AI 与工程

部署不等于付费，试点不等于收入。医疗 AI 的持续预算，最终取决于它能否守住医院的结算与合规防线。

Cordis 论文的形式化结果在工程上买到的不是万能安全，而是几类边界更清楚的运行时能力：HMR 可以复用组件生命周期边界，依赖可以声明式收窄，开放插件生态可以少写一类清理和通知胶水。

卸载清理和依赖通知看起来是两套机制。Cordis 论文把它们放进同一个 Context：修改环境是 effect，依赖环境是 coeffect，而服务注册本身就是一种可逆 effect。本文解释为什么同一个上下文对象能同时承担清理、依赖和通知。

DeepSeek Pro 模型和 DeepSeek Harness 把模型能力与 Agent 运行框架同时推到行业讨论中心，但真正值得细读的是随 Harness 一起出现的近百页论文。它不是模型报告，而是在回答一个运行时工程问题：当软件具备持续演化能力后，系统应建立在什么样的架构之上。

医疗大模型刷出高分，不代表真的能进诊室。真正危险的不是答错一道题，而是漏问关键病史、看不出风险边界，还给出一个很自信的结论。

从医疗信息化的真实部署困境看企业 AI 的瓶颈转移：过去等模型能力追上来，现在模型够了但硬件、内网部署和合规条件还没到位。开源大模型改变的不只是价格，而是让以前做不了的院内 Agent 工作流第一次变成可落地的项目。

从 Kimi K3、DeepSeek V4 Flash 和真实调用趋势看开源模型对闭源模型的价格压力：开源不是全面打赢，而是在足够多真实任务中越过够用线，逼闭源模型证明自己的溢价。

区分 Agent 和聊天机器人的，不是模型智商，而是有没有调工具、看结果、再决定的闭环。

ChatGPT 刚出现时，对传统 NLP、算法工程师和语言模型范式变化的一次早期记录。