个人知识库

AI编程开发

103分钟阅读

AI 编程开发全景

从 IDE 集成到 AI 应用开发，从工具使用到框架架构的完整知识体系

核心观点

  1. 多工具组合协作是趋势：单一模型不够用，未来是人类指挥多个 AI 工具分工协作，像管理团队一样管理 AI，“一个人就是一家公司”

  2. 本地部署 + 云端混合方案：简单代码用本地模型保证数据安全和速度，复杂任务调用云端大模型，成本和隐私兼顾

  3. 编程方式正在被重新定义：从写代码 → 改代码 → 提需求 → 验证迭代，开发者的工作重心从具体实现转向需求定义和质量把控

  4. “迭代开发”比”一次完美”更重要：第一版难看功能简陋没关系，AI 时代最核心的能力是快速把想法变成可运行的原型，然后持续迭代

  5. 未来程序员 = AI 操控师：把自己的经验和 AI 融合，驾驭 AI 更快完成工作，而不是被 AI 淘汰

  6. Claude Code Skill 装太多会降触发准确率：装 30+ 个 Skill 实测触发准确率掉到 50% 以下，官方建议 20-30 个且贴自己工作流。筛选唯一标准”能不能替我每天省掉一步手动动作”，注意”Setup Porn”陷阱——来源：2026-05-11-claude-code-6-skills

  7. AI 编程正在从提示词技巧升级为上下文资产管理：Claude Code、Codex、Manus 等 harness 的差异不如 agents.md、memory.md、Skill 文件与 MCP 连接方式重要；真正可迁移的生产力来自上下文、记忆、工具和技能组合成的数字团队系统——来源：2026-05-13-ai-agent-productivity-20x

  8. Skills 已成为跨 Agent 平台的通用协议：从 2025-10-16 Anthropic 首发到 2025-12-18 开放标准，Codex/Cursor/OpenClaw/Hermes 等十余个 Agent 全面支持，Skills 成为 AI 时代相当于 npm 的技能分发标准——来源：2026-05-20-agent-skills-intro-claude-opus

  9. description 字段是 Skills 触发的唯一门控：90% 的 Skill 未被触发是因为 description 不够具体；黄金写法：[功能]+[执行动作]+[触发关键词]，用祈使句，不超过 500 字；含 3 条约束 + 1 个输出示例可使稳定性提升 60%（Anthropic 内部数据）——来源：2026-05-20-agent-skills-intro-claude-opus

  10. Skill 的标准工程骨架是 SKILL.md 驱动、资源目录按需加载：SKILL.md 负责总控，scripts/ 放可执行代码，references/ 放规范文档，assets/ 放模板与素材；真正的工程优势不只是”会触发”，而是能靠渐进式披露把大体量规范拆成随取随用的知识层，既保持约束密度，又不把上下文一次性塞满——来源：2026-05-21-agent-skills-woshipm

  11. 多 Agent 并存时 Skill 应统一中央管理：Claude Code、Cursor、OpenClaw 等每个 Agent 都有独立 Skills 文件夹，导致四大问题：重复安装、盘点困难、同步成本高、版本漂移。根本原因是违反 Single Source of Truth 原则。解决方案是用软链接把所有 Agent 的 skills 目录统一指向一个 SharedSkills 中央文件夹（ln -s ~/Documents/SharedSkills ~/.claude/skills）——改一处全部同步，新 Skill 自动对所有 Agent 生效，进阶可用 Git 版本管理。更深层的理由：Skill 是 AI 时代里少有的确定性资产，其价值曲线与 AI 进化轨道独立（AI 越强方法论越有价值），需要稳定地方持续沉淀而非碎片化管理——来源：2026-05-27-woshipm-central-skill-symlink

  12. 写 Skill 的核心方法论是”先跑通再封装”而不是”先设计”：Agent 任务复杂度涉及脚本、工具调用、文件读取、subagent 分工，很多流程很难一开始就完整设计。云舒”上百个 Skill”的实战经验给出四步作业流程：跑通（和 AI 定目标、跑出真实场景）→ 复盘（讨论正向 vs 负向流程、哪些应该沉淀）→ 封装（让 AI 基于复盘结果做封装）→ 回溯测试（开新对话验证稳定性）。本质是从凭想象设计走向从实践中提炼——来源：2026-05-27-woshipm-yunshu-skill-practical-guide

  13. Skill 的三层渐进式加载机制 + 熟悉/不熟悉领域元判断：Agent 调用 Skill 不是一上来就把全部内容塞给模型，而是分层加载：第一层 name+description（触发判断）→ 第二层 SKILL.md（主流程）→ 第三层 references/scripts/assets（按需补充）。判断一个场景能否 Skill 化：熟悉领域走经验蒸馏；不熟悉领域看能否建立回溯验证机制（六爻占卜失败 vs 编程自动化测试成功）——来源：2026-05-27-woshipm-yunshu-skill-practical-guide

  14. Codex（Claude Code）的非技术岗场景扩展：从”AI 程序员”到”能进入工作现场的 AI 代理”，真正降低的不是写代码门槛，而是”把想法变成东西”的门槛。10 个非技术岗实战场景：发布追踪（整合散落信息）、个人小工具生成（让”太小太临时不值得排期”的工具出现）、反馈整理成行动清单、需求写成可验收任务包、前端原型生成、验收助手、网页流程检查、每日简报、团队方法沉淀。任务派发六要素框架：目标-上下文-限制-输出-验收-暂停条件。产品、运营、设计、销售、客服、管理者只要工作里有资料/流程/判断/工具/重复动作，就可能找到 Codex 的用法——来源：2026-06-02-codex-10-use-cases

  15. Coding Agent 的核心瓶颈是环境而非模型：半年 100+ 篇研究总结揭示，Prompt 优化不是关键杠杆——即使 Prompt 再完美，环境混乱（无文档/无规范/无 CI）Agent 照样犯蠢。真实案例：Coding Agent 上线两周后性能劣化，原因是自己生成的不规范代码污染环境，复制错误实现导致架构漂移速度超过人工修补。OpenAI Codex 团队接入 Chrome DevTools Protocol 让 Agent 能感知系统状态（浏览器/DOM/日志），单次任务自主工作时长从 < 1 小时提升到 > 6 小时。超长指令文件（5000 行 agents.md）反而降低性能，正确做法是”给 Agent 一张地图而不是一本一千页的说明书”（小文件索引 + 结构化子目录 + 按需读取）。Slack 讨论/Google Docs/口头经验对 Agent 是黑洞，必须显性化写入仓库——来源：2026-06-17-ai-agent-工程完全指南

  16. 多 Agent 拆分的最大误区是模仿人类组织：按人类分工（规划 Agent/编码 Agent/测试 Agent/审查 Agent）是最低效方式，Anthropic 研究发现 Agent 间反复解释背景消耗的 Token 甚至超过真正干活的 Token。正确原则是以上下文为中心拆分——只有两个任务的上下文可真正隔离时才拆分，否则就是造分布式单体——来源：2026-06-17-ai-agent-工程完全指南

  17. Skill 编写 5 个黄金法则（工程实操层）：(1) 一个 Skill 只做一件事（按需加载避免 token 浪费）；(2) 写规则不写教程（AI 已知概念，只需告知怎么做）；(3) 用示例代替描述（getUserById ✓ / getData ✗ 胜过千言万语）；(4) 明确禁止事项（AI 擅长遵守”禁止”规则）；(5) 控制篇幅（理想 200-500 行，200 行≈600-800 tokens）。从 0 到 1 搭建 Skill 体系四步法：回顾最近 10 次对话找重复指令 → 按场景分类 → 写第一个 Skill → 测试和迭代。实战效果：新会话启动时间从前 5 分钟 → 即刻、代码一致性从风格不同 → 严格统一、Review 通过率从 60% → 90%+、重复提示从每会话 3-5 次 → 0 次——来源：2026-06-17-ai-skill-workflow-封装

  18. Skill 适用范围远超代码：任何有重复流程的工作都可以封装成 Skill。开发类（Java/TS/Python/Go 规范、Code Review 检查清单、API 设计、数据库设计、Git 工作流、测试用例规范）、非开发类（周报/日报模板、需求评审流程、竞品分析框架、商业计划书结构、技术方案评审、面试评估、邮件回复规范、文章写作风格）、个人效率类（每日计划制定、读书笔记模板、知识卡片生成、学习路径规划）。核心判断标准：你是否在 AI 对话中重复说过 3 次以上的相同指令？如果是 → 封装成 Skill——来源：2026-06-17-ai-skill-workflow-封装

  19. 多 CLI 并存催生”AI CLI 运维管理”新品类：当开发者同时使用 Claude Code、Codex、Gemini CLI 等多个 AI 编程 CLI 时，配置散落在多个文件中（/.claude、/.codex 等），供应商切换需要改多个文件、重启终端。CC Switch（10 个月 100k Stars 的开源桌面应用）用三层架构（代理层 + 同步层 + 统一界面）解决了这个”运维碎片”问题——核心价值不是做别人做不了的事，而是做好别人不愿意做的事。但单人维护的 Bus Factor 偏低（1-2 核心维护者 + 1433 Open Issues），以及单点故障风险（七个 CLI 全交给它管理，代理层出 bug 影响面大）是主要隐患——来源：2026-06-17-cc-switch-7-cli-console

  20. Agent 编程 ≠ vibe coding，两者有本质区别：vibe coding 是”帮我生成个登录页面”——生成一堆可能能用的代码；Agent 编程是”有可靠结构的方法论”——可预测的输入输出、结构化部署、修复漏洞和构建新功能的能力，三者缺一不可。作者实测 10+ 模型和方法后结论：Opus 4.6 + Web Search 组合是目前最强配置（$200/月 4000 积分，3 天消耗完），其独特优势在于能自动搜索外部依赖和 API 文档，而非靠训练数据 hallucinate。修复能力是真正的分水岭：MAX 模式每次都认真对待上下文、精确找到问题根因，标准模式（Sonnet）会试 2-3 次才找到根因——来源：2026-06-23-别再-vibe-coding-用-agent-做真正开发

