先说明边界：这不是完整履历表，而是公开工程画像

截至北京时间 2026 年 3 月 16 日，我能公开核验到的 Yaq 信息并不算多。没有一份完整的官方个人简历，也没有那种把教育背景、每段任职和头衔都写得很整齐的人物页面。最稳定的一手公开材料，主要来自他的 GitHub 主页、个人站、公开仓库和相关论文或项目页面。

所以这篇更适合被理解成“公开工程画像”，而不是传统意义上的人物履历稿。它回答的重点不是“他在哪年在哪家公司任什么职”，而是“从公开项目能看出他是一类什么样的工程师，他的研发方法到底强在哪里，以及普通架构师能从中带走什么”。

如果先用一句话给判断，我会这样概括：Yaq 更像一个长期在底层基础设施、密码学、区块链协议和验证问题上工作的工程型研究者，而 ETH2030 只是把这条能力链一次性放大到了公众视野里。

公开资料里，Yaq 是什么样的人

GitHub 主页是目前最可靠的公开入口之一。它显示他的公开名称是 YQ，主页公司字段写的是 @alt-research，地点是 Singapore，自我描述则是 Hardcore infra，并明确提到 Ethereum protocol research, rollup scaling, applied cryptography。这组关键词其实已经够说明方向了。

个人站 yq.back.engineering 的气质也很一致。它不是典型的营销型个人主页，更像工程师自己的工作台和项目入口。首页直接把 ETH2030 放成显眼项目，同时也能看到 PicoClaw、SocialBlobs 等公开项目痕迹。一个很直观的感觉是，他更在意把东西做出来并挂出来，而不是把自己包装成一个高曝光的“技术意见领袖”。

这类人往往在公开叙事里不那么喧哗，但在工程里会留下很重的项目痕迹。Yaq 目前给人的公共形象，基本就是这一类。

如果把公开项目往回翻，会看到一条很连续的技术轨迹

很多人看到 ETH2030 的第一反应，是把它理解成一次突然爆发。但如果顺着 GitHub 公开仓库往回看，会发现它更像长期积累后的集中爆发。

最早的一段轨迹，明显偏隐私系统和底层实现。

从公开仓库里能看到一些更早期的 PathORAM、OnionOram 之类项目。这说明他很早就碰过“如何在不可信环境里隐藏访问模式”这类偏底层、偏隐私的系统问题。即便这些仓库今天不一定还是主线，它们依然能说明一种底色：他对“安全、隐私、数据访问模式、底层结构”这类问题并不陌生。

再往后，开始进入 P2P、网络和去中心化系统。

GitHub 上可以看到 APAC-Code 这类匿名 peer-assisted CDN 方向的项目，也能看到和区块链基础设施相关的 Substrate、Zilliqa、picoquic-rs 等仓库痕迹。它们未必都代表主导项目，但足够说明他不是只待在某一门语言或某一层抽象里，而是长期在网络协议、系统性能和去中心化基础设施之间移动。

到了最近两年，轨迹开始更清晰地收束到三件事上。

• 隐私与密码学仍在继续。OblivP2P-Code 对应的 ePrint 论文《OblivP2P: Efficient Privacy-Preserving P2P using TEEs》可以确认他在隐私保护 P2P 方向上有更正式的研究输出。
• 区块链协议和执行层能力更重了。SocialBlobs、go-ethereum 和 prysm 的公开 fork，再到 ETH2030，本质上都在围绕以太坊协议路线和可扩展性做工作。
• AI Agent 和安全工具开始进入主线。像 picoclaw、ClawSecurity 这样的公开仓库，已经显示他不是单纯把 AI 当聊天工具，而是在尝试做更可部署、更安全的 agent 工具链。

所以，如果把时间线拉开，Yaq 不是“突然会用 AI 写代码的人”，而是“本来就具备底层系统与协议能力的人，最近又率先把 AI 叠进了自己的研发主流程”。

ETH2030 为什么更像一次能力总和，而不是单次偶然

ETH2030 之所以引人注意，不只是因为仓库大、测试多、传播猛，而是因为它几乎把 Yaq 的公开能力轨迹一次性叠在了一起。

先是协议理解力。

ETH2030 不是一个普通应用项目，它面向的是 2026 年 2 月 25 日刚发布的 L1 Strawmap。这要求开发者不仅能读 EIPs，还要能把路线图里的共识层、数据层、执行层依赖关系压成真正的模块边界。光这一步，就不是单纯的“代码熟练”能解决的。

再是系统整合力。

ETH2030 并不是从零重写一切，而是通过 pkg/geth/ 适配层，把 go-ethereum v1.17.1 当成执行和状态后端，再把 BALs、PeerDAS、ePBS、FOCIL、PQC、zkVM 等 Strawmap 目标叠在上面。这种做法看似没那么浪漫，实际上特别像成熟架构师的手法。真正厉害的人，往往知道什么必须自己写，什么必须借上游的成熟资产。

然后是验证导向。

ETH2030 不只是代码堆积，它同时公开了 PROGRESS.md、GAP_ANALYSIS.md、Kurtosis devnet 测试说明、EF state tests、以及详细的构建和验证命令。这说明 Yaq 的工作方式不是“先把东西堆出来，再靠叙事补可信度”，而是“尽可能同步建设可信度”。

