因为这可以为大模型带来确定性，用测试通过率告知 Agent 其功能实现的质量。 通过 SDD ，我们成功将大模型的行为从“直觉式的快思考”硬生生拉回了“逻辑严密的慢思考”，彻底根治了 Agent 盲目修改代码引入新 Bug 的顽疾。 结语 把 LLM 当成“机器”的开发者，往往止步于编写冗长复杂的 Selector 和堆砌 Function Call ，最终在模型幻觉的泥潭里痛苦挣扎；而 把 LLM 当成“人类”的开发者，则会致力于为它构建完美的感知层、科学的记忆层、顺应直觉的工具链以及严苛的环境门禁。 不要再试图用传统的二进制思维去束缚那个渴望像人类一样思考的硅基大脑。给它一双眼睛，给它一套 Git 命令行，在它动手前要一份 Spec ，在它犯错时丢给它一份 Trace Log——这，才是 Agent 工程真正通往高阶的必经之路。 （此篇文章部分内容使用了 AI 技术进行润色，敬请理解）
原文发布于我的博客： https://blog.hikarilan.life/thinking/3499/treating-llms-as-humans/ 从 2022 年底 GPT 横空出世到现在，大模型的各项指标都产生了质的飞跃：上下文窗口从 64K 飙升至 1M 以上，多模态能力从纯文本演进到可以秒懂复杂的图像与视频。然而，基座大模型能力的不断提升，正在揭示一件让工程师们既兴奋又抓狂的事情—— LLM 在行为表现上越来越像人类了。 随着“力大砖飞”的基座大模型逐渐展现出强大的原生规划能力，行业内开始出现一种声音，甚至以 Anthropic 为首的一些前沿组织开始抛出“Agent 工程无用论”，认为基座模型最终可以不依赖任何外部工程约束解决所有问题。 但现实恰恰相反。无论基座 LLM 如何发展，在智械彻底代替人类的全部工作之前， “把 LLM 当成人类看待，顺应人类的认知心理学与行为学去设计系统” ，将永远是任何 Agent/Harness 工程走向成熟的进阶起点。 认知对齐：把 AI 当作你的“技术实习生” 如果你初次和 LLM 打交道，不知道该如何向它描述需求，那么“将 AI 视为技术实习生（ Using AI as a Tech Intern ）”一定是一个绝佳的思维模型。 传统的面向代码编程，我们习惯于给出确定性的绝对指令。但面对 LLM ，你需要把它当作一个拥有无限技术理论知识、但对你的具体业务、历史代码和上下文一无所知的新员工。对待实习生，你显然不会只丢下一句“帮我重构一下这个前端页面”然后转头离开；你需要做的是带他熟悉环境。在 Agent 工程中，这意味着我们需要抛弃简单粗暴的单句 Prompt ，转而为 Agent 建立一套详尽的“工作手册”，提供给 Agent 足够的业务背景和执行标准信息，帮助 Agent 锚定你的最终需求。 记忆解耦：工作记忆与长期记忆的硅基映射 在长文本大模型普及后，许多开发者产生了一个路径依赖：喜欢将成千上万行的 API 文档、整个项目的源代码一股脑塞进大模型的上下文窗口。这种“信息轰炸”看似省事，实则对模型的长文本召回毫无益处。 人类的认知心理学表明，人类的 工作记忆（ Working Memory ）容量极其有限。我们在写代码时，绝对不会一边盯着屏幕，一边在脑海里反复背诵整本《 Java 核心技术》。人类靠的是注意力焦点 ——只看眼前的逻辑，遇到不确定的类名或 API 时，才会去查阅文档。大模型的上下文窗口，本质上就是它当前的工作记忆，而不是它的知识库。真正高级的 Agent 工程，应该学会帮大模型做“认知卸载（ Cognitive Offloading ）”，在上下文窗口中仅保留最核心的工作记忆，而将海量数据交给外部架构管理。 [海量历史上下文 / 业务文档] │ ▼ (知识抽取与向量化) ┌────────────────────────┐ │ 长期记忆 (Vector DB) │ ◄─── (利用 mem0 等框架动态唤醒) └──────────┬─────────────┘ │ (仅检索当前任务相关的 Top-K 碎片) ▼ ┌────────────────────────┐ │ 工作记忆 (LLM Context) │ ───► [生成当前决策 (Action)] └────────────────────────┘ 通过这种记忆解耦设计，Agent 既不会被海量噪声信息淹没注意力，又能随时在需要时通过检索“唤醒”长期记忆。 