handwired 是什么？

一个把普通 JavaScript 代码变成神经网络的开源工具（TypeScript，MIT 许可）。程序里的 if-else、循环、状态被变换成矩阵乘法加 reglu 在浮点数上执行，可在 JS 或 WebGPU 上跑。卖点是免训练、精确、全可微。

它怎么用代码表达比较运算？

用 ReLU 编码整数比较：例如 a>4 可写成 max(0,a-4)-max(0,a-5)，结果在 a>4 时为 1、否则为 0；分支选择变成两个分支都计算再用该值加权。代价是程序规模膨胀与浮点边界问题。

适合生产使用吗？

作者自己在 README 里都说「试了才知道」，定位是实验项目。目前更适合研究可微编程、GPU 并行化传统程序的人群；冻结程序接神经网络端到端训练等用法仍在探索阶段。

handwired：把普通 JS 代码变成神经网络，4 天 1730 星

10 月 15 日，开发者 chenglou 在 GitHub 创建了 handwired 仓库，README 第一句话是「Turn your regular JavaScript code into a neural net; no training, exact, yet also fully differentiable」：把普通 JavaScript 代码变成神经网络，不用训练，结果精确，还全程可微。截至 10 月 19 日，仓库 1730★、143 fork、open issues 9 个，4 天冲上千星，唯一贡献者 chenglou 提交了 825 次。MIT 许可，TypeScript，bun 构建，在线 demo 挂在 chenglou.me/handwired，克隆下来 bun install && bun start 就能本地跑。有意思的是传播路径：同期 HN 两次提交分别只有 5▲ 和 4▲，热度几乎全部来自 GitHub 一侧。本文按老规矩拆六段。

一、它是谁

作者 chenglou，HN karma 1295，个人简介只留了 GitHub 和 Twitter 链接。社区资料显示他是 React 生态的知名开发者（React Motion 作者、ReasonML 推广者、曾任职 Meta），这部分背景本次未独立核验，正文只按「开发者 chenglou」处理。

项目本身有个时间差要交代：仓库创建于 10 月 15 日，但 lab 目录里的实验记录最早写于 9 月初，还提到 6、7 月的设计讨论，9 月中旬有逐日更新的实验日志，说明开发远早于公开。4 天 825 commits 是公开仓库的提交节奏，不是项目的全部工期，把它理解成「长期准备后一次性公开加持续整理」更贴近证据。

本地 clone 实测（浅克隆，10-19）：全仓 1542 个文件，其中 ts 文件 1101 个、合计约 27.5 万行；src 核心目录约 1.8 万行，lab 实验目录约 23.5 万行，tests 约 2.2 万行，docs 六份文档合计 1296 行。文件类型分布是 ts 1101、json 151、md 141、txt 49、html 38、css 22。这不是一个 gist 级别的想法演示，是一个带文档、带测试、带教程、带在线站点的完整工程。

二、机制拆解

handwired 的出发点：程序由 if-else、循环和状态构成，它把这三样东西变换成「矩阵乘法加 reglu」在浮点数上执行。

README 给的例子最直观。a > 4 ? 10 : 12 这样的分支，可以改写成纯算术：先算 above4 = max(0, a-4) - max(0, a-5)，max(0, x) 就是 ReLU，对整数 a，above4 在 a>4 时等于 1、否则等于 0；再算 result = above4*10 + (1-above4)*12。两个分支都计算，由 above4 选出其中一个。比较、选择这些控制流原语，就这样被编码成了加减乘和 ReLU。循环和状态同理：状态放进一张 Float32Array 源表，每轮求值读表、算、写回。

下一步是收集：把全部加法、乘法和 relu 收进一个巨大的 matmul，在 JS 或 WebGPU 上执行。因为基本只用这两个原语，README 给出三条性质：整个程序保持可微；权重是手写的，不需要训练；GPU 的成熟优化技术（fusion、sparsity、reordering）对这种极简原语特别好使。

docs/execution-model.md 里的定义比 README 严格得多。程序是一串定长指令，指令只有四种：affine（仿射加权和）、reglu（left * max(0, gate)，gate 为常数 1 时退化成 ReLU）、boolean（把 0..1 的分数硬化成精确的 0 或 1）、index（表读取，即按 floor(下标) 从候选表取值）。所有数值语义写到 FP32 的舍入顺序级别，仿射项按存储顺序逐项 fround，文档明确要求任何后端要和参考求值器逐位一致。

