113 lines
5.2 KiB
Markdown
113 lines
5.2 KiB
Markdown
# 28_隐私中间件与大教堂的AI集市
|
||
|
||
**2026-06-28 · 家 · 下午**
|
||
|
||
---
|
||
|
||
> 今天的对话从一个人脉管理系统的架构设计出发，最后落在了开源运动在 AI 时代的新形态上。两件事看似不相关，内里有一条共同的线：**当"表达"和"实现"之间的翻译成本趋近于零，创造的主体正在发生转移。**
|
||
|
||
---
|
||
|
||
## 一、隐私中间件的设计
|
||
|
||
人脉管理服务 Monica 自部署以后，需要搭配 AI 做社交分析和周报。但一个现实问题摆在那里——**联系人信息里有王局、李处的实名信息，直接送给 DeepSeek API 是心里不踏实的。**
|
||
|
||
方案不是不用 AI，而是加一层脱敏中间件：
|
||
|
||
```
|
||
Monica 数据
|
||
↓
|
||
脱敏层（人名→代号，单位→代号）
|
||
↓
|
||
脱敏文本送 AI 分析
|
||
↓
|
||
AI 返回结果（含代号）
|
||
↓
|
||
还原层（代号→人名）
|
||
↓
|
||
你看到的结果
|
||
```
|
||
|
||
这里有几个关键设计：
|
||
|
||
**一、映射表必须永久锁定。** 一个人不能今天叫 Person_001，下周变成 Person_012。映射一次生成，写入 `name_map.json`，永不重算。
|
||
|
||
**二、支持多别名。** 输入可能是"赵立春"、"赵部长"、"赵立春部长"、"赵局"——指向同一个人。映射表需要一个 `primary`（规范名）+ `aliases`（别名列表）的结构。脱敏时遍历所有别名匹配。
|
||
|
||
**三、自动补齐，不中断流程。** 发现新人名时，自动分配编号并写入映射表，不打断主流程。新编号在周报末尾列出，供你确认。脏数据进不去，日常使用的便利性不受影响。
|
||
|
||
**四、和 AI 分析层解耦。** 脱敏层输出的是纯文本格式，底层用 Qwen 本地还是 DeepSeek API，上层不感知。哪天想换模型，脱敏层一行代码不用改。
|
||
|
||
---
|
||
|
||
## 二、从"写代码的人"到"提需求的人"
|
||
|
||
Monica 这个设计讨论到一半，话题跳到了一个更大的问题上：**AI 把软件开发的门槛降到这么低，连我这样零基础的人都可以参与开源了，这和大教堂与集市的预想吻合吗？**
|
||
|
||
Eric Raymond 1997 年的《大教堂与集市》的核心论点不是"开源比闭源好"，而是：**好的软件是由关注同一问题的许多不同视角共同打磨出来的。**
|
||
|
||
"集市"模型的真正优势，不是程序员多，而是**视角多**。
|
||
|
||
旧集市有一个隐形的准入证：**必须会写代码**。参与漏斗是：
|
||
|
||
> 10 亿互联网用户 → 3 亿懂英文 → 5000 万能读代码 → 3000 万会写代码 → 几百万活跃贡献。
|
||
|
||
每一层过滤掉 90% 以上的人。
|
||
|
||
AI 做的事情，不是"教每个人写代码"，而是**把"表达能力"和"编程能力"解耦了**。以前你必须有后者才能参与，现在有前者就行。
|
||
|
||
新漏斗变成了：
|
||
|
||
> 10 亿互联网用户 → 9 亿能描述自己想要什么 → 其中一部分可以直接参与。
|
||
|
||
**更重要的变化不是人数，而是角色的分化。** 集市里以前只有"写代码的人"一种角色。AI 来了以后，出现了新的物种：
|
||
|
||
- **需求提出者** — 能描述清楚问题的人
|
||
- **结果判断者** — 能判断生成的代码对不对、合不合需求的人
|
||
- **领域专家** — 懂业务但不一定懂代码的人
|
||
|
||
这三类人以前被挡在集市门外，因为没人帮他们"翻译"。AI 就是这个翻译层。
|
||
|
||
雷蒙德说的"给定足够多的眼球，所有 bug 都变浅了"——现在"眼球"的定义从"能读代码的人"扩展到了"对问题有判断力的人"。
|
||
|
||
---
|
||
|
||
## 三、集市会更热闹，但热闹的方式变了
|
||
|
||
**不是程序员变多了，是集市的物种变丰富了。**
|
||
|
||
新角色带来了新的能力：
|
||
- 需求提出者带来更精准的问题定义
|
||
- 领域专家带来了更多的真实场景
|
||
- 结果判断者带来了更多的审核视角
|
||
|
||
**但有两个天花板没有消失：**
|
||
|
||
一是**必须知道自己想要什么**。AI 可以帮你把"我想做一个记人脉的工具"变成代码，但它不知道你真正要的是"记录关系网、按圈子搜索、AI 自动提醒谁该联系了"——需求分析能力，还是要自己来。
|
||
|
||
二是**必须能判断输出对不对**。AI 生成的代码可能有安全问题、有逻辑漏洞、有性能隐患。你不一定要会写它，但你要能判断它合不合理。
|
||
|
||
**这不正是"冯氏把关"吗？**
|
||
|
||
在 Monica 项目里，冯先生说了一句话：**"他做事，我在最后把关。"**
|
||
|
||
这正是集市模型里"贡献者 → 维护者"的现代版本。AI 是贡献者，生成了它所能生成的最好结果。人是维护者，判断这个结果能不能用、合不合适。
|
||
|
||
---
|
||
|
||
## 四、一个更深层的判断
|
||
|
||
Monica 的隐私中间件设计，和"AI 集市"的哲学观察，指向同一个底层逻辑：
|
||
|
||
当"想法 → 实现"的成本趋近于零，**创造的门槛从技术能力转移到了问题意识**。
|
||
|
||
谁对某个领域理解最深、最能描述清楚"我想要什么"、"这个感觉不对"——谁就成了最有价值的那一环。
|
||
|
||
这和以往的认知是反过来的。以前是"会写代码的人决定做什么"，以后可能是"懂问题的人定义做什么，AI 负责实现，懂技术的人负责审核和兜底。"
|
||
|
||
分工变了，但"把关"的价值不但没有消失，反而更重了。
|
||
|
||
---
|
||
|
||
*#技术 #哲学 #开源 #AI #软件工程 #架构*
|