感知层革新：人类依赖视觉，而非结构化源码 在自动化测试或 Web 开发 Agent 领域，很多工程师会陷入一个误区：坚信结构化的文本数据（如 DOM 树、Page Source ）一定比像素图像更精准。然而，这导致许多 Coding Agent 开发出的前端页面经常出现惨不忍睹的错位和布局问题。 为什么 DOM 树会“欺骗”大模型？因为 CSS 的自由度太高，且 DOM 树中充斥着大量不可见的 div 、埋点属性和动态加载的噪声。人类在肉眼排查前端 Bug 时，看的是渲染后的视觉界面，而不是硬啃上万行的 HTML 源码。让大模型在密密麻麻的 DOM 树里凭空“组装”出页面样式，无异于盲人摸象。因此，现代 Agent 工程应当顺应人类的感知习惯，将“视觉感知”提到第一优先级。例如，在进行 UI 自动化测试时，优秀的 Agent 工程不再向大模型提供冰冷的 DOM 节点，而是利用 Playwright 捕获当前页面截图，让多模态大模型直接“看图说话”，下达指令（对这方面感兴趣的朋友可以参考字节跳动的 UI 自动化测试框架 Midscene 是如何实现的）。 这种“所见即所得”的视觉模式，远比让 Agent 在脑内脑补 DOM 树要直观、高效得多。 工具生态：顺应大模型的“原生职业习惯” 大模型作为生产力工具，最成功的落地场景毫无疑问是“写代码”。全球的训练团队都在使用海量的代码语料、技术文档和开源项目来对模型进行强化对齐。这导致了一个奇妙的结果： 每一个顶尖的基座 LLM ，天生就是一名极其优秀的程序员。 既然大模型拥有极高强度的“程序员职业常识”，我们在为它设计 Agent 工具链时，就应该给它提供人类程序员最熟悉的工具（如 Bash 、Git 、Markdown ），而不是工程师自创的、需要额外学习的自定义 Function Call 。例如比起 OpenCode 提供 grep / read 等 function call 读取文件内容、Codex CLI 在不同 OS 中采用其本地的 Shell 指令（ Windows 下是 pwsh ，macOS/Linux 下是 bash ）读取文件内容， Claude Code 选择为所有 OS 平台建立统一的 Shell 环境，在 Windows 下使用 Git Bash 而不是 pwsh 指令读取文件 ，这种统一性使得模型不需要针对不同平台使用不同的指令，且其使用的指令永远是程序员和其预料中最熟悉的那套东西。 将大模型当成真正的程序员，允许它像人类一样通过标准的开发者工具与系统交互，能让它在重构、Debug 和版本控制时激发出百分之百的原生代码天赋。 行动与反馈：构建容错的“闭环试验场” 根据热力学第二定律和熵增理论，如果一个系统在没有任何外部干预的情况下孤立运行，其内部质量最终一定会走向崩塌。Agent 工程也是如此——如果你只给大模型提要求，却不给它提供运行结果的反馈，那么随着步骤的加深，它最终一定会陷入幻觉和代码腐烂的泥潭。 人类工程师不可能写出永远不需要编译和 Debug 的代码。我们之所以能交付合格的系统，是因为我们拥有一个“编写-> 编译报错 -> 查看日志 -> 修改代码”的动态试错闭环。 因此，Agent 进阶的核心不在于写出多么完美的初始 Prompt ，而在于构建一个强大的 Harness （测试/运行基座）工程 ，为 Agent 提供稳定、硬性、具备高容错度的环境反馈。 ┌────────────────────────────────────────┐ │ Agent 产生决策 (Action) │ └───────────────────┬────────────────────┘ │ (执行代码 / 操作 UI) ▼ ┌────────────────────────────────────────────────────────┐ │ Harness 工程 (硬门禁/环境反馈) │ │ - 自动运行 Linter & Compiler (捕捉编译期错误) │ │ - 执行自动化测试单元 (Runtime/Jest/JUnit) │ │ - 捕获标准输出与 Crash Logs │ └───────────────────────┬────────────────────────────────┘ │ ▼ (将具象的错误日志作为 Context 返回) ┌────────────────────────────────────────┐ │ Agent 结合反馈自我反思 │ └────────────────────────────────────────┘ 在这种硬门禁的闭环里，哪怕大模型第一遍写出了有 Bug 的代码，Harness 基座也会像一位严格的导师一样把 NullPointerException 和编译日志甩在它脸上，引导它通过自我反思完成修正。 先谋后动：引入 SDD 规避“盲目敲键盘”的低级错误 很多开发者在设计 Coding Agent 时，最常犯的错误就是让 Agent 看到需求后“立刻开始改代码”。这种“拿来就写”的行为，哪怕在人类工程师中也是低水平的体现，必然导致代码耦合度高、QPS 限制没考虑、逻辑四分五裂。 在高级 Agent 工程中，我们必须强制引入 SDD （ Spec-Driven Development ，规格说明驱动开发） 的工作流。这套流派的思想完全借鉴自资深人类架构师的思考路径： 在动手写任何一行代码之前，必须先明确规格与计划。 市面上的 SDD 框架非常多，但所有的框架都包含生成 spec 、plan 、tasks 的机制，同时，这些框架也都不约而同地强调测试驱动开发（ Test-Driven Development ）的重要性，因为这可以为大模型带来确定性，用测试通过率告知 Agent 其功能实现的质量。 通过 SDD ，我们成功将大模型的行为从“直觉式的快思考”硬生生拉回了“逻辑严密的慢思考”，彻底根治了 Agent 盲目修改代码引入新 Bug 的顽疾。 结语 把 LLM 当成“机器”的开发者，往往止步于编写冗长复杂的 Selector 和堆砌 Function Call ，最终在模型幻觉的泥潭里痛苦挣扎；而 把 LLM 当成“人类”的开发者，则会致力于为它构建完美的感知层、科学的记忆层、顺应直觉的工具链以及严苛的环境门禁。 不要再试图用传统的二进制思维去束缚那个渴望像人类一样思考的硅基大脑。给它一双眼睛，给它一套 Git 命令行，在它动手前要一份 Spec ，在它犯错时丢给它一份 Trace Log——这，才是 Agent 工程真正通往高阶的必经之路。 （此篇文章部分内容使用了 AI 技术进行润色，敬请理解）
HikariLan's Blog 把 LLM 当成“人”，才是 Agent 工程进阶的起点 | HikariLan’s Blog 文章探讨了大型语言模型（LLM）行为日益类人化的背景下，Agent工程应摆脱传统机械指令模式，转而将LLM视为具备专业知识和学习能力的“人类”合作伙伴。通过认知对齐、记忆解耦、视觉感知优化、工具生态适应以及闭环反馈机制，Agent系统可显著提升问题解决效率和准确性。核心观点是，Agent工程的进阶关键在于顺应人类认知习... 2 个帖子 - 2 位参与者 阅读完整话题
很多陈年老帖都被点赞. 看了下都是1个点赞. 这些都可以归类为脚本/bot行为吧? 我记得点爱心是没分的. 这些bot都是点的爱心 11 个帖子 - 11 位参与者 阅读完整话题
说实话，看小说十多年，第一次遇到没办法点进去看目录的小说… 做不到啊！实在是做不到啊！ 1 个帖子 - 1 位参与者 阅读完整话题