  21. OpenRouter 是多模型切换的统一网关：$5/月访问 100+ AI 模型（Gemini 3.1 Pro、GPT 5.4、Claude Sonnet 4.6 等），通过单一 API 密钥即可在不同模型间灵活切换。配合 Codex CLI 使用时，标准模式完全免费，Codex 2 处理复杂问题（如 Android 图形着色器）比 Opus 4.6 MAX 更快——来源：2026-06-23-别再-vibe-coding-用-agent-做真正开发

  22. Async Coding（异步编程）是 AI 编程的新范式：用独立沙盒同时运行多个 Agent（Opus 4.6 MAX、标准模式、Gemini 等）处理不同任务，实现真正的一心多用。OpenClaw 是目前最完整的异步编程工具。这代表了从”单线程对话”到”多线程并行”的范式转变——来源：2026-06-23-别再-vibe-coding-用-agent-做真正开发

  23. 从 Vibe Coding 到 Vibe Using：AI 编程的终极形态可能不是”编程”：Ranger 提出 vibe coding 的”coding”仍带有旧时代思维惯性——Karpathy 的心率 App 案例最终产出物仍然是一个 App。核心论点是 App 本身是 if-else 技术范式的妥协产物，AI 瓦解 if-else 后，目标不是每次”新建”一个界面，而是在已有基础上”演化”一个持续生长的个人数字界面。用户并没有在”构建”什么，只是在”使用”（vibe using），系统在背后自动完成构建。这也暗示代码本身可能只是一种妥协——未来可能出现介于自然语言和形式化规约之间的新中间表达形式——来源：2026-06-26-vibe-coding-to-vibe-using

  24. Claude Code 10 倍生产力的三个元模式：Rahul 整理 27 个 Claude Code 技巧后归纳出三个元模式——上下文纪律（CLAUDE.md、/init、/compact、/clear、文件链接——给 Claude 更好的资讯它就能做更好决策）、聪明委派（子代理、Worktree、并行工作阶段、/loop——当 Claude 可以同时处理多件事时停止一次只做一件事）、积极自动化（钩子、远端控制、技能、资料库查询——手动做两次以上就该让 Claude 来做）。核心心智模型转变：把 Claude Code 当成需要入职说明的初级开发者而非自动贩卖机。关键实操数据：60% 上下文时执行 /compact 避免退化、计划模式多花 3 分钟避免 3 小时返工、Git Worktrees 一天交付一周工作量——来源：2026-06-29-27-hidden-claude-code-features

  25. Anthropic 官方 17 个 Skill 构成完整工作流能力矩阵：按五大类组织——文件制作（pdf/docx/xlsx/pptx 四件套覆盖从 PDF 擷取到 PPT 简报的完整文档流程）、设计与品牌（brand-guidelines/canvas-design/theme-factory/algorithmic-art 解决”AI 输出缺乏个性”）、工程与开发（claude-api/mcp-builder/frontend-design/web-artifacts-builder/webapp-testing 覆盖 API 串接到自动化测试）、沟通与内容（doc-coauthoring/internal-comms/slack-gif-creator 维持格式与语气一致性）、Meta Skill（skill-creator 引导自製 Skill）。关键实用洞察：Skill 启动时 Claude 只读名称与说明两栏位，完整指令等任务匹配后才载入；安装过多时功能相近 Skill 产生触发竞争，官方建议 5-8 个——与精选 6 个的实战经验完全吻合——来源：2026-06-29-bnext-anthropic-17-claude-skills

  26. 多智能体协作把 Coding Agent 从”单兵作战”升级为”可验证的工程流水线”：Claude Code、Codex 阶段的核心问题不再是”Agent 能不能写代码”，而是”如何让 Agent 在复杂任务里不迷路、不污染上下文、不反复犯错，并交付可验证结果”。解决方案不是提前写死 planner/developer/tester 角色，而是建立”动态子智能体生成规范”——主会话作为 coordinator 负责判断是否需要多智能体、拆解边界、生成 brief、分发、收集结果、判定通过/失败/重试/阻塞；子智能体只做边界清晰的小任务（调查/实现/测试/审查/UI 验证/文档）。关键纪律：子智能体不要直接决定下一步召唤谁，只返回状态和结果地址，下一步由主智能体判断，否则会退化成”Agent 无限召唤 Agent”导致成本和边界失控。落地依赖三个可复用构件——子智能体 Brief（11 字段任务契约）、文件交接协议（完整结果写文件、主会话只收状态+路径）、验证与重试熔断策略（无证据不算完成、最多重试 2-3 次后生成 blocked 报告）——来源：2026-07-01-woshipm-multi-agent-coding-pipeline

  27. AI 编程的真正瓶颈从”写代码”后移到”部署上线的最后一公里”：Cursor/Codex/Claude Code 已让”几个小时写出完整应用”成为常态，但代码写完后的云服务器配置、域名解析、CI/CD 流水线对非技术创造者仍是一堵墙，“无数作品停在了本地目录里，做出来了却没人能用上”。秒悟（meoo，阿里 ATH 事业群的 AI 应用孵化器）的解法是把部署环节也自然语言化——自然语言描述 → 分钟级生成含前后端的完整应用 → 自动部署到阿里云并返回可访问链接，“生成即上线，上线即运维”。这标志 AI 编程工具链正在从”生成代码”向”生成可运营产品”延伸——来源：2026-07-01-woshipm-meoo-product-launch-competition

  28. “本地 Agent 开发 + 云端 CLI 部署”正在成为个人开发者的标准链路：秒悟产品启航赛明确了这套分工——用本地 Agent 工具（Cursor、Codex、Claude Code、Qoder、Windsurf、Antigravity、Cline、Zed 等任选，技术栈不限）完成编码，再通过秒悟 CLI 一键部署上线，得到 .meoo.run/.meoo.pub/.meoo.info/.meoo.fun/.meoo.zone 域名的访问链接。这条链路把”编码”和”上线”解耦为两个独立、可各自替换的环节，本地负责创造、云端负责交付——来源：2026-07-01-woshipm-meoo-product-launch-competition

  29. LLM 工程化从 Prompt → Context → Harness 三阶段演进：2026-07-05-juejin-context-engineering-harness 用奶茶店饮品研发示例说明：早期 提示词工程 依赖长指令和示例，维护成本高且仍会幻觉；上下文工程 把业务背景、硬性约束、输出格式拆成 background / constraints / outputRequirements，让需求变化只改结构化字段；真正生产上线还要进入 Harness闭环工程，用 JSON 校验、Loop Engineering 重试、安全围栏、RAG 知识库 和 MCP 模型上下文协议 把生成结果变成可消费、可审计、可接入业务系统的对象。核心判断：过时的不是 Prompt，而是把所有可靠性交给一段超长 Prompt 的做法。

  30. Claude Code 的工具调用机制展示了 Agent harness 的工程底座：2026-07-05-juejin-claude-code-tool-calling 从源码层拆解 queryLoop、tool_use、分批调度、runToolUse 生命周期、Hook、权限、结果持久化、后台任务通知、Abort Controller 和 Deferred Tools。核心启示是：AI 编程工具的可靠性不只取决于模型能否规划步骤，还取决于宿主 harness 能否安全执行副作用、控制并发、保留大结果、处理长任务和在工具生态膨胀时按需加载 schema。Claude Code 作为平台的价值，不只是 Skills/agents/MCP 生态，还包括这条可审计的工具执行链。

  31. 高价值 Skill 的判断标准是改变工作流程，而不是换壳 Prompt：2026-07-06-ltn-claude-code-skills-5 在筛选 1400 个 Claude Code Skills 后给出更锋利的标准：打开 SKILL.md，如果核心内容能用一句话直接对 AI 说出来，就不值得安装。真正值得保留的是改变 AI 行为模式的 Skill：Superpowers 让 AI 写代码从“直接动手”变成澄清、计划、系统调试、TDD 和 Review；Taste Skill 把 UI 间距/配色/排版/圆角阴影规则前置到生成过程；Graphify 让 AI 先生成代码库知识图谱再回答项目问题；Deep Research 和 find-skills 则分别改变调研和 Skill 发现入口。这与“Skill 装太多会降触发准确率”的经验共同指向少装、精选、按工作流价值筛选。

  32. Codex 正从代码执行入口扩展为企业工作台开发入口：2026-07-06-juejin-agent-plan-sales-workbench 展示了 Codex 在 Agent Plan 场景中的新角色：它不只写前后端代码，还调用 飞书 CLI 获取用户有权限访问的飞书资料，将资料整理后写入 OpenViking，再围绕销售目标、公司池、最近档案和资料问答开发真实工作台，并把开发过程沉淀为可复用 Skill。这说明 AI 编程工具的竞争边界正在从“生成代码”扩大到“接入业务数据、构建业务状态、沉淀可迭代流程”。

  33. Fable 5 的价值在于作为会复利系统的编排者，而不是更贵的短会话聊天模型：2026-07-06-blocktempo-fable-5-self-improving-agent 将 Fable 5 放进自我改进代理系统中理解：模型本身不在生产环境更新权重，真正复利的是外部系统——STATE.md 记录已验证事实，Skill 吸收真实失败模式，/goal 或 Outcomes 让独立验证者决定循环是否继续，动态工作流 fan-out / adversarial verification / loop-until-done，Routines 支撑云端长时间运行。经济性来自路由：Fable 5 做重型编排，Opus 处理困难有界子任务，Sonnet 做高量工人，Haiku 做验证者子代理或分类器。

