EVE Online 启动向 Python 3 的迁移：240 万行代码的挑战
评分
71披露了具体代码量、审查要点和潜在替代技术，对关注大规模 Python 迁移的人有较强新增信息。
内容来自知名技术博主 Simon Willison，信息组织清晰，但原始公告本身细节有限。
迁移策略和工具使用对面临类似升级的团队有直接参考价值。
2026 年 8 月刚发布的消息，时效性高。
Simon Willison 是知名且可靠的开发者博主，原始信息来自 EVE Online 官方公告。
基础分 79 × T2 信源权重 ×0.9 = 71
精选线 70已入选精选
精选理由
事件是知名游戏公司的重大技术迁移，涉及大规模代码处理与 Stackless 替代问题，信息增量高。
AI 点评
「这条新闻对 Python 技术圈来说是个大事件：一个运行了二十年的 Stackless Python 2.7 服务终于要动大手术了。虽然公告没给时间表，但 EVE Frontier 已经走通了替换 Stackless 的路，等于提前踩点。对还在用 Python 2 的团队来说，这是一份难得的实战地图。」
速览
EVE Online 宣布启动向 Python 3 的升级，这是其自 2010 年升级至 Stackless Python 2.7 后的又一次重要版本迁移。团队将使用 futurize 脚本处理约 240 万行代码，并人工审查约 2 万个 Python 2 与 3 行为差异点，例如整数除法语义变化。由于 EVE Online 仍依赖 Stackless Python，公告未提及具体替代方案，但此前他们在 EVE Frontier 中已用开放源码的 carbonengine/scheduler 取代 Stackless，这或许为本次迁移提供了技术路径。
- EVE Online 将用 futurize 脚本处理 240 万行代码，再人工审查约 2 万个兼容性差异点。
- 上次重大升级是在 2010 年升级到 Stackless Python 2.7，距今已 16 年。
- 公告未说明如何替代 Stackless Python，但 EVE Frontier 已使用开源 scheduler 库实现了替代。
- 迁移难点包括 Python 2/3 行为差异，如 `/` 运算在 Python 2 返回整数、Python 3 返回浮点数。
正文
EVE Online：向 Python 3 的迁移已经开始！
EVE Online has been one of the most interesting case studies in Python at scale for over twenty years now.自 2003 年上线以来，他们一直运行在 Stackless Python 上，上一次重大升级是在 16 年前的 2010 年，升级到 Stackless Python 2.7。
他们升级到 Python 3 的工作将首先使用 futurize 脚本处理 240 万行代码，随后对 Python 2 与 Python 3 行为差异的约 20,000 处进行仔细的人工审查——例如 1 / 2 在 Python 2 中是 0，而在 Python 3 中是 0.5。
这份公告中没有提到他们计划如何取代 Stackless，但在去年的会议上，他们展示了 Scheduling in Carbon: Leaving Stackless Python Behind，描述了如何在 Carbon 引擎中为他们的较新游戏 EVE Frontier 取代 Stackless，使用的是他们（现已开源）的 carbonengine/scheduler 库。
通过 Lobster.rs
相关条目
89
精选OpenAI研究：AI正在重新定义工作边界
如果你关心AI对实际工作的影响，这篇研究不容错过。它不讨论理论，而是用数据展示ChatGPT用户如何使用AI扩展自己的任务范围，这对HR、管理者以及每个希望提升技能的职场人都有直接启发。
87
精选OpenAI CFO 分享构建 AI 原生财务职能的五大经验
作为编辑，我认为这篇文章的价值在于它来自 AI 领军企业的财务一把手，而非外部咨询机构，因此更具实践参考性。推荐给财务数字化负责人、CFO 以及对 AI 转型感兴趣的从业者阅读。
87
精选智能体AI时代下的科学计算：OpenAI发布新领域报告
这份报告是当前AI agent热潮中最务实的应用分析之一，尤其适合计算生物学和药物研发领域的从业者阅读。它回答了“AI agent除了写代码还能干什么”这个关键问题，直接展示了在复杂科学计算中的生产力提升。
87
精选Real World VoiceEQ：量化语音AI的人类自然度
值得关注的是，这个基准真正聚焦'人类自然度'这个软指标，而不是传统的语音识别率或MOS评分。对从事语音合成、语音克隆或语音交互的团队来说，这是一个非常实用的参考工具，可以快速定位模型在情感、韵律等层面上的不足。不过目前支持语言有限，期待后续扩展。
85
精选OpenAI 推出AI时代记分卡：衡量投资回报的新方法
这篇博文直击当前AI行业的软肋——如何量化投入产出。对于正在或计划大规模部署AI的企业决策者而言，它能帮助避免盲目跟风。我个人建议结合自身业务场景尝试定义“有用工作”，避免指标设计流于形式。
85
精选代理时代如何管理AI投资：聚焦每美元有用功与高价值工作流
这篇文章对正在大规模部署AI代理的企业尤为重要。它提醒我们：单纯盯着API价格下降会陷入误区，真正要管理的是每单位工作的投资回报率。建议CTO和CFO联合阅读，并在内部建立量化评估机制。
85
精选设计能跟上AI的组织：组织延迟成为最大障碍
这篇文章真正值得关注的是提出了一个被忽视的瓶颈：技术再强，组织跟不上也是白搭。对CTO、CIO和转型负责人来说，这是比技术选型更重要的思考框架。
84
精选Ruff v0.16.0 发布：默认规则从59条激增至413条，CI工作流需关注
对于 Python 开发者来说，这是一个不容错过的更新信号。Ruff 的默认规则大幅增加意味着我们不能再忽视代码中潜在的问题，而 AI 修复工具正好可以降低升级成本。尤其值得关注的是 Astral（OpenAI）正在将 AI 编码能力与静态分析工具深度整合，这可能是未来工程实践的常态。