> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/de/2026/w13-meituans-q4-earnings-and-why-the-ai-era-needs-a-unified-efficient-toolchain.md).

# W13-Meituans Q4-Bericht und warum KI eine einheitliche, effiziente Werkzeugkette braucht

Vergangenes Jahr las ich jeden Quartalsbericht und schrieb zusammen mit WeChat-Beiträgen einen Rückblick. Dieses Jahr lässt sich auch das über Cowork Schedules automatisieren. KI kann Informationen inzwischen selbst sammeln, analysieren, ordnen und auf Xuecheng ausgeben. Die Qualität ist deutlich höher als bei meiner eigenen Arbeit. Künftig ergänze ich jedes Quartal gute Quellen, starte den Zeitplan manuell und halte den Analyserahmen stabil.

Ein wichtiger Zweck meiner Finanzberichtsanalyse ist, zu lernen, wie man ein Unternehmen objektiv untersucht. Meituan lohnt sich für mich derzeit am meisten. Im letzten halben Jahr spürte ich jedoch, dass die Untersuchung des eigenen Unternehmens blinde Flecken erzeugen kann. Intern wirken nicht nur Markteinflüsse, sondern eigene Positionen, lokales Rauschen und die Neigung, Teilbeobachtungen linear auf das Ganze zu übertragen. Man glaubt, das Unternehmen gut zu kennen und viele interne Informationen zu besitzen. Tatsächlich kommen wichtige Informationen oft zuerst von außen. LongCat ist ein Beispiel. Wegen seiner Programmierleistung urteilte ich früher leichtfertig negativ. Dabei halte ich die Spezialisierung von Modellen grundsätzlich für plausibel. Über LongCat zu urteilen, ohne es gründlich zu kennen, ist keine gute Forschungspraxis. Solche Unterschiede trennen wohl auch professionelle Analysten von beiläufigen Börsenkommentatoren.

***

### Warum braucht die KI-Ära eine einheitliche, effiziente Werkzeugkette?

Zwei Ereignisse vergangene Woche brachten mich dazu, diese Frage ernsthaft zu prüfen.

Erstens warb Evan You auf der D2 weiter für seine in Rust neu geschriebene integrierte Frontend-Werkzeugkette. Sein Kernargument: Code schreiben ist nicht mehr der Engpass. KI muss ihren Code ständig prüfen. Wer ihr keine saubere und effiziente Werkzeugkette bereitstellt, wird große Produktivitätsgewinne später selbst blockieren.

Zweitens kündigte [OpenAI die geplante Übernahme von Astral](https://openai.com/index/openai-to-acquire-astral/) an, um dessen Python-Werkzeuge in Codex einzubinden. Das ähnelt in gewisser Hinsicht [Anthropics Übernahme von Bun](https://www.anthropic.com/news/anthropic-acquires-bun-as-claude-code-reaches-usd1b-milestone). Astral entwickelt den Paketmanager uv, den Linter Ruff und den Typprüfer ty.

Dazu passt ein Gedanke von Jeff Dean auf der gerade beendeten GTC. Heutige Werkzeuge wurden meist für Menschen entworfen. Menschen interagieren im Sekundentakt. Deshalb waren die Startzeit eines C-Compilers oder API-Latenzen bisher nicht entscheidend. Arbeitet ein Agent fünfzigmal schneller, können Millisekunden jedoch den Ablauf bestimmen. Nach Amdahls Gesetz begrenzt der nicht beschleunigbare Anteil die Gesamtbeschleunigung. Braucht die Modellinferenz 100 Millisekunden, Initialisierung und Aufruf der Werkzeuge aber zwei Sekunden, bringt ein schnelleres Modell für den Gesamtablauf kaum etwas.

Ähnlich lässt sich Anthropics Bun-Übernahme erklären. Entscheidend ist nicht allein Geschwindigkeit, sondern eine vollständig kontrollierbare Ausführungsumgebung. Traditionelle Werkzeuge wie Bash richten sich an Menschen und vermitteln Informationen als Text. KI braucht strukturierte, rauscharme und maschinenlesbare Rückmeldungen. Wird schon die Werkzeugschicht für Agenten entworfen, sinken die Kosten für Kontextabgleich und Fehlerbehebung deutlich.

Ich ordne diese Entwicklungen heute unter Harness Engineering ein. Im Kern geht es darum, bessere Rahmenbedingungen zu entwerfen, unter denen mehrere Agenten und wenige Menschen mit begrenztem Kontext und begrenzten Werkzeugfähigkeiten ein kontrollierbares, überprüfbares und erweiterbares Engineering-System bilden.

KI erzeugt schnell Code, schreibt ihn aber nicht beim ersten Versuch richtig. Der reale Prozess ruft Werkzeuge wiederholt auf: Abhängigkeiten installieren, kompilieren, linten, Typen prüfen, Tests ausführen und Programme starten. Ist diese Kette langsam, zersplittert oder unvorhersehbar, geht die meiste Zeit für Warten und Unsicherheit verloren.

Ein KI-bereites Engineering sollte deshalb prüfen, ob es eine saubere, schnelle und einheitliche Werkzeugkette besitzt, auf der Agenten dauerhaft arbeiten können.