Andrew Ng 的 90% Agent 落地失败率还在被引用，这周更值得编辑部记下来的，是 Simon Willison 用 GPT-5.6 的语音模式「自言自语」完成了一次完整的原型设计：1000 次文档修订的原始历史是 20.4MB，压缩后只剩 80.3KB——压缩比约 254 倍。
这是什么
Willison 是英国知名独立技术博主，长期关注数据工具。他在散步时想到一个老问题：如何高效存储一段不断被编辑的文本的「每一次历史版本」。传统做法是数据库里一行存一个版本——文档长一点，每次改动都是几十 KB 的开销。他提出的方案很简单：把所有历史版本塞进一个 JSON 字符串数组，用 zstd（一种比传统 zip 压缩率更高的算法）整体压缩，再配一列时间戳数组。GPT-5.6 帮他跑了 38 分钟的实验代码，验证可行。
技术上不复杂——zstd 对重复文本的压缩效果早就被验证过。值得记的是两件事：一是分段策略（每 128 次修订或 3MB 切一段），避免每次编辑都要解压整个数组；二是他全程用 ChatGPT 新的语音模式「边走边说」地完成了方案构思，然后切换文本模式让模型写代码。
行业怎么看
支持方觉得这是「自然语言编程」的早期范本——人负责发散思考和说清楚意图，模型负责落地细节。Willison 自己形容整个过程像「和一个永远不嫌烦的结对程序员聊天」，这种用法在去年还做不到（语音转文字的延迟和准确率都不够用）。
反对意见同样存在。压缩不是新鲜事，zstd 也不是新算法——这个原型里真正稀缺的是「一个人能凭直觉想到、并在两小时内跑通验证」的工程闭环。这意味着对独立开发者的门槛在降低，但对企业 IT 部门来说恰恰相反——「任何人能搭的原型」和「能在生产环境扛住的系统」之间，隔着的是并发、灾备、权限、审计这些 GPT 写不出来的脏活。另一个风险是：Willison 跑的是模拟数据，真实场景里文本修改的局部性可能差得多，压缩率未必能复现。
对普通人的影响
对企业 IT：业务部门很快会拿着类似 Willison 这种「两天搭出来的原型」来要预算上线——IT 部门需要提前想清楚从原型到生产之间的差距怎么补，而不是简单地说「不行」。
对个人职场：会「用语音把模糊想法说清楚」这件事，会从加分项变成基础能力——尤其对产品经理、咨询顾问这类工作里思考密度大于打字密度的人。
对消费市场：ChatGPT 语音模式的转写质量已经到了「可以当工作工具」的临界点，海外已经有播客主开始用类似流程做选题；中文场景的等价品还没出现，这是国内大模型公司还没补上的产品缺口。