  34. Fable 5 窗口期最高 ROI 的 Prompt 不是技巧，而是资产迁移协议：2026-07-07-woshipm-fable-5-prompts-before-offline 把 Fable 5 下线前必跑事项收敛为两类：让它自己跑实验，以及让它研究用户自己。前者用 Goal 提示语 写清目标、指标、边界、假设和失败路线，让模型在发现口径或评估错误时自纠错；后者用 工作模式蒸馏 遍历历史聊天、重复提示、项目和 Skill，把个人工作方式转成可迁移的 Skill、指南和系统指令。Shadow Prompt Loop 则把新旧 prompt 放到真实流量上做影子 A/B Test，只记录分歧案例，用状态文件和停止条件决定是否切换。

  35. Claude Code 的 /loop 与 /goal 正在从编程技巧变成 AI Ops 工作流库：2026-07-07-blocktempo-fable-loop-library-25-workflows 给出 25 个可排程工作流，覆盖营销内容、产品反馈、商业运营、研究决策。其核心不是“让 Fable 自动干所有事”，而是把每个循环设计成排程、单轮变更、固定检查、状态文件、停止点和完成证明的组合，并用 Loop 工作流风险分级 区分绿色无人值守、黄色草拟待批准、红色必须人类收尾。成本上则用 难题升级队列：便宜模型先跑，只有记录失败证据后才升级给 Fable 5。

  36. AI 编程的门槛正在从语言语法转移到目标定义、预览反馈和平台规则：2026-07-08-bnext-claude-code-xcode-ios-app 展示了不懂 Swift 的用户用 Claude Code + Xcode 一晚做出个人饮控 App 的路径：Claude Code 写代码，Xcode 提供真实预览和签署入口，人类负责说清“成功的样子”、在 Claude Code Plan 模式 中删掉不用功能，并根据预览指出“按钮太小”“流程不对”。但开发者测试安装不等于正式上架，Apple 7 天凭证、重新签署、审核和分发仍是必须面对的平台边界。

  37. Claude Code loop 应按触发方式选择，而不是把所有自动化都塞进 /loop：2026-07-08-abmedia-claude-code-four-loop-types 从 Anthropic 工程师视角把 Claude Code 循环拆成 Claude Code 四类 Loop：turn-based 适合一次性人工 prompt，但要把验证步骤写进 Skill；goal-based 用 /goal 承接 Lighthouse 分数、测试通过数、覆盖率等可量化目标；time-based 用 /loop 或 /schedule 做周期巡检；proactive 用事件触发、dynamic workflows、多 agent 和 auto mode 处理 bug、依赖升级或迁移队列。核心不是让 AI 无限自动干活，而是按触发源、停止条件、完成证明和风险边界设计循环。

  38. 本地 LLM Agent 正从“能聊天”升级到“能持续开发”：2026-07-08-vocus-hermes-ornith-local-llm-agent 用 Ornith 1.0 35B MoE + vLLM + Hermes Agent + Supermemory 展示了完整 local AI Agent 链路：vLLM 以 OpenAI 兼容接口提供 131K 上下文、prefix caching、qwen tool call parser；Hermes 用 custom provider 接入模型并执行工具调用；Supermemory 用同名模型承接本地记忆。实测 TTFT 约 0.15 秒、生成约 25 token/s，能让 Agent 自行写踩地雷游戏、启动 web server、调用 browser 检查和修改，说明本地模型已经可以承担项目型代码开发的完整循环。

  39. AI Coding 的效率差距正在转向搜索目标、信息源判断与上下文沉淀：2026-07-08-woshipm-ai-coding-web-search-efficiency 提醒，AI Coding 已不只是写代码，而是读文件、查资料、拆需求、改配置和跑命令的 Agent 工作台。Web Search 的价值不在“多找链接”，而在补齐竞品、用户、行业、数据、服务条款和平台规则等外部事实；但搜索结果必须经过 信息源判断 分层，原始来源优先，可验证公开资料补充视角，经验文章和 GEO 内容只能作线索。真正产出应沉淀为竞品差异、用户痛点、价格区间、规则限制、权限边界、风险提醒和验收标准等 上下文工程 资产，否则 Agent 会在错误上下文上加速偏离。

  40. 大项目不能只靠 Vibe Coding，必须为 AI 产能搭 Harness：2026-07-08-woshipm-ai-coding-harness 指出，Vibe Coding 在小项目里很爽，是因为上下文小、验收简单、错误成本低；但大项目里 AI 产出越来越多、错误越来越分散、多个 agent 并行后人类反而排队验收和救火。真正问题不是 AI 不会写，而是 AI 产能超过团队治理能力。可持续路径是用 Agent Harness 建立执行环境隔离、对话上下文拆分、工程门禁、治理节奏和自进化机制，把“AI 能写代码”升级为“团队能持续交付”。

  41. Skill 要进入团队协作，必须有版本证据和交接条件：2026-07-08-woshipm-skill-validation-version-handoff 补充了 Skills 工程化的后半段：自己能用不等于别人敢用。成熟 Skill 不只要 SKILL.md、description 和资源目录，还要写清输入边界、事实标签、自查清单、失败兜底、Skill 版本记录 和 Skill 交接条件。每次修改只改一条规则，用相近但不同的真实任务复测，才能知道哪条规则真的有效，避免 Skill 变成越来越长却不可验证的说明书。

  42. Vibe Coding 把技术门槛拉到零后，新瓶颈是 UI/UX 同质化与体验粗糙：2026-07-09-techorange-ai-app-vibe-coding-uiux 编译《Business Insider》的观察指出，Claude Code、Lovable、Replit、Base44 等工具产出的 App 正因 AI设计平均美学（回归平均值 / AI slop）而”一眼被看穿”——大量米色/淡彩背景、标准无衬线字体、处处圆角与投影。更深的问题有三层：AI 只优化”happy path”，画面精美但一操作就露馅（悬停有阴影暗示可点却毫无反应）；边界状态（空状态、错误、骨架屏、离线）被草草带过甚至省略；错误文案套用”发生了一些错误，请再试一次”这类冰冷公式化模板，在用户最需要安抚时剥夺了”人味”。破局关键是从”美学提示”转向”决策提示”——把”让界面看起来干净现代”改写为”这个画面是用户对数据焦虑、决定是否继续的地方，我该移除什么、文案要达到什么安抚效果”。这与 2026-07-08-woshipm-ai-coding-harness（产能超过治理能力）、2026-06-17-woshipm-ai-dev-failure-engineering（玩乐模式 vs 开发模式）共同指向同一边界：Vibe Coding 能到”不错”，但”偉大”仍需专业 用户体验设计 能力兜底。

  43. Codex 正从代码工具扩展为知识工作自动化执行者：2026-07-11-playpcesor-codex-knowledge-workflows 补充了 Codex 的非编程高频用法：它可以先阅读项目资料夹、逐字稿、PDF、简报、课程讲义和既有规则，再接手文案多轮版本迭代、讲义转 Google Slides、提词简报拆页、PDF 批处理、素材卡拆解、孩子学习练习平台和操作 ChatGPT 完成课程案例演练。关键方法论是“读脉络→缩小成果→小范围测试→人保留关键判断→成功流程写回规则”。这与 2026-06-02-codex-10-use-cases 的“任务派发六要素”形成连续谱：Codex 的价值不只在把想法变成代码，也在把知识工作中间流程变成可委派、可验收、可复用规则的 知识工作自动化。

  44. 面向新手的”绕过 Codex 官方登录”有三条路，本质都是变通方案：2026-07-11-woshipm-codex-no-phone-verification 面向被手机验证卡在门外的零基础用户，给出三种上手 Codex 的路径——①第三方大模型接入官方客户端：用社区路由工具 Codex++ 修改 Codex 客户端的 API 指向，把底层模型换成 DeepSeek 等国产模型，保留原生界面但失去官方云端任务调度/GitHub 自动 PR 等深度联动；②API 中转密钥登录：通过兼容 OpenAI 接口的 Token中转站 用 OPENAI_API_KEY + OPENAI_BASE_URL 激活 Codex CLI（npm install -g @openai/codex），能用 GPT 系列但依赖第三方平台稳定性和数据安全；③本地开源平替：部署 Codex-Lite 等轻量量化模型（4-bit），完全离线免费但能力远弱、吃显存。文章明确警示：三种都是绕过官方登录的变通方法，存在服务波动、功能不匹配、数据外漏风险，商业代码不建议走非官方路径，新手宜先从合规平替低成本体验 AI 编程核心逻辑——来源：2026-07-11-woshipm-codex-no-phone-verification

  45. Codex 正式并入 ChatGPT，独立编程工具形态收敛为对话产品里的一种模式：2026-07-13-woshipm-gpt-5-6-codex-chatgpt-merge 记录了 2026-07-13 的关键变化——Codex 客户端更新后直接变成 ChatGPT（连 logo 都换了，可勾选保留 Codex 图标），新客户端左上角新增 Work / Codex 双模式切换，Work 面向日常办公提效、Codex 面向写代码与编程项目，网页端也同步新增 Work 模式。同时 GPT-5.6（GPT-5.6）一次上线 Sol / Terra / Luna 三档模型。对编程用户的四个实用点：①推理强度要开到”极高”才会先规划再确认（极高以下直接开干、不跟你确认，但极高更费 token、更烧套餐额度）；②站点（Sites）功能——一句话让它整理信息生成网页并自动部署到官方服务器、分配域名，对不懂技术的人友好；③预览区可编辑——生成的代码、Markdown 可在预览区直接改，不用切别的编辑器；④网页”聊天”与客户端”任务”双向打通——真正动手前先用”聊天”查资料/整理，等要写代码/做图再加进”任务”，官方明确 Chat 对话不计入 Codex 用量，可省额度。三个坑：Sol”极高+快速”3 分钟烧掉 20% 的 5 小时额度；顶配更易触发审核；一旦触发审核切模型会导致上下文全部清零。作者给出档位建议：日常办公 Terra+高、稍复杂 Sol+高、大型复杂开发才上 Sol 极高+快速——来源：2026-07-13-woshipm-gpt-5-6-codex-chatgpt-merge