最后才是 AI 驱动能力。

README 给出的开发统计很罕见。3.42 billion billed tokens、34,172 次 API 调用、966 个 session 文件，其中 957 个是 sub-agent。单看这组数字，就能说明 ETH2030 不是一种单线程的“提示词工程”，而更像一个带有任务拆解、并行推进、不断回测的多代理研发过程。也就是说，AI 在他这里不是炫技，而是生产力组织方式。

从公开仓库推断，Yaq 的 AI Agent 能力图谱大概长什么样

这里我要明确标一句：下面这张能力图谱，是基于公开仓库结构、文档和统计做出的工程推断，不是 Yaq 本人逐条写出的自我总结。

但这个推断很值得写，因为它对普通架构师更有帮助。

第一类能力，是规格摄取和资料编排。

ETH2030 仓库把 refs/ 做成了很重的一层，覆盖 EIPs、consensus specs、execution specs、builder specs、go-ethereum、blst、circl、gnark、go-eth-kzg 等上游。一个人能带着 AI 做大项目，前提从来不是模型“很聪明”，而是上下文组织得足够好。规格摄取能力，往往是第一门槛。

第二类能力，是复用边界判断。

Yaq 没有浪费时间去重写所有成熟部件，而是把 go-ethereum 明确压成后端，把未来路线图真正新增、真正分歧、真正值得讨论的部分放在 ETH2030 自己的模块里。很多人做 AI 编程时最容易犯的错，是让模型从零重造一切。成熟工程师更常见的判断是：哪怕 AI 很快，也不要在错误的边界上浪费速度。

第三类能力，是多代理并行推进。

966 个 session 文件、其中 957 个 sub-agent，意味着任务拆分不是附属动作，而是主流程的一部分。这背后通常需要很强的任务颗粒度判断、上下游接口约束和结果回收能力。很多团队即便有模型，也做不到真正高效并行，原因正是没有把“如何分解任务”当成核心工程能力。

第四类能力，是测试和验证编排。

一个能写 70 多万行代码的系统，如果没有同等强度的测试、差分和验证，很快就会坍掉。ETH2030 公开材料里最值得重视的，并不是 LOC，而是 EF state tests、Kurtosis feature tests、RPC 验证、Gap analysis 和各种 package-level tests 同时存在。换句话说，Yaq 的能力图谱里，验证不是尾声，而是主角之一。

第五类能力，是研究与实现之间的往返能力。

从 OblivP2P、leanMultisig、SocialBlobs 到 ETH2030，可以看见他一直在研究材料、协议设计和实现系统之间来回穿梭。这种能力在 AI 时代会更值钱，因为模型可以加速“实现”，但把研究叙事压成系统边界、再从系统问题反推出研究缺口，仍然高度依赖人。

对普通架构师最有启发的，不是模仿强度，而是学方法

大多数人看完 Yaq 之后，最容易陷入两个误区。

第一个误区是把重点放在天赋崇拜上，觉得“这是超人做法，和普通人没关系”。第二个误区是只学表面动作，觉得“那我也多开几个 agent，让 AI 帮我写大项目”。

这两种理解都太浅。普通架构师真正能从 Yaq 身上学到的，不是复制他的爆发力，而是复制他的方法顺序。

第一步，先做规格摄取，而不是先写 prompt。

大型系统的问题，很少出在第一行代码，往往出在你一开始就没有把上游规格、依赖关系和测试边界组织好。Yaq 的仓库之所以能成立，是因为它先把参考资料体系化了。

第二步，先判断复用边界，而不是先判断模型够不够强。

复用成熟后端、只把真正需要新增和验证的部分拉出来，是极成熟的系统判断。很多所谓“AI 提速失败”，其实失败在边界设错了，而不是模型不够好。

第三步，把测试和 gap analysis 前移。

如果你的 AI 流程只会产出代码，不会同步产出测试、差分比较、traceability 和缺口清单，它就很难进入高复杂度工程。ETH2030 之所以有讨论价值，正是因为它有一整套“我做到了哪、还差哪”的公开文档。

第四步，把 agent 当组织方式，而不是当魔法。

多代理协作并不神秘，它本质上是在重写任务分解和上下文分配方式。架构师真正要学的，是如何让每个 agent 负责一个清晰的问题边界，并让结果能被回收到主系统里，而不是一口气把所有问题都扔给一个大模型。

我对 Yaq 的判断

截至 2026 年 3 月 16 日，Yaq 还不是那种公共话语场里被广泛认识的人物。他的公开信息不算丰富，传统履历也不完整，很多人甚至是在 ETH2030 之后才第一次注意到他。

但这并不影响我们对他的工程画像做出一个相对稳的判断。

他不是那种只会写 demo 的 AI 用户，也不是那种只会讲路线图的协议观察者。公开项目已经足够说明，他的底层方法更接近“研究型基础设施工程师”：会读规格，会找上游，会搭适配层，会写验证，会碰密码学和协议边界，也开始非常熟练地把 AI 变成自己的研发放大器。

如果未来几年 AI 驱动的大型系统开发真的会出现一批代表人物，我会倾向于把 Yaq 看成比较早的一类样本。他未必会因为曝光度成为最有名的一个，但他的项目很像在提前展示一种新的工程组合能力。

对普通架构师来说，这件事最可贵的提醒其实很朴素。AI 时代最有价值的人，不一定是敲代码最快的人，而是最会定义边界、组织上下文、选择复用对象、设计验证路径，并让多个代理稳定协作的人。Yaq 之所以值得写，首先不是因为他“一个人做了很多”，而是因为他已经把这种能力组合，做成了公开可见的样子。