最近读到一篇 Quanta Magazine 的文章，标题很直接——《Why Erdős Problems Are Falling to AI》。讲的是 AI 在纯数学领域最近几年最出圈的成果，几乎全部来自一类特殊的题目：Erdős 提出的猜想。

这事本身就挺值得琢磨。Erdős 是 20 世纪出了名的"数学游侠"，一辈子不买房、不结婚，到处跑、合作发表论文，个人风格极强。但他更大的遗产是那一千多道挂着自己名字的问题——很多是组合、数论、图论里的开放猜想，表述干净，结论明确，奖励机制也特别：难度越高，悬赏越离谱，最高给过一万美元。这些问题几十年来悬而未决，如今却一个接一个被 AI 啃下来。

为什么是 Erdős 问题，而不是别的？

你有没有过这种体验：让 Claude Code 或 Codex 帮你写代码，生成的代码风格、命名约定、目录结构和你团队里其他人写的完全对不上？PR 一发出去，code review 第一轮全是"这里改一下，那里对齐一下"。

最近在 GitHub 上看到一个叫 adlc-team-skills 的项目，就是冲着这个问题来的。它的思路挺直接：把团队的编码规范、架构约定、最佳实践打包成一组 Agent Skills，让 AI 编程助手在写代码前先"读"一遍团队规则，再动手。

这东西到底在解决什么问题

现在的 AI 编程助手基本上是"通用大脑"，它们知道语言语法、知道常见模式，但不知道你团队的规矩。比如：

• 你们公司用 snake_case 还是 camelCase？
• 错误处理是抛异常还是返回 Result 类型？
• 日志用什么库、什么格式？

一句话：它让 Claude Code 从一个"1v1 聊天的编程助手"，变成了能自己带团队、指挥几百个 AI 分工协作的架构师。

以前的 AI 是你走一步它跟一步。Dynamic Workflows 的逻辑是你定方向，它在后台自己带兵打仗。

核心机制很简单，但很暴力：

动态规划：拿到任务后不盲目动手，先分析代码库架构，自己写编排脚本。

百兵并行：后台同时启动几十到几百个子 Agent，各领一份差事。

自我收敛：每个子 Agent 旁边配一个审查 Agent 做 Code Review，全改完后自动跑测试、解冲突，直到结果收敛才交到你手里。

11 天移植 75 万行代码：那个刷屏的案例

Anthropic 刚丢出 Claude Opus 4.8，各大技术社区都在刷它在 SWE-Bench Pro 上的 69.2%——把 GPT-5.5 和 Gemini 3.1 Pro 都甩开了。

但说实话，我对跑分已经免疫了。真让我半夜睡不着的是它在终端代码、多智能体协同和算力调度上的变化。这不像一次模型升级，更像给我们这些折腾 CLI 和本地 Agent 的人专门造了一批基础设施。

聊聊我从编排器视角看到的三个关键点。

1. Dynamic Workflows：并发编排的最后一块拼图

过去半年我一直在跟本地 macOS 上的 CLI Agent 打交道，用 OpenClaw 之类的工具做终端 Agent，同时在搭一个可视化的 Nexus 编排器。

最近科技圈有个新词：韬（τ）定律。

过去几十年半导体圈把摩尔定律当圣旨——死磕光刻机，把晶体管往死里做小。但现在路越走越窄，物理极限摆在那，量子隧穿带来的漏电和散热问题越来越难缠。在先进制程受限的当下，继续在尺寸这条路上卷，空间肉眼可见地小了。

华为在 IEEE ISCAS 上给出的回答是：不拼"尺寸"了，拼"时间"。

什么是韬定律

τ 这个希腊字母，在物理和工程里通常代表"时间常数"。

AI 算力集群有个很尴尬的现实：80% 的能耗和系统成本，根本没用在计算上，而是浪费在数据搬运的路上。 数据在内存、显存、CPU 和各种总线之间倒来倒去，延迟极高。

韬定律的核心很简单：既然没法把晶体管缩得更小，那就让信号跑得更快、物理距离更近。以前叫"几何缩微"，现在叫"时间缩微"。

落地靠两个方向：

1. 逻辑折叠：平房改复式