  46. AI 协作的真正瓶颈不是模型能力，而是”工作环境”的结构化程度：2026-07-15-woshipm-ai-workbench-7-days, 2026-07-17-woshipm-agent-remote-control-codex-uu 从另一个角度切入——大多数人跟 AI 的协作方式还停留在”打开网页聊几句”的阶段，今天聊完明天打开又得从头说，文件夹建了一大堆但真正用上的没几个。AI 工作台的使命是把”临时聊天”升级为”结构化协作”——用 5 个核心目录 + CLAUDE.md 行为驱动引擎 + Skill 可复用能力单元 + Memory 持久沉淀层，让 AI 打开就知道”你是谁、在做什么、该怎么做”。核心认知破壁有三个：(1) 好的架构是”砍”出来的（减法比加法创造更多价值——从 11 个目录砍到 5 个）；(2) CLAUDE.md 只写驱动行为的约束（描述性内容不写，每行都要问”这句话驱动行为吗？”）；(3) Skill 是在重复劳动中自然生长出来的（不是从想象中规划的），“如果你没有’这件事我做够了’的冲动，你其实不需要这个 Skill”。详见 AI 工作台 和 CLAUDE.md 行为驱动设计。

  47. 不写代码的 PM 用 Codex 1 天 0 元做出定制个人官网，验证”自主编程 Agent”降门槛的完整闭环：2026-07-12-woshipm-codex-personal-website-1-day 记录 @AI产品木水（不会写代码的产品经理）用 Codex 约 8 小时从需求对话做到 Vercel 上线，产出响应式 + SEO/GEO + 双语 + 动画齐全的 个人官网（Next.js 16 + TypeScript + Tailwind CSS 4 + Framer Motion，13 组件 + 4 Hook），全程没写一行代码。关键方法与本页其他 Codex/Vibe Coding 案例一脉相承：①先花 1 小时用 7 轮结构化对话把需求聊透再动手（对应”苏格拉底式 PRD 追问”）；②组件采用数据驱动模式（数据与 UI 分离），后续改内容不碰代码，让非技术 PM 能长期自维护；③踩坑沉淀为可复用检查项（Google Fonts 国内慢、中文文件名部署 404、设计稿≠代码、i18n 半成品、大文件拖慢首屏——视频 69MB/图片压缩 86%）。还实践了 GEO：用 FAQPage + WebSite 结构化数据让 ChatGPT/Perplexity/Kimi 等 AI 搜索引擎可直接引用，并把整套流程开源为模板——来源：2026-07-12-woshipm-codex-personal-website-1-day

  48. 随时随地 Agent：单主力机真相源 + Codex 远程主控 + UU GUI 兜底：2026-07-17-woshipm-agent-remote-control-codex-uu 给出一套可复制的远程 Agent 架构——家里 Mac Mini 24h 开机承载规则/记忆/Skill/项目，手机与笔记本只做遥控器，从根上取消多机同步。Codex Remote Control 负责项目与会话同步、手机新建会话、工作区/工作树隔离、保持唤醒，以及 8 位码电脑控电脑；当对话框搞不定扫码登录、看屏幕、启动无远程 CLI（如 Kimi Code）或 Claude Dispatch 难用时，切换 UU远程 做免费图形/终端兜底。对照 Claude Code Remote Control，作者认为 Codex 手机新建会话体验显著更好，但官方远程都无法单独覆盖 GUI 摩擦力。适用范围不只 Vibe Coding，还包括知识处理与数据分析等日常 Agent 任务——来源：2026-07-17-woshipm-agent-remote-control-codex-uu

  49. ChatGPT Sites 把「对话建站」收成官方托管的最后一公里：2026-07-18-bnext-chatgpt-sites-deploy 实测 ChatGPT Sites（左侧栏「网站」）可用 @Sites 把 HTML 或点子直接部署为可分享网页，默认先私人上线并主动提醒个资（如小孩出生月份），再在「维持私人 / 指定人分享 / 移除敏感信息后公开」三选项中选择。门槛至少 ChatGPT Plus，禁止承载信用卡与金融交易；适配展示型与轻量互动型（仪表板、内部小工具、作品集、提案 prototype），上线后仍用对话改标题、分享对象与自定义域名。与 2026-07-12-woshipm-codex-personal-website-1-day 的 Codex→Vercel 全栈链路、2026-07-01-woshipm-meoo-product-launch-competition 的秒悟云部署相比，Sites 换的是零运维速度，不是同等工程深度——Vibe Coding 的断层不只在写代码，也在「能分享且不泄密」——来源：2026-07-18-bnext-chatgpt-sites-deploy

  50. 非程序员 + Codex 可交付田间物理系统，而不只是仓库代码：2026-07-18-bnext-ai-farmer-chatgpt-japan 记录北海道 冨安弘樹（无程式教育）用 ChatGPT / Codex 管理约 100 公顷农场：病虫害拍照初诊、LINE 远控温室（材料费 < 2 万日圆、2–3 周测通，对比设备买断约 30 万日圆）、Airtable/MongoDB 农场助理、NDVI 卫星叠图巡田；第 5 年农场年销约 1 亿日圆，并被挂为 GPT-5.6 案例。关键方法论是「先原型、反复测改 + 深入一线痛点」，AI 还参与实体线路设计。这把 AI 编程主题的用户边界从开发者/PM 扩展到现场产业经营者，验收从「代码能跑」变成「执行器与通知闭环可用」——来源：2026-07-18-bnext-ai-farmer-chatgpt-japan

  51. Claude Code Skills 运行时手册：字段、注入、fork 与 Token 预算：2026-07-19-juejin-ai-skills-specialized-employee 系统化 frontmatter（尤其 description 触发与 disable-model-invocation）、存放优先级、!`git diff` 动态注入、$ARGUMENTS、context: fork+Explore、${CLAUDE_SKILL_DIR} 外置规则，以及压缩后约 5k/Skill、约 25k 多 Skill 共享预算；skill-creator 可写 evals 做有/无 Skill 与版本 A/B。与「装太多 Skill 降触发率」一致：控制数量 + 写好路由文案 + 副作用手动触发。——来源：2026-07-19-juejin-ai-skills-specialized-employee

  52. 经典 RL 环境工程与 LLM Agent 编程可对照「契约层」：2026-07-19-juejin-gridworld-cliff-ppo 用 Gymnasium 自定义 5×5 悬崖行走（Dict 观测、势能塑形、terminated/truncated、check_env）+ SB3 PPO MultiInputPolicy 60k 步收敛（ep_rew_mean ≈ -3→4.38）。这不是 Agent/Skill 栈，但与本主题的「先检查再训练、停止条件写清、失败模式可归因」同构：观测≈上下文、奖励≈目标评分、truncated≈预算上限。详细知识体系见主题 强化学习。——来源：2026-07-19-juejin-gridworld-cliff-ppo

  53. LangChain Models 是 Agent 编程的“大脑层”基础课：2026-07-19-juejin-langchain-models-guide 把框架下沉到统一模型接口——init_chat_model vs ChatOpenAI、invoke/stream/batch/batch_as_completed 选型、Messages 双轨、@tool+bind_tools+tool_choice、OpenAI 兼容 BASE_URL 接本地 Qwen/DeepSeek。相对 Claude Code / Skills / harness 长文，这篇补的是 SDK 调用语义与工具绑定契约，和 2026-06-13-langchain-openai-agent-tutorial（AgentExecutor 闭环）、2026-07-05-juejin-claude-code-tool-calling（宿主执行链）形成“大脑 API → Agent 循环 → harness 执行”三层对照。——来源：2026-07-19-juejin-langchain-models-guide

  54. Codex 从编程入口扩展成多 Agent 项目工作台，核心竞争点转向编排证据：2026-07-19-youtube-codex-ai-marketing-team 中 Codex 并未主要写代码，而是用 agent.md 定义五 Agent 架构、依赖、输出目录和命名规范，用 brand.md 固定业务上下文，再让 campaign manager 汇总 research deck、content calendar、copy markdown、KPI dashboard 和 QA notes。对 AI 编程主题的启示是：下一阶段工具差异不只在“谁更会改代码”，而在谁能把并行 Agent、电脑操作、插件、排程、权限、文件路径、known gap 和人工确认组织成可复核项目交付。

  55. AI编程的三类错误分层与七步工程化解法：零代码基础用AI开发时，错误分为三层——代码错误（AI容易修）→ 系统错误（AI开始迷路）→ 环境错误（AI甚至不知道有问题）。真实流程不是”想法→AI→成品”，而是”需求→AI写代码→编译器→构建工具→平台规则→权限系统→云服务→用户设备→产品上线”。AI的大量时间浪费在用修代码的方法去解决根本不是代码导致的问题。七步工程化解法：观测→描述→猜想→验证→修改→沉淀→重置。核心原则是”用AI必疑，疑AI方用”——不要把思考外包给AI——来源：2026-06-17-woshipm-ai-dev-failure-engineering

  56. Loop Engineering 是 2026 年 AI 开发最热的工作流范式：开发者从”逐条提示 AI”转变为”设计自动循环让 Agent 自驱动完成任务”。核心六模块：触发器、目标设定（最重要，好目标唯一标准是可验证）、工具调用（先给最小集）、记忆与上下文（用文件不靠记忆）、验证机制（执行者和验证者必须分开）、预算控制（防死循环烧钱）。与定时脚本的本质区别：“脚本是死的，Agent 是活的”。三个典型场景难度递增：CI 自动修复（入门推荐）→ PR 自动审查 → 复杂任务自动重构——来源：2026-06-22-loop-engineering-woshipm

