complexity

作者将早期的微服务热潮与当前的多智能体系统热潮进行了类比，认为工程实践——而非更好的模型——可能是实现可靠多智能体系统的关键。

本文研究锐度与复杂度共同解释深度神经网络泛化能力的程度，引入基于帕累托的分析和面向函数的定义，以扩展解释范围。

麻省理工学院教授、哥德尔奖得主瑞安·威廉姆斯在一期播客中深入讨论了算法优化、细粒度复杂性理论以及强指数时间假说等前沿计算机科学话题。

一位开发者分享了对多智能体系统的挫败感，指出它们比单智能体系统复杂得多，且结果往往更差，并寻求关于协调和减少复杂性的工具建议。

文章讨论了LLMs如何变得越来越复杂，从简单的Transformer堆栈演变为融入多种注意力变体、混合专家模型和多模态编码器，与推荐系统进行了类比，并强调了像FlexAttention这样可组合内核优化的必要性。

一篇观点文章认为，科技公司CEO们被误导，以为可以用生成式AI自动化取代劳动力，但复杂性无法消除，人类需求需要摩擦。

本文提出一个框架，用于评估LLM在科学查询中生成不同语言复杂度的多个响应的能力。研究发现，模型常常不一致地变化复杂度，表现最好的Claude Sonnet 4.5仅能在46%的情况下正确调整复杂度。

引入ComplexityMT，这是一个使用CEFR级别评估六种语言中文本复杂度与机器翻译交互的基准测试，表明更高的复杂度使翻译更困难，并且机器翻译会改变复杂度级别。

Carson Gross（htmx 的创建者）认为，尽管 AI 让代码生成的成本降低了，但理解代码的成本却在上升。他警告开发者警惕"魔法师学徒"陷阱——让 LLM 生成难以驾驭的复杂代码。他提倡增量式地使用 LLM，并保持对代码库的深度理解。

一篇反思性文章，质疑人们轻率地认为构建AI智能体很容易的想法，强调了API、RAG、工具调用、记忆和编排等复杂组件，并指出在需要真正的智能体之前，更简单的工作流往往就够了。

讨论了编码代理在复杂长期任务中的挑战，指出了奇怪的用户体验问题和低效的代理交互，并主张对代理框架拥有更多控制权。

一位用户反思运行本地LLM的复杂性和魅力，涉及硬件选型、量化和张量并行。

一个 Codex 技能，用于分析代码库以识别性能热点，例如循环、重复查找和 N+1 模式。

一篇评论文章，认为现代社会和科技不必要地让生活变得复杂，批评将通用人工智能（AGI）视为救世主的说法，并建议回归简单。

资深开发者常因过于强调代码复杂性而无法与业务团队有效沟通，而业务团队真正关心的是消除不确定性。文章建议开发者用“能不能试个更快的办法”来拉通双方案，并指出AI虽能快速写代码，但承担责任的仍是人类。

本文分析了情境演算中一阶进展的规模复杂性和可判定性，表明对于局部效应、正规和无环动作，进展呈多项式增长，并保持在可判定片段内，例如二变量一阶逻辑。