比较也不只靠 ReLU 编码这一招。emitCompare 在声明了整数网格的操作数上直接产出精确位：1/64 网格上的 a>=b 只要 2 个操作、2 层；没有网格声明时走符号级联，0..16,384 范围内的 a>=b 要 15 个操作、14 层。索引读取有专门的 lowering，任意表大小下 1 个操作完成，索引范围限制在 ±2^24 以内。你写的不是指令表，而是「builder 代码」：普通 JavaScript 在构建期运行一次，把 emitMultiply、emitCompare 这些宏展开成指令，运行期没有任何分支和循环。

可微性也是结构性的，不是补丁。梯度可以顺着这四条指令往回流：affine 的梯度就是系数，reglu 的梯度带上 ReLU 门，boolean 这类硬化操作在文档里被标成「rounding point」，后端可以对其它求和自由重排、融合，唯独这些点要保证语义。对索引求梯度时，调用方必须显式选择 zero 或 backward-difference 两种策略之一，否则直接抛错：设计上宁可报错也不偷偷给你一个没定义的梯度。这套约定让「整个程序可微」从口号变成了有边界的合同。

再往上一层是时间与动画。host-timing.ts 把弹簧动画离散成 4ms 步长，按刚度和阻尼组合预计算一个 2×2 步进矩阵，宿主每帧把矩阵写进 4 个输入 cell，程序内用 emitApplySpringMatrix 应用。也就是说连 UI 动画这种最不像神经网络的东西，也被编译进了同一张数值表。

三、工程成色

src 分四块：runtime 是核心运行时，cells、host-timing、numeric-ui-core、prefix-networks 四个文件；handwiredos 是一个完整桌面演示，窗口管理器、Photos、Notes、Files 全部编译成数值程序，约 5500 行；json-search 约 6200 行，是搜索演示；learned-gallery 是学习类演示。tests 目录 42 个测试文件，覆盖比较语义、gather lowering、数值语义、弹簧矩阵等，json-search 一个模块就带 184 个测试、跑约 45 秒。template 目录放了一个开关按钮的教学示例，docs/tutorial.md 逐行讲解，旁边配一份普通 JS 写的参考实现，测试钉死两者输出一致。docs 里还有 patterns.md（484 行）、behavior-choices.md、execution-model.md 等六份文档，工程习惯相当规整。

HandwiredOS 这个演示值得多说两句，它是全仓库最有说服力的展示。窗口拖拽、最大化、点击选中照片、文本换行、虚拟滚动列表，这些交互全部不出现在宿主 JS 里，而是编译进数值程序：窗口命中测试用 emitCompare 在 1/64 像素网格上算，指针坐标先舍入到网格再进程序，所以每个比较都是精确整数位。Files 窗口里那个虚拟列表干脆是程序自身的值列表，64 个 DOM 槽位由程序分配行。宿主只负责把浏览器事件写进源表、跑一次求值、把输出写回 DOM。换句话说，一个能用的桌面系统，运行时本体就是一张浮点数表上的矩阵运算。

性能数字记录在 lab/status.md，细到微秒级。HandwiredOS 整个桌面编译成 20,381 个活跃操作、230 层、45,436 个存储权重，单次求值约 133µs，空闲帧约 141µs，打字帧约 282µs。json-search 的 README 自己承认 GPU 单次往返就要 0.6ms 以上，单文档毫无收益，收益只在 10 万文档同构并行这一种场景：每份文档跑同样的操作、不读别人的值，一遍全过。

README 自述的用例（作者口径）有三个：解冻权重直接训练，作者原话风格是「那会发生什么？试了才知道」；把冻结的特定程序接上通用神经网络端到端训练，「nanoGPT 能同时学莎士比亚和你的 UI？」；以及传统单线程写法的 JS 获得 GPU 级并行，JSON 搜索在 10 万文档上毫秒级完成。三个用例都用问号收尾，实验姿态写在脸上。

