williamliu.ai
EN中文

博客William Liu

文章与笔记

长文、论文评述与笔记：写语言模型、编码智能体，以及围绕它们的工程实践——那些我还在反复琢磨的问题。

长文6 分钟动态页面

测了 11 个中文语音识别模型：识别最准，也可能漏掉念错的字

我听辨标注了 168 段中文合成播客音频，用它们比较 11 个开放的语音识别模型。Qwen3-ASR-1.7B 的字符错误率最低，但准确率高的模型有时会把念错的内容自动纠正，反而掩盖发音问题。这次测试让我决定更换第二遍检查模型，同时保留人工听辨。

长文10 分钟

AI 改版的 62.6 亿 token 去了哪里

6 篇系列的第 6 篇：完成并上线改版后，Codex 和 Claude Code 共使用 62.6 亿 token，按 API 价格折算为 $3,691。其中 97% 是缓存上下文重读。本文按类型、阶段、角色和绕路拆解用量，说明我如何险些少算 20 亿，以及最后 4 天增加了什么。

长文11 分钟

6 次失败部署后，预发布仍影响了生产

6 篇系列的第 5 篇：改版按计划在准备就绪之前一直没有进入生产环境。部署到预发布 URL 却经历了 6 次失败、一颗可疑的 CPU、一个占用超过 50 GB 内存的上传步骤，以及对私有文件的隐性依赖。随后预发布数据填满了与生产共用的数据库，生产写入中断约 2 小时。

长文12 分钟

只有人类发现的问题：162 条消息里的 20 次纠正

6 篇系列的第 4 篇：15 天里，我向智能体发了 162 条消息，其中 20 条是纠正。5 条是视觉或产品判断，15 条针对智能体的工作方式。现有检查没有发现其中任何一类问题。

长文10 分钟

333 个智能体构建，Claude Code 收尾

6 篇系列的第 3 篇：一个长期运行的 Codex 目标用 333 个智能体和三角色审查循环，在 5 天内完成改版构建，随后卡在部署。Claude Code 接手编排，启动新的 Codex 会话来实现修复、审查改动，自己也做一些小修正。本文用数字说明两种模式各自擅长什么。

长文10 分钟

从 Claude Design 原型到实现：20 处设计偏差

6 篇系列的第 2 篇：设计原型既表达审美取向，也包含样例数据和处理冲突的默认规则。我如何把原型变成智能体可以据此构建的规格文档，以及为何所有关卡通过后，实现仍有 20 处偏离设计。

长文10 分钟

683 次运行、62.6 亿 token、20 次纠正

6 篇系列的第 1 篇：我用 Codex 和 Claude Code 重建 williamliu.ai，共用了 683 次智能体运行、62.6 亿 token、20 次人工纠正，以及代价最高的 5 次绕路。

长文8 分钟

williamliu.ai 改版：2 种语言，1 个内容站

这次改版把博客、播客和项目并列呈现，为每个页面增加中文版；用户不必离开列表即可播放单集，即使关闭 JavaScript，网站的核心功能仍可使用。

长文7 分钟

招聘 AI：流水线工人的时代正在结束

自主个体（Autonomous Individual）把智能体与主动性、判断力和标准结合起来，让独立推进工作的能力成为超越传统岗位边界的招聘标准。

长文7 分钟

Cloudflare 裁员暴露了信息中转层

Cloudflare 裁员引出了一个区分：创造价值与转发信息并不相同，协调工作是否有用，取决于其中的判断和责任。

长文7 分钟

Anthropic 正加速走向 token 破产

更丰富的 HTML 产物可能增加生成和修改成本，因此不能只靠增加算力解决问题，还需要实测完整修改流程的 token 消耗。

长文6 分钟

Opus 4.7 的输入 token 比 GPT-5.5 多 58%

一组相同测试样例的受控对比显示，Opus 4.7 使用了更多输入 token；输入计数、输出效率和任务质量需要分别衡量。

长文9 分钟

智能体属于谁：一个难题

当智能体承载人的判断时，所有权和责任归属就不再简单，权限、升级处理、可审计性与责任归属也因此成为设计的一部分。

长文4 分钟

AI 可能改变谁有机会练出判断力

自动化初级知识工作，可能也会拿走培养专业能力的学徒任务，迫使组织重新思考下一代专家如何积累判断力。

长文6 分钟

编码后的判断力成为新的护城河

将专家判断写入可重复执行的智能体工作流，能把个人经验变成组织的基础设施，也让下一代专家如何成长成为新问题。

长文2 分钟

2025 年，vibe coding 兴起了

凭感觉编程（vibe coding）降低了原型和试验的成本，但要保证生产系统可靠，仍需采用比直接接受生成代码更审慎的工程方法。