  57. 平台官方 AI Toolkit 把 coding Agent 从「猜 API」升级为「引用 schema 并可操作后台」：2026-07-20-youtube-shopify-ai-toolkit-headless-store 展示 Claude Code + Shopify AI Toolkit 从 PRD 分四阶段搭建 Next.js/Hydrogen Headless Shopify Store，再用 Admin API scopes 批量创建商品与 smart collections。三条安装路径（plugin / individual skills / Dev MCP）对应打包更新、定点能力和协议接入；关键坑是 Hydrogen 前端改用 client ID + access key。结论：AI 编程交付边界已从「页面能跑」扩展到「catalog + navigation + pre-launch checklist 可运营」。

  58. 2h+ 实战把 Claude Code 讲成「大模型 + 环境」的完整方法论，而非步骤教程：2026-07-21-youtube-xiangyu-claude-code-video-app（翔宇工作流）以自己真实开发的 AI视频剪辑自动化 web 应用为案例，沉淀出可迁移的工具观：(1) 地铁 vs 出租车——n8n 是节点+固定流程单向不可回头，Claude Code 是「大模型 + 可读写文件/调 MCP 模型上下文协议/记忆/调 Chrome 的环境」，遇错能多轮绕路重试；(2) Claude Code 五大组件 command/agent/skill/hooks/MCP 各司其职，其中 CLAUDE.md 记忆是「建议性」、MCP 是「能力型/选择性」、Hooks 是「强制性」；(3) 六大新手原则——关注 CC 本身能力少装插件、从简单开始、先做 MVP、每次对话加「最佳实践」、边界先行|规范先行、学会放弃；(4) 渐进式披露（给目录不给百科全书）+ 知识文档化是上下文管理的核心；(5) 开发路径用 边界先行（先固定密钥/输入/输出，中间流程留给迭代）+ TDD 临时脚本先测通；(6) 胶水编程（能抄不写、能连不造、能复用不原创）是普通人未来范式；(7) 半部署——把源码上模板市场、用户凭授权码自部署自填 API key，规避并发/成本/运维实现轻量变现。真实成本披露：4 个月约 $4300 token、9600 条对话、5.5 万行 TS、16 次大版本重构，反证「产品设计不清晰的代价就是反复重构」。

  59. Skill 编排把 Claude Code 从「能写应用」推到「可无人值守生产线」：2026-07-22-youtube-xiangyu-skill-twitter-pipeline 用 5 个 Skill（克隆→采集→创作→配图→发布）做 Twitter 运营管线；公开三优势（持久化/可组合/可独立运行）与五原则（单一职责、文件系统传递、幂等、可观测、容错）。无头模式 vs 子 Agent：生产质量约 +30%、Token 约 3×、全流程 20–40 分钟。人格复刻 三维画像 + 打分放行；与 n8n 混合（规则调度 vs AI 判断）。先契约表后实现、3–5 Skill 最佳数量、社区 140+ 优先改再写。——来源：2026-07-22-youtube-xiangyu-skill-twitter-pipeline

  60. 爆款 Skill 可以极短：先把需求拷问清楚再写代码：2026-07-23-woshipm-grill-me-skill 拆解安装量 60 万+、排行第 3 的 grill-me——核心只有几句话/一个文件，却用决策树一次一问、环境事实自查、决策等人、每题推荐答案、共识前禁止动手，把 AI 编程最高频失败路径（人没想清 → 模型瞎猜 → 返工）卡住。Cursor 实战十多轮澄清后约 10 分钟做出 Skill 管理桌面应用；与 Superpowers 同属「先想再写」，形态是最小单技能而非 20+ 子模块框架。——来源：2026-07-23-woshipm-grill-me-skill

  61. 多 CLI 并存时，瓶颈从「单工具能力」上移到「跨工具共同记忆」：2026-07-23-woshipm-tutti-multi-ai-workspace 用 Claude 额度用尽换 Codex 的崩溃场景说明——复述进度十几分钟仍漏细节，人变成信息搬运工。开源 Tutti（Apache 2.0、可本地部署）做多 AI 共享工作空间：@ 引用会话/文件/产物、原型·PRD·设计稿·生图可被 AI 直读、复用既有订阅不另买模型。与 2026-06-17-cc-switch-7-cli-console（配置运维同步）、2026-07-01-woshipm-multi-agent-coding-pipeline（brief/文件交接）互补：Tutti 产品化的是会话与产物面的实时共享。金句：Agent 缺的不是能力，而是共同记忆。——来源：2026-07-23-woshipm-tutti-multi-ai-workspace

  62. AI 编程账单失控多数是工作流漏水，不是模型单价：微软收回部分 Claude Code 许可、Uber 四个月烧完全年预算、Meta 撤 Token 排行——更该问钱漏在路径哪一步。三类漏水：返工循环、长会话「回头税」、小任务上旗舰。Qoder 用日间 1 折/夜间 0.2 折 + 模型分级 + Memory 把错峰做可见；案例 Credits 270.6→5.41，一次说清看板 0.11（约 5 倍）。官方六条（Memory/Skill/模式/一次说清/拆会话/分级）称可降耗 70%+。顺序：先改工作流，再谈折扣——来源：2026-07-23-woshipm-ai-token-cost-six-tips

  63. 从零做完系统的收尾铁律：固定真源、防假通过、维护文档：东哥 Vibe Coding 系列第7篇把智能数据分析代理推到联调——Plan 对齐字段且后端为真源；人盯端口/venv；真实 Key 跑 提问→SQL→查库→出图→回答，堵住 假测试通过；MCP 按需 + 按文件类型加载；Rules 大道至简；维护文档/字段规范而非代码。把 vibe 后半段写成可复用验收纪律——来源：2026-07-23-woshipm-vibe-coding-system-pitfalls

  64. 长 Plan 要外置任务板：MCP 搭桥 + Rules 自动流转：东哥系列第5篇：Trae v1.3.0+ 接 Linear 官方 MCP（约 42 tools），把约 40 个阶段批量建成 Todo；IDE Rules 语义触发让「开始做阶段 1」自动 In Progress（可建 Git 分支）、完成后 Done。MCP 解决「能碰外部系统」，Rules 解决「不必每次手动说碰一下」；Rules 应用 AI 读官方文档生成再迭代，忌手写/抄模板——来源：2026-07-23-woshipm-mcp-rules-40-tasks

  65. 后端测试先行：最小真实调用 → 字段写回文档 → 再集成：东哥 Vibe Coding 系列第6篇——后端连环翻车多因接口字段靠猜。流程：docs-langchain MCP ask 查规范 → 独立 .py + DashScope/通义千问 记流式与工具调用字段 → NL2SQL 测 SQLDatabase/create_sql_agent 后可自研编排 + sqlglot 禁删表/禁 SELECT */强制 LIMIT + SSE → 字段追加开发文档后再集成；Pydantic v2 需 pydantic-settings；空表补种子数据。范式：维护越来越准的文档，不手敲代码。与第5篇任务外置、第7篇联调防 假测试通过 成三段——来源：2026-07-23-woshipm-ai-backend-test-first-debug

  66. Vibe Coding 入门定义：自然语言 + 结果导向 + 大道至简：东哥系列第1篇把氛围编程讲成沟通方式的替换——AI 主程序员、多轮对话迭代、验收盯界面/功能而非默认抠每一行代码；一人+AI 可映射传统规划/设计/开发/测试运维，但复杂系统忌神话、忌堆 MCP/Agent 长跑；先想清 demo vs 长期产品、先骨架后填肉，Skill/MCP 是辅助不是生产力本身。与第5–7篇构成「心智→任务板→后端真源→联调」——来源：2026-07-23-woshipm-vibe-coding-intro

  67. 输入侧：Karpathy「10 分钟碎念法」+ Claude Code /voice：懒得打完美 prompt 时，语音意识流约 10 分钟倒出背景与犹豫，先让 LLM 整理回述对齐（mind meld）再写代码/文档；工具含 Claude Code /voice（本机、Claude.ai、官方听写暂无中文、转录不耗 token）与系统听写/Typeless；纪律是自首错字噪声、乱讲、先回述 2–3 问，并对转录误差、幻觉补全、云端录音设边界。补强 Vibe Coding「讲清楚要什么」的低摩擦入口——来源：2026-07-25-bnext-karpathy-voice-prompting-method

  68. 零代码 PM 开源到 3.2K Star：需求外包实现 + 反馈驱动 + 本地/BYOK/MCP：坨小兔用免费额度 vibe coding 做出 GithubStarsManager（Electron 桌面端），开源后约 3.2K Star；护城河是把模糊需求拆成 AI 可执行指令，认真接 Issue；架构默认本地、BYOK、不绑厂商，并以 MCP 把星标库暴露给 Claude Code/Cursor。补强「能做出来」之外的开源结果与 Agent 可消费资产——来源：2026-07-25-woshipm-github-stars-manager-ai-pm

  69. Loop 之后是 Graph：判断权外移到任务架构图：2026-07-25-woshipm-loop-graphai 把 Prompt → Loop → Graph 工程 串成连续谱——Loop 没被淘汰，而是变成 Graph 里的砖。单目标线性可逼近仍用 Loop Engineering；多角色、多依赖、多验收路径才画组织图/任务运行图/权限图/验收图。竞争从「单模型多聪明」转向「谁能把无人编程团队组织得更稳」；起步是高频任务的输入|输出|验收表，先表格后 LangGraph 等框架。