坑爹网易无限循环 事情的起点很简单：国服送暗黑4,我想回归国服 然后事情就不简单了 一、坑爹战网： 我战网账号是很早以前注册的，里面还有《暗黑破坏神 3》和 DLC。问题从这里开始： 以前注册战网号时， 实名信息不是我自己的 。 现在登录国服战网，需要 绑定网易通行证 。 绑定网易通行证时，要求 战网实名信息 和 网易实名信息 一致。 我的实名信息不一致，所以绑定失败。 客服让我新建一个网易空号，用来迁移实名信息。 我新建了空号，结果系统提示仍然不能绑定，因为 战网实名信息不通过，需要申诉 。 申诉需要提供 身份证照片和人脸识别 。 但战网实名信息本来就不是我的，所以申诉又回到了第 1 步。 于是形成了一个完美闭环： 战网实名不是我 → 绑定不了网易 → 需要申诉 → 申诉要本人身份证和人脸 → 但实名不是我 → 继续绑定不了。 二、那我重新注册一个战网号总行吧？ 既然老号救不回来，那我重新注册一个战网号。 注册时提示： 手机号已被使用。 也就是说，我的手机号已经被旧流程锁住了。 旧号实名不对，改不了；新号手机号又不能用。 三、客服给出的“解决方案” 客服表示，可以通过预充值走申诉流程： 预充值金额 审核时间 500 元 14 天 1000 元 5 天 我问客服： 申诉成功后能改实名吗？ 客服回答： 改不了。 这就很精彩了： 花钱申诉，等审核，然后实名还是不能改。 四、最终结果：我的身份和手机号被卡死了 现在的情况是： 我的手机号无法正常注册新的战网账号。 我的身份信息无法绑定旧战网账号。 旧战网实名无法修改。 战网账号无法注销。 我无法使用任何正常的国服战网服务。 如果我想玩国服，就需要找另一个人提供： 手机号 网易账号 战网账号 实名认证信息 也就是说，我想玩自己的游戏，得先借别人的身份重新做人。 五、再来到坑爹《暗黑破坏神 4》 国服战网登录不上去之后，我又看了一下《暗黑破坏神 4》的购买方案。 国服方案 国服价格是： 本体：免费 DLC1 + DLC2：240 元 但前提是，需要别人提供手机号和实名，重新注册网易 + 战网。 我最终会拥有： 2 份本体 2 份 DLC1 1 份 DLC2 花费：240 元。 附加条件：需要另一个人的手机号和实名。 国际服方案 我国际服已经有： 本体 DLC1 但现在 DLC2 和 DLC1 是打包卖的。 我已经有 DLC1，也不打折。 如果走国际服路线，我需要花： DLC1 + DLC2 打包：278 元 最终我会拥有： 1 份本体 2 份 DLC1 1 份 DLC2 花费：278 元。 附加效果：重复购买 DLC1。 六、总结 无论走哪条路，都很离谱： 路线 花费 问题 国服 240 元 需要别人手机号 + 实名重新注册 国际服 278 元 已有 DLC1 仍然要重复购买 最后我只能说： 网易你好厉害!!! Tips 战网实名信息无法修改。 战网账号不能注销。 flowchart TD A[想登录国服战网] --> B[旧战网号需要绑定网易通行证] B --> C{实名信息是否一致?} C -->|一致| D[绑定成功] C -->|不一致| E[绑定失败] E --> F[客服建议新建网易空号迁移实名] F --> G[新建网易空号] G --> H[提示战网实名不通过] H --> I[要求申诉] I --> J[申诉需要身份证照片 + 人脸识别] J --> K{战网实名是本人吗?} K -->|是| L[可能进入审核] K -->|不是| M[无法通过申诉] M --> B E --> N[尝试重新注册战网号] N --> O{手机号是否可用?} O -->|可用| P[注册新号] O -->|已被使用| Q[新号也注册不了] Q --> R[客服提出预充值申诉] R --> S[500元等14天 / 1000元等5天] S --> T{申诉后能改实名吗?} T -->|不能| U[问题无解] U --> V[手机号 + 身份信息无法正常使用战网服务] V --> W{想玩暗黑4?} W --> X[国服路线: 240元] X --> Y[需要别人手机号 + 实名] Y --> Z[得到2份本体 + 2份DLC1 + 1份DLC2] W --> AA[国际服路线: 278元] AA --> AB[已有DLC1仍要买DLC1+DLC2包] AB --> AC[得到1份本体 + 2份DLC1 + 1份DLC2] 9 个帖子 - 6 位参与者 阅读完整话题