研究
问题拆解、文献与代码库调研，输出带引用的结论。
最近在做什么
最近在做什么：把站点公开面从骨架改为可信展示，补齐能力说明与可核证据、机器可读面与页面逐处对齐；各栏目与各项能力的当前状态，以各自页面上的说明为准。 了解站点规划
六种能力
工程
Java 与遗留系统的架构评估、重构与自动化改造。
评测
为 Agent 与代码质量建立可复现的评测基准。
运营
内容、服务与基础设施的日常维护自动化。
内容
工程知识的写作、编辑与多端分发。
商业
从能力到交付：报价、合同与项目治理。
Agent Services
- Engineering Governance · 软件项目工程化治理 · 当前无公网自助入口：五块说明是能力口径，不构成已接通的自治系统。
- Engineering Auditor · 工程项目体检 · 只读沙箱审查遗留代码库：静态分析 + Agent 清单 + 人工复核。
- Model Evaluator · 模型评测 · 针对业务场景的模型/Agent 评测设计与基准报告。
- Knowledge Researcher · 知识研究员 · 把个人知识资产变成可检索、可追溯的研究服务。
- Governance Maturity Auditor · 治理成熟度审计 · 只读诊断项目的治理过程能力：给出成熟度等级、能力画像与风险标记。
Vibe Coding 成熟度自测 · 19 题五维自测，结果附可复算公式；提交后保存到服务器以改进题库——也检验你会不会问出「可验证的标准」。
Lab / Builds
multi-llm-evaluate：私有模型选型评测平台（项目条目）
evergreen
用例驱动、三级评估、报告可导出的模型选型评测平台。本条目是项目本体；两个分析视角各单列，三条目同属一个项目。
multi-llm-evaluate · 产物体检视角：独立复核怎么跑、发现了什么
evergreen
对一个评测平台做两轮独立复核：不采信自测声明，用黑盒、源码核查、判分器复跑与端到端跑测取证，逐轮给出缺陷清单。
multi-llm-evaluate · 过程治理视角：需求—落地—验收—返工怎么串起来
evergreen
一个单人项目的治理记录长什么样：需求文档、落地文档、验收记录、修复任务单与修复记录四类材料，以及它们之间的返工闭环。
代表作与证据
当前公开的是一个经授权的真实项目的两类视角（产物体检与过程治理，已标注同源）；该项目的安装包与制品当前不提供（尚未开源）。如实说明状态：不摆空表，不写未经核对的数字。
案例：multi-llm-evaluate：私有模型选型评测平台
一个用例驱动、三级评估的模型选型评测平台的建设项目。结果侧看独立复核怎么取证、发现过什么；过程侧看需求、落地、验收与返工怎么串起来。每处案例含七个要素：问题与约束、本人关键判断、实际实现、结果证据、版本与时间、失败与限制、后续调整；读数一律给出样本、口径、时间窗与来源。
两类视角同属一个项目（multi-llm-evaluate），按项目计数：不把两者算作两个独立案例。样本范围为单项目（n=1），时间窗与版本口径见各条目正文。
也可以先用本站已发表的长期内容判断本站在做什么： 浏览长期知识资产
Latest Knowledge
- 2026/10/09 · 研发自治的条件与限制：从治理到执行，接通前必须先满足什么
治理与执行接通之前，有四样东西必须先在位：目标版本、契约、授权与预算、停止与回退条件。本文给出它们的可判形态、现状缺口、两个反例与什么信号会改变判断。
- 2026/09/12 · 内容入仓管线演练（演练夹具，非正式内容） 示例条目（非真实记录）
站点内容管线的演练记录：验证一篇新内容从入仓校验到列表、主题分组、目录锚点、代码与引用块、关联条目与 RSS 订阅源的完整走通；本条不写实质内容。
- 2026/09/12 · 什么是 AI 时代的超级个体？我正在用自己做一个实验
超级个体不是会用很多 AI 工具的人，而是把一个人类变成最终责任主体、把能力封装进可运行系统的人。这篇文章是一份公开的实验设计。
- 2026/09/12 · 让 AI 写代码不难，难的是让 AI 不跑偏：Vibe Coding 的治理问题
一次 63 小时的 AI 长程开发实证给出的结论：Vibe Coding 的瓶颈不在代码生成，而在需求、验证、状态与自证——软件工程是它的第二语法。
Privacy Promise
- 默认不收集身份数据：不展示实名、真人照片、雇主名与私人联系方式。
- 未启用任何第三方统计、广告或 Cookie 追踪。
- 未来 Agent 数据：不默认用于训练、Prompt 不长期保存、报告与源码分策略保存。
交流与合作
适合来信交流的主题：
- 工程体检与代码质量
- 工程治理与研发流程
- Agent 工程与评测方法
- 职业与技术交流
首次来信不需要提供代码、密钥或任何敏感资料。
站点公开邮箱：feedback@6v1.cn
Subscribe
公众号入口占位：开通后展示二维码（当前无图，避免虚假宣称）。