  70. 设计驱动站：视觉先行 + PRD/CLAUDE.md 地基 + 对照 PRD 审计，才能跳出 AI slop：Andy Lo 用 Claude Code 做太空站 Astra——Nano Banana 2/Google Flow 先锁世界与色板并导出 scroll WebP 帧；开建只靠 PRD（蓝图）+ CLAUDE.md（原则/栈/分区/禁区）；复杂动效与 NASA EONET 叙事多轮执行后 强制 audit vs PRD 再出实现计划，避免停在第一个能跑版本。判断：站点 generic 是因为 process 被跳过，不是工具不行。与 Shopify headless、广告工厂、个人官网共同证明差异化在 foundation 资产——来源：2026-07-26-youtube-claude-code-nano-banana-astra-site

  71. 公司级 DoD 也可写成 /goal：Fable 编排 + 便宜工人 + 对抗验证：Nate Herk 把「搭一家可 demo 公司」做成 Definition of Done；slash /goal 约 4k 字上限 → mission/guardrails/phases 外置 master prompt 文件。Fable 5 只 plan/delegate/review（~50 万 token，约周额度 15%，零 Fable worker），子代理全走 Opus/Sonnet；编排指令强制 fan-out 研究、business-idea tournament、skeptic 对抗与 completeness critic。九阶段 pain hunt→tournament→design/brand/build→videos→red team→package；产出 Counter Brief（chargeback 证据包）。成本：Max $200 方案下约吃 30–40% 五小时窗口。工程启示：重型编排者 + 分层模型路由 + 可检查完成证明（recap HTML/站/视频），比「全员最贵模型」更划算——来源：2026-07-26-youtube-fable5-one-prompt-business, 2026-07-27-techbang-vibe-coding-antigravity-codex, 2026-07-27-woshipm-anthropic-80-percent-context-engineering

