On the success of 'natural language programming'
認為程式語言的未來是自然語言，因為需求本質上就是透過對話以自然語言定義的。文章探討了自然語言的歧義性問題，並提出透過「回饋迴路」與 AI 模型反覆對話來解決，而非追求一次性的精確轉譯。
Marc Brooker
12 筆內容・被提到 1 筆
他的來源
最受歡迎
依人氣
Pass@k is Mostly Bunk
批評 AI 代理評估指標 Pass@k 過於寬鬆，指出其數值可能虛高卻無法反映真實效能。作者透過骰子比喻說明該指標的缺陷，強調應採用更嚴苛的評估方式以確保 AI 實際可用。
Is Systems Research Really Just About Making Numbers Bigger?
評論了關於 AI 如何改變系統研究的論文，指出 AI 在具備可靠驗證器的問題空間最有效。作者強調測試與驗證的重要性，並警告過擬合與獎勵駭客等陷阱，同時探討研究者應如何從最佳化轉向選擇高價值問題。
It's time to be right.
提出未來代理式 AI 的應用機會將受缺陷率而非能力限制，並透過四象限分析不同場景的適用性。文章強調需關注左尾的缺陷問題，並介紹 AWS 在正確性編碼、規範驅動開發及工具政策等方面的具體工作方向。
What's Easy Now? What's Hard Now?
探討程式設計代理（coding agents）的現狀與未來，提出關鍵觀點：擁有明確回饋機制（如錯誤訊息、效能指標）的任務較易解決，而缺乏即時回饋的任務（如架構設計、並程程式）較難。
Spec Driven Development isn't Waterfall
澄清規範驅動開發（Spec Driven Development）並非回歸瀑布式開發，而是將規範作為可迭代、動態演進的活檔案。
Music To Build Agents By
透過歌德的詩歌比喻，闡述 AI 代理（Agent）因具備持續解決問題的能力而強大，但也因此需要明確的政策（Policy）與引導機制來約束行為，避免失控。讀者可從中理解為何固定工作流不足以應對複雜情境，並認識到建立代理行為邊界的必要性。
Agentic software development hypothesis
提出三種關於代理軟體開發的假說，認為只要有完整規範或可預測的輸入，編寫任務就會變得簡單。文章探討了這些假說在現實中的挑戰，例如任務規範不完整以及模型預測的不確定性。
Small Decisions: Engineering a Leading Model
分享如何從基礎大型語言模型改造成低延遲決策模型 Hobson 的實作經驗，包含架構調整、LoRA 微調與自餵訓練技巧。讀者可學習如何最佳化模型準確度與校準度，並掌握在資源受限下建構 AI 代理工具的方法。
Agent Safety is a Box
提出用「盒子」概念來控制 AI 代理的行動，強調透過外部封閉環境限制工具呼叫與權限，以解決傳統對齊技術無法保障安全的問題。讀者能學會如何設計決定性的控制層，確保代理行為符合政策且無法繞過。
最新內容
依發布時間
Strands Decider: Why Not an Encoder?
作者透過實驗比較使用 Qwen3.5 基礎的 Decider 模型與 T5Gemma 編碼器架構，分析雙向與單向注意力機制在準確度、校準度及延遲上的表現。
Small Decisions: Engineering a Leading Model
分享如何從基礎大型語言模型改造成低延遲決策模型 Hobson 的實作經驗，包含架構調整、LoRA 微調與自餵訓練技巧。讀者可學習如何最佳化模型準確度與校準度，並掌握在資源受限下建構 AI 代理工具的方法。
Is this blog written by AI?
作者Marc Brooker表示他的部落格文章完全由人類撰寫，不使用LLM進行寫作，但會大量使用智慧體進行研究與整理。他認為閱讀AI生成的文字違反了社會契約，強調內容應反映作者真實的理解與投入，而非用AI填充篇幅。
Agentic software development hypothesis
提出三種關於代理軟體開發的假說，認為只要有完整規範或可預測的輸入，編寫任務就會變得簡單。文章探討了這些假說在現實中的挑戰，例如任務規範不完整以及模型預測的不確定性。
What's Easy Now? What's Hard Now?
探討程式設計代理（coding agents）的現狀與未來，提出關鍵觀點：擁有明確回饋機制（如錯誤訊息、效能指標）的任務較易解決，而缺乏即時回饋的任務（如架構設計、並程程式）較難。
It's time to be right.
提出未來代理式 AI 的應用機會將受缺陷率而非能力限制，並透過四象限分析不同場景的適用性。文章強調需關注左尾的缺陷問題，並介紹 AWS 在正確性編碼、規範驅動開發及工具政策等方面的具體工作方向。
Spec Driven Development isn't Waterfall
澄清規範驅動開發（Spec Driven Development）並非回歸瀑布式開發，而是將規範作為可迭代、動態演進的活檔案。
Music To Build Agents By
透過歌德的詩歌比喻，闡述 AI 代理（Agent）因具備持續解決問題的能力而強大，但也因此需要明確的政策（Policy）與引導機制來約束行為，避免失控。讀者可從中理解為何固定工作流不足以應對複雜情境，並認識到建立代理行為邊界的必要性。
Pass@k is Mostly Bunk
批評 AI 代理評估指標 Pass@k 過於寬鬆，指出其數值可能虛高卻無法反映真實效能。作者透過骰子比喻說明該指標的缺陷，強調應採用更嚴苛的評估方式以確保 AI 實際可用。
Agent Safety is a Box
提出用「盒子」概念來控制 AI 代理的行動，強調透過外部封閉環境限制工具呼叫與權限，以解決傳統對齊技術無法保障安全的問題。讀者能學會如何設計決定性的控制層，確保代理行為符合政策且無法繞過。
On the success of 'natural language programming'
認為程式語言的未來是自然語言，因為需求本質上就是透過對話以自然語言定義的。文章探討了自然語言的歧義性問題，並提出透過「回饋迴路」與 AI 模型反覆對話來解決，而非追求一次性的精確轉譯。
Is Systems Research Really Just About Making Numbers Bigger?
評論了關於 AI 如何改變系統研究的論文，指出 AI 在具備可靠驗證器的問題空間最有效。作者強調測試與驗證的重要性，並警告過擬合與獎勵駭客等陷阱，同時探討研究者應如何從最佳化轉向選擇高價值問題。
出現在別人的節目
其他來源裡提到或訪談這位人物的內容
AWS's Marc Brooker: Specs, Not Code, Are the Hard Part
AWS 資深工程師 Marc Brooker 分享透過閱讀數千份事故報告，發現規格定義比程式碼更重要。他介紹 AWS 開源框架 Strands 如何簡化代理開發，並探討在 AI 原生環境下，如何透過自然語言設定政策來管理代理行為，同時強調…