提交节奏本身是个观察点：单人 4 天 825 次提交。作者没有自称任何生成方式，但 lab 里 9 月 3 日的复盘笔记写明，作者梳理过「6 月和 7 月的 Claude 对话」以及「6 月的 Codex 设计讨论」，复盘还请了三组独立审计。材料摆在这，判断留给读者。

还有一点诚实度证据：那份 9 月复盘笔记里写着「最令人担忧的发现也很具体：一些正确性检查在比较共享同一错误的实现」。项目主动把自己测试体系的漏洞记录在案，而不是等别人挖出来，这在明星仓库里不常见。

四、与同类对比

概念上，handwired 属于「可微编程」这个老方向：让普通程序的控制流以可微的数值形式存在，和神经符号系统的思路沾亲。但它的路线有自己的位置：不是训练一个网络去逼近程序，而是把手写程序精确地编译成神经网络形态，权重不是训练的产物，权重就是程序本身。可微解释器类工作通常要为可微性牺牲精确性，用软化替代分支；handwired 反过来，先用范围声明、整数网格、符号级联这些手段把精确性钉死，再顺手收获可微性。「免训练、精确、可微」三个词同时成立，靠的正是这个编译方向的选择。这一对照只作概念层面的定位，不涉具体项目的优劣断言。

五、局限

三条。其一，数值边界：用 ReLU 编码整数比较依赖操作数落在声明的网格和范围内，仓库用范围声明加精确位来兜底，但这意味着写程序的人要自己维护数值契约，浮点世界里超出范围的输入没有魔法，索引读取超出 ±2^24 直接拒绝。其二，规模膨胀：分支两边都算，操作数随程序复杂度增长，status.md 里有现成例证，Notes 应用迁入后 HandwiredOS 从 14,019 个活跃操作涨到 20,381 个，存储权重从 31,359 涨到 45,436，单次求值从约 75µs 涨到约 133µs。一个玩具桌面已经两万操作，真实应用规模可想而知。其三，实用性：作者自己就把项目定性为实验，README 写着「what does that even do? Let’s find out!」，这是一手证据，不用替他拔高。

六、判断与谁能用

先看热度结构：HN 两帖合计 9 个赞，GitHub 4 天 1730★，流量从 trending 和社交媒体进场，技术论坛几乎没接住。这个反差本身说明，多数人是被「代码变神经网络」这个概念钩住的，点星成本远低于读完 execution-model.md 的成本。star 数在这里度量的是话题性，不是采用度。

分人群给判断。想理解可微编程的人，这是目前教材级的入口：读 docs 六份文档，跑 template 的开关示例，bun 一条命令起本地 demo，半天成本，比读论文直观。做 GPU 数值计算或编译器的人，可以偷师它的 macro 设计，emitCompare、index read 这些宏如何在构建期展开成极简指令、如何用 rounding point 标记保留重排自由度，是可以直接借鉴的手法。找生产工具的人，现在别来：open issues 9 个，接口随时会变，作者的定位就是实验。

研究玩具还是范式信号，4 天定不了论。但可以确定的是，「程序即网络」这个编译目标，被一个人用 27 万行 TypeScript 做到了能跑桌面系统、能毫秒搜 10 万文档的程度，文档和测试的完备度对得起 star 数。这件事本身已经值得一次拆解。

信息来源

仓库本体：github.com/chenglou/handwired（README、docs/execution-model.md、docs/tutorial.md、docs/patterns.md、template/、src/json-search/README.md、lab/status.md、lab/reassessment-2026-09-03.md，10-19 本地 clone 核验；行数与文件数为本地 find/wc 统计）
星数、fork、创建时间、贡献者与提交数：GitHub API（10-19 快照，星数仍在变动）
HN 提交记录：id=50105849（5▲）、id=50105735（4▲），10-19 快照
作者背景中未经核验的部分，正文已标「社区资料显示」