素材汇总补充

素材标题核心贡献关键概念
2026-07-26-youtube-fable5-one-prompt-business|Nate Herk · Fable 5 一 prompt 搭公司/goal 外置 master；Fable 编排 + Opus/Sonnet 工人；tournament + red team；~50 万 Fable token；Counter Brief 交付包Fable 5、Goal 提示语、Multi-Agent 系统、LLM-as-a-Judge、Agent Harness、Claude Code
2026-07-26-youtube-claude-code-nano-banana-astra-site|AndyNoCode · Claude Code + Nano Banana 2 做 Astra 反 generic 站视觉先行；PRD+CLAUDE.md 呼吸包；多轮构建 + 对照 PRD 审计；EONET 叙事化；anti-slop 流程Claude Code、CLAUDE.md 项目指令、AI产品PRD、Nano Banana 2、Google Flow
2026-07-25-woshipm-loop-graphai|人人都是产品经理 · Loop还没跑稳 GraphAI又来了Prompt→Loop→Graph 判断权外移；Loop 变砖；组织图/任务图/权限图/验收图；先表格后框架Graph 工程、Loop Engineering、LangGraph、Agentic Workflow、Multi-Agent 系统
2026-07-25-bnext-karpathy-voice-prompting-method|数位时代 · 卡帕西 10 分钟碎念法反完美 prompt：语音过量输入 → 模型整理回述 → 再动工；Claude Code /voice 边界与中文替代；转录/幻觉/隐私三风险10分钟碎念法、Claude Code、Vibe Coding、提示词工程
2026-07-25-woshipm-github-stars-manager-ai-pm|人人都是产品经理 · 零代码白嫖AI做出 3.2K Star 开源工具非技术 PM；免费额度；GithubStarsManager 七场景；BYOK+本地优先；社区 Issue→MCP；3.2K StarGithubStarsManager、BYOK、Vibe Coding、本地优先架构、MCP 模型上下文协议、Build in Public
2026-07-23-woshipm-vibe-coding-intro|东哥说AI · 一文看懂Vibe Coding（系列第1篇）氛围编程大众定义；自然语言/主程序员/多轮对话；代码导向→结果导向；一人+AI 全流程；大道至简；Skill/MCP 非生产力本身Vibe Coding、Cursor、Claude Code、Skill、MCP 模型上下文协议、OPC 一人公司
2026-07-23-woshipm-ai-backend-test-first-debug|东哥说AI · 让AI写后端 · 测试先行省半天debug测试先行；docs-langchain；DashScope/Qwen3.7 最小测字段；NL2SQL 自研+sqlglot；文档驱动集成NL2SQL、LangChain、通义千问、Vibe Coding、智能数据分析Agent
2026-07-23-woshipm-mcp-rules-40-tasks|东哥说AI · 一个MCP+一份Rules管40个任务Linear MCP 42 tools；Plan 批量 Todo；Rules 语义触发状态机；AI 生成 Rules 再迭代；人管清单方向Linear、IDE Rules、Trae IDE、MCP 模型上下文协议、Vibe Coding
2026-07-23-woshipm-vibe-coding-system-pitfalls|东哥说AI · 让AI从零做完一个系统的避坑铁律联调固定一方准；SSE 结束标识；防双 venv；假测试通过；MCP 按需；Rules 先 MVP；维护文档Vibe Coding、假测试通过、Claude Code Plan 模式、智能数据分析Agent、MCP 模型上下文协议
2026-07-23-woshipm-ai-token-cost-six-tips|杜昭 · AI越用越贵六个技巧 · Qoder 错峰与模型分级任务路径漏水诊断；夜间 0.2 折重活 Credits 270.6→5.41；返工 5 倍账单；官方六条降耗 70%+；先工作流后折扣Qoder、Token经济、多模型路由、Skill
2026-07-23-woshipm-tutti-multi-ai-workspace|东哥说AI · Claude 换 Codex 最崩的是交接 · Tutti 多 AI 共享空间交接税 > 额度税；共享工作空间；@ 引用；产物可被 AI 读；复用订阅；Apache 2.0 本地部署；共同记忆趋势Tutti、Claude Code、Codex、共享记忆
2026-07-23-woshipm-grill-me-skill|鱼皮 · 安装量前 3 的神级 Skill 只有几句话（grill-me）60 万+ 安装 / 排行第 3；单文件几句话；决策树一次一问 + 推荐答案 + 共识前不动手；Cursor 十多轮后约 10 分钟 Skill 管理桌面应用；小黄鸭智能版grill-me、Skill、Cursor、Superpowers
2026-07-22-youtube-xiangyu-skill-twitter-pipeline|翔宇 · 5 个 Skill 打造 Twitter 自动化流水线对话式→流水线式；5 Skill 契约；无头 vs 子 Agent（+30% 质量 / 3× Token）；人格复刻三维；文件系统五原则；n8n 混合调度；cron 分散发布Claude Code、Skill、无头模式、人格复刻、n8n、Claude Code 五大组件
2026-07-21-youtube-xiangyu-claude-code-video-app|翔宇 · 用 Claude Code 从零做 AI 视频剪辑 web 应用（2h+ 实战）以真实视频剪辑应用为案例讲 Claude Code 方法论：地铁 vs 出租车、五大组件、六大新手原则、渐进式披露、边界先行、TDD 临时脚本、胶水编程、半部署变现；披露 4 个月/$4300/9600 对话/16 次重构成本Claude Code、Claude Code 五大组件、渐进式披露、边界先行、胶水编程、半部署、Warp、AI视频剪辑自动化、n8n
2026-07-20-youtube-shopify-ai-toolkit-headless-store|Shopify AI Toolkit + Claude Code 从零搭 Headless Storeplugin/skills/MCP 三安装路径；PRD 真相源；四阶段 foundation→页面→commerce+motion→polish；Hydrogen client ID；assets→商品/集合写入Shopify AI Toolkit、Headless Shopify Store、Claude Code、AI产品PRD、MCP 模型上下文协议、Skill
2026-07-19-juejin-langchain-models-guide|一文读懂 LangChain 模型：AI 应用的“大脑”Models 统一接口；init_chat_model vs ChatOpenAI；invoke/stream/batch/batch_as_completed；Messages；@tool+bind_tools+tool_choice；OpenAI 兼容 BASE_URLLangChain、Function Calling、OpenAI、AI Agent 智能体
2026-07-19-youtube-codex-ai-marketing-team|Codex 新能力实战：用五个 Agent 搭 AI 营销团队Codex 项目工作区从 coding tool 扩展为 autonomous workforce：agent.md / brand.md、五 Agent 分工、90+ 插件/排程叙事、独立输出目录、campaign manager QA 与 known gap 记录Codex、Multi-Agent 系统、Agentic Workflow、营销智能体
2026-07-19-juejin-gridworld-cliff-ppo|从零定制 RL 环境：GridWorld 悬崖行走 + PPO完整 Gymnasium 自定义 env：Dict 观测、势能塑形、撞墙终止、PPO MultiInputPolicy 60k 步曲线；与 LLM Agent 工程形成对照轴Gymnasium、PPO、Stable Baselines3、势能奖励塑形、GridWorld悬崖行走、强化学习
2026-07-19-juejin-ai-skills-specialized-employee|别再让 AI 裸奔了：用 Skills 让 AI 秒变专属员工Claude Code Skills 系统手册：frontmatter、存放优先级、纪要+AI 日报、动态注入/fork、Token 预算、MCP·Memory·Skills、skill-creator evalsSkill、Claude Code、skill-creator、MCP 模型上下文协议、Claude Memory
2026-07-18-bnext-ai-farmer-chatgpt-japan|GPT-5.6 案例：日本农夫用 AI 管理 100 公顷农场非程序员用 Codex/ChatGPT 做病虫害初诊、LINE 温室远控（<2 万日圆/2–3 周）、LINE 助理与 NDVI；100 公顷·约 1 亿日圆年销；原型迭代方法论；挂 GPT-5.6 案例Codex、ChatGPT、GPT-5.6、Vibe Coding、农业AI、冨安弘樹
2026-07-18-bnext-chatgpt-sites-deploy|ChatGPT Sites 教学：对话部署网页 · 私人优先与个资提醒vibe coding 最后一公里是部署；左侧「网站」+ @Sites 建站；默认私人并提醒个资；Plus 门槛；禁金融交易；适合展示/轻量互动；可对话改标题·分享·自定义域名ChatGPT Sites、ChatGPT、Codex、Vibe Coding
2026-07-17-woshipm-agent-remote-control-codex-uu|随时随地让 Agent 干活：Codex 主力 + UU 远程兜底24h Mac Mini 单机真相源；Codex 远程同步任务/会话/工作树 + 电脑控电脑；UU 免费 GUI/CLI 兜底扫码与无远程工具；对比 Claude Dispatch 难用Codex Remote Control、UU远程、Codex、Claude Code Remote Control、ChatGPT
2026-07-12-woshipm-codex-personal-website-1-day|用 OpenAI Codex，1 天从零搭出专业级个人官网【手把手，全开源】非技术 PM 用 Codex 约 8 小时 0 元做出响应式 + SEO/GEO + 双语的定制个人官网并部署到 Vercel，全程不写代码；方法是先 7 轮结构化对话聊透需求、组件用数据驱动模式让改内容不碰代码、踩坑沉淀为检查项、用 FAQPage 结构化数据做 GEO，并把流程开源为模板Codex、Vercel、Vibe Coding、个人官网、GEO
2026-07-11-playpcesor-codex-knowledge-workflowsCodex 我常用的知识工作案例分享：从文书编辑、课程教材到资料整理的 AI 工作流把 Codex 从“代码生成/小工具”扩展为知识工作自动化执行者：先读项目脉络，再接手文案迭代、提词简报、PDF 批处理、课程素材拆解、跨工具案例演练，最后把成功流程写回规则
2026-07-11-woshipm-codex-no-phone-verification|不需要手机验证，如何使用Codex？面向零基础新手的三条”绕过 Codex 官方登录”路径：第三方模型接入客户端（Codex++ 路由 + DeepSeek）、API 中转密钥登录（Token中转站 + Codex CLI）、本地开源平替（Codex-Lite 离线量化），并警示服务稳定性、功能不匹配和数据外漏风险Codex、Codex++、Token中转站、DeepSeek
2026-07-15-woshipm-ai-workbench-7-days|别再跟 AI 聊天了，搭个工作台吧7 天从 11 个目录精简到 5 个核心模块，CLAUDE.md 迭代 8 版沉淀出”只写驱动行为的约束”原则和 9 种工作模式，7 个 Skill 从重复劳动中自然生长；核心贡献是揭示了 AI 协作应从”每次从零聊天”升级为结构化”操作系统”AI 工作台、CLAUDE.md 行为驱动设计、目录精简、工作模式、Skill 自然生长法
2026-07-13-woshipm-gpt-5-6-codex-chatgpt-merge|GPT-5.6 上线，Codex 并入 ChatGPT：实测好用的点和坑GPT-5.6 三档模型（Sol/Terra/Luna）+ Codex 正式并入 ChatGPT（Work/Codex 双模式、聊天与任务打通、预览区可编辑、站点一键发布网页）；实测四个好用点与三个坑（顶配烧额度、触发审核、切模型丢上下文），并从 PM 视角提出”模型从卷参数变成卷完成任务与性价比""借用认知不创造认知”GPT-5.6、Codex、ChatGPT、借用认知
2026-07-08-woshipm-ai-coding-harness别再只会 Vibe Coding：AI 做大项目，产品经理要先搭 Harness从 PM 视角说明 Vibe Coding 在大项目里的上限：AI 产能超过治理能力会加速混乱，必须用执行环境、上下文拆分、工程门禁、治理节奏和自进化五层 Harness 支撑持续交付
2026-07-08-woshipm-skill-validation-version-handoff从自己能用到别人敢用：Skill 的验证、版本与交接补全 Skill 工程化的验证与交接层：输入边界、事实标签、自查清单、停止条件、版本记录和相近任务复测，让 Skill 从个人可用升级为团队可复用
2026-07-08-woshipm-ai-coding-web-search-efficiencyAI Coding时代，搜索能力决定你的AI效率把 AI Coding 的搜索能力定义为外部事实接入与上下文资产建设：搜索目标要从“查一下”升级为竞品阻力、价格、用户投诉、规则边界和数据口径；结果必须按来源分层，避免 Agent 沿错误资料高效推进
2026-07-08-vocus-hermes-ornith-local-llm-agent|Hermes Agent 加上 Ornith 本地模型：超效能的 local LLM AI Agent展示本地 Agent 开发链路：用 vLLM 部署 Ornith-1.0-35B MoE，Hermes 通过 custom provider 接入，Supermemory 改用同名本地模型，实测低延迟、工具调用、浏览器检查和小游戏开发循环可用Hermes Agent、Ornith 1.0、vLLM、Supermemory
2026-07-08-abmedia-claude-code-four-loop-types|Anthropic 揭 Claude Code 4 种 loop 应用实务从 Anthropic 工程师视角把 Claude Code loop 拆成 turn-based、goal-based、time-based、proactive 四类；强调 /goal 适合可量化指标，/loop 是本机周期任务，云端 routine 应用 /schedule，proactive 自动化必须小范围 pilotClaude Code 四类 Loop、Claude Code、Loop Engineering、Goal 提示语、Skill
2026-07-08-bnext-claude-code-xcode-ios-app|Claude Code 教学：不懂 Swift，一晚做出健身饮控 App展示 Claude Code + Xcode 的个人 iOS App 开发路径：AI 写 Swift / SwiftUI，人类用预览反馈和 Plan 模式控制目标、功能取舍与迭代边界，同时提醒开发者测试与正式上架不同Claude Code、Xcode、Claude Code Plan 模式、Vibe Coding
2026-07-07-blocktempo-fable-loop-library-25-workflows|Claude 循环工具库：25 个让 AI 自动运转的 Loop 工作流将 Claude Code /loop 与 /goal 组织成 25 个 AI Ops 工作流；强调每个循环必须有排程、固定检查、状态文件、停止点、完成证明、风险颜色和便宜模型优先的升级队列Loop Engineering、状态文件、Loop 工作流风险分级、难题升级队列、Goal 提示语、Fable 5
2026-07-07-woshipm-fable-5-prompts-before-offline|分享8个Claude Fable 5下线前必跑的超实用 Prompt将 Fable 5 窗口期高 ROI 用法整理成可复制 prompt：/goal 跑实验、工作模式蒸馏、行动规范、subagent 成本路由、Shadow Prompt Loop、自治暂停、记忆更新和反向面试Fable 5、Goal 提示语、工作模式蒸馏、Shadow Prompt Loop、Skill、Loop Engineering
2026-07-06-blocktempo-fable-5-self-improving-agent|Fable 5 自我改进系统实战：14 步打造会复利的 AI 代理把 Fable 5 定位为自我改进代理系统的重型编排者；提出原语、编排、记忆、自我改进四层复利架构，以及验证者子代理、STATE.md、Skill 写回、Routines 与安全后备Fable 5、自我改进代理系统、验证者子代理、Claude Code、Loop Engineering、Skill
2026-07-06-ltn-claude-code-skills-5|我筛了 1400 个 Claude Code Skills，留下 5 个天天在用的提出 Skill 筛选新标准：真正值得安装的是改变 AI 工作流程，而不是换壳 Prompt；补充 Superpowers、Taste Skill、Graphify、Deep Research、find-skills 五类高价值样本Skill、Claude Code、Superpowers、Taste Skill、Graphify
2026-07-06-juejin-agent-plan-sales-workbench|告别手动翻资料：用 Agent Plan 搞定销售档案与问答展示 Codex 在企业销售工作台中的执行入口角色：读取飞书资料、写入 Agent 记忆、开发真实前后端、连接专业数据集/搜索/Supabase，并把过程沉淀为 SkillCodex、Agent Plan、OpenViking、火山引擎 Supabase、飞书 CLI、Agent 工作台
2026-07-05-juejin-context-engineering-harness|提示词彻底过时？一套上下文工程方案，3步让LLM落地生产LLM 工程化三阶段示例：Prompt 负责单次表达，Context 结构化注入业务背景/约束/输出格式，Harness 用 JSON 校验、Loop 重试、安全围栏、RAG/MCP 工具能力把生成结果推进生产系统提示词工程、上下文工程、Harness闭环工程、Loop Engineering、RAG 知识库、MCP 模型上下文协议
2026-07-05-juejin-claude-code-tool-calling|Claude Code 工具调用机制详解从源码层拆解 Claude Code 中 tool_use 到真实工具执行的 harness 链路：queryLoop 判断 follow-up，工具按并发安全性分批，runToolUse 串起 Hook/权限/执行/结果/PostHook，后台任务通过通知队列回到对话，Deferred Tools 通过搜索后加载缓解 MCP schema 膨胀Claude Code、Claude Code 工具调用机制、Deferred Tools、Function Calling、MCP 模型上下文协议
2026-07-09-techorange-ai-app-vibe-coding-uiux|為什麼 AI 做的 App 一眼就被看穿？三大跡象揭開 Vibe Coding 的 UI/UX 盲點从 UI/UX 交付质量角度补充 Vibe Coding 的反面：AI 生成设计陷入”平均美学”（回归平均值）、只优化 happy path 而画面精美却经不起操作、边界状态与错误文案被草草带过；破局靠从”美学提示”转向”决策提示”，把”不错”提升到”偉大”仍需专业设计师AI设计平均美学、Vibe Coding、用户体验设计、Execution UI 与 Judgment UI
2026-07-26-youtube-fable5-one-prompt-business, 2026-07-27-techbang-vibe-coding-antigravity-codex, 2026-07-27-woshipm-anthropic-80-percent-context-engineeringFable 5 作编排者、Opus/Sonnet 作工人；/goal 外置 master prompt；tournament + red team 公司构建实验

AI 核心概念体系

16 个关键概念一网打尽

类别核心概念
基础概念大模型、温度、提示词、Token、API Key
模型技术模型蒸馏、多模态、上下文信息
高级技术RAG 检索增强生成、Embedding、思维链 CoT、ReAct
系统架构智能体 Agent、智能体工作流、MCP

RAG 标准工作流：

企业文档 → Embedding 向量化 → 向量数据库存储
                                     ↓
用户提问 → Embedding 向量化 → 检索相似文档 → 大模型综合回答

三大 AI 开发框架

场景推荐框架核心优势
Java 企业应用Spring AI无缝集成 Spring 生态
智能体开发LangChain4j完整 Agent 工具链
复杂工作流LangGraph图结构可视化编排

Spring AI

LangChain4j

学习建议：两个都要学，先从 Spring AI 学起，再学 LangChain4j 会更简单。

LangGraph

  • 特点：用图的结构组织和管理 AI 工作流
  • 适用：构建有状态、多代理的企业级 AI 大项目
  • 比喻：多个 AI 智能体分工协作（文字、图片、排版），LangGraph 是项目负责人安排工作流程

核心技术栈矩阵

VSCode 生态

方案模型来源特点成本
Roo Code + DeepSeek API云端多模型兼容，灵活切换API 按量计费
Roo Code + Ollama本地数据安全，隐私保护免费
通义灵码阿里云编程场景优化，中文好免费

PyCharm 生态

方案实现特点
CodeGPT + Ollama + deepseek-r1:1.5b本地 1.5b 参数模型1-2 秒响应，零成本
CodeGPT + 硅基流动 DeepSeek API云端更好的代码质量

独立 AI 编程 Agent

工具代表功能
Cursor最早的全文件 AI 编程 IDE，Agent 模式
Cline (VSCode/VS)多文件自动修改工程级 Agent

AI 编程高级技巧

Prompt 质量决定输出质量

基本优化四要素：

  1. 明确 AI 的角色定位
  2. 提供具体的细节要求
  3. 拆解任务
  4. 提供示例

进阶技巧：AI 生成高质量 Prompt

  • 先把自己手写的 Prompt 扔给其他 AI
  • 让它帮你生成一段质量更高、结构化的需求文档
  • 再喂给 Cursor 去生成网站

完整需求文档五大要素：

  • 明确项目背景和目标
  • 详细列出功能要求和技术栈
  • 指定代码风格和架构模式
  • 提供示例和参考资料
  • 明确限制条件和边界场景

复杂项目：三步迭代法

第一步：生成基础可运行框架

  • 用 Cursor Agent 模式 + 高级推理模型
  • 目标：生成基础项目框架，确保能跑起来就行
  • 暂时不管功能好不好用

第二步：逐个实现核心功能

  • 划分模块和功能点
  • 依次向 AI 提问
  • 逐步实现核心功能并验证可用性

第三步：优化实现细节

  • 在不影响功能的前提下
  • 优化代码结构、性能、可读性

三大常见问题及解决方案

问题现象解决方案
上下文有限项目信息量不断增大，AI 忘记之前信息项目模块化，大项目分割成小项目
改 A 坏 BAI 生成代码不可控，连带修改明确限定修改范围，仅修改指定文件
代码重复布局一样的页面重复代码适当提醒 AI 抽象为可复用组件

生命线：Git 版本控制

必须遵守的纪律：

  • 每正确生成一个功能后提交一次版本
  • 每次 AI 生成新代码后人工对比改动文件
  • 出问题快速还原到之前版本，防止代码丢失

四大 AI 核心业务领域

1. RAG 知识库

用途：构建企业自己的问答系统或客服，基于企业真实数据作答，更准确贴合实际。

学习重点（面试高频考点）：

  • 向量数据库：Milvus、PGVector
  • 文档管道：抽取 / 转换 / 加载
  • 索引构建策略
  • 查询优化方法

2. 多模态

融合处理文本、图像、音频、视频等多种数据模态，提高产品易用性和创意空间。

需要学习：

  • 模态转换技术：TTS（文本转语音）、STT（语音转文本）、OCR（光学字符识别）
  • 都是现成工具库或云服务，掌握调用方法即可
  • Spring AI、LangChain 等框架已支持多模态大模型调用

3. MCP 模型上下文协议

Model Context Protocol，模型上下文协议。

两大技能：

  1. 接入别人的 MCP 服务增强自己项目
  2. 开发自己的 MCP 服务供别人使用

4. ReAct 智能体

构建智能体的开发范式，打造能够依据推理自主采取行动的 AI 系统。

开发涉及知识：任务规划、工具调用、交互 I/O、异常处理

两大工具调用方式：

  1. Function Call
  2. MCP

AI 工具链大全

1. 低代码平台：Dify

  • 拖拉拽方式构建 AI 智能体
  • 创建知识库导入文档
  • 搭建复杂工作流
  • 不会写代码也能搞复杂 AI 应用

2. 开发工具库

工具用途
Apache Tika强大的文件解析器，支持 PDF、Word、Excel、PPT 等
Playwright模拟浏览器行为，运行网页、抓取网页数据、自动化测试
GSON / KryoJSON 格式解析库
jsoupHTML 文档解析

3. 部署平台与技术

大厂云服务：优先选择，追求稳定性，不在意价格。

个人学习 / 快速上线平台：

平台适用场景优势
Vercel前端应用自动构建、在线浏览、CDN 分发、免费域名
Sealos云原生应用Kubernetes 集群管理，容器化部署，弹性伸缩
RailwayDocker 容器无需操心服务器配置运维，自带自动化构建工具
秒悟自然语言全栈应用阿里云生成即部署，CLI 一键上线，返回可访问/可分享链接，免运维

必备技术：Docker 容器化技术。像 APP 安装包，轻松分发和部署应用程序。

五大应用场景详解

场景一：IDE 原生 AI 助手

主流方案对比：

Roo Code（原 Continue）

  • 支持：OpenAI/Claude/DeepSeek/Gemini 全系列
  • 支持 Ollama 本地模型接入
  • 深度集成 VSCode，左侧边栏对话
  • 开源免费

通义灵码

  • 专门针对编程场景做优化
  • 底座：Qwen 2.5-Max，全球排名第七（1332 分）
  • 2.0 版本核心：AI 程序员模式
  • 核心能力：多文件代码修改、选中段修改、对比差异、接受/拒绝交互
  • 完全免费，是 DeepSeek API 不稳定时的最佳替代

场景二：本地大模型编程环境

核心优势：

  1. 代码不上传第三方，数据安全有保障
  2. 完全免费，没有 API 成本
  3. 延迟更低，1-2 秒快速响应
  4. 适合公司内网、涉密项目开发
  5. 在 GPU 资源充足时，可从 IDE 辅助升级为 Hermes Agent + Ornith 1.0 + vLLM + Supermemory 的本地 Agent 工作系统，让模型承担代码生成、工具调用、浏览器检查和长期记忆

高配本地 Agent 方案：

  • 推理服务：vLLM OpenAI 兼容接口，--served-model-name Ornith-1.0-35B，最大上下文 131072，开启 prefix caching 和 qwen tool call parser。
  • Agent 框架：Hermes Agent，通过 hermes model setup 选择 custom provider 和 Ornith-1.0-35B。
  • 记忆层：Supermemory，在 .supermemory/.env 中设置 OPENAI_MODEL=Ornith-1.0-35B。
  • 验证任务：让 Agent 创建浏览器踩地雷小游戏、自行启动 web server、调用 browser 工具检查和修改，用完整开发循环测试模型是否可靠。
  • 资源取舍：若要增加同时使用者，可用 Ornith 35B FP8 降低 memory utilization，并加入 Qwen VL 3B 作为本地视觉分析引擎；但 image input 和工具调用需要逐项实测。

推荐配置（普通电脑无 GPU）：

IDE: PyCharm Community Edition（免费）
插件: CodeGPT（免费）
模型运行：[[Ollama]]（免费）
模型: deepseek-r1:1.5b（小参数但质量惊艳）
响应速度: 1-2 秒
总成本: 0 元

场景三：AI 架构图和绘图

最佳组合：Cursor + Claude 4

五大绘图方法：

方法工具适用场景推荐度
文本绘图Mermaid 作图日常文档流程图、时序图★★★★★
文本绘图PlantUML专业 UML 图、复杂架构图★★★★☆
网页绘图HTML+SVG+Canvas数据可视化、动态图表★★★☆☆
专业工具AI + draw.io复杂架构、学习路线图★★★★☆
创意绘图Emoji趣味展示、文档装饰★★☆☆☆

场景四：AI 游戏开发和独立开发

经典案例深度解析：

  • Pieter Levels 3 小时开发 Fly.pieter 飞行游戏
  • 10 天收入 28 万人民币，1.6 万玩家
  • 支持近 2000 人同时在线
  • 整个游戏只有一个 HTML 文件

核心启示：

  • 技术不是瓶颈，需求和营销才是
  • 70 多个项目只成功 4 个，快速试错才是王道
  • AI 解决代码问题，人类解决需求问题

场景五：AI 全栈 App 开发

推荐方案：DeepSeek + Cline Agent

Cline 能力：

  • Visual Studio 插件
  • AI 驱动，真正的全自动编程 Agent
  • 支持读取、修改、创建工程文件
  • 支持执行终端命令

场景六：Claude Code Skill 工作流增强

Claude Code 的 Skill 机制按需加载，不用时不占上下文。通用类 3 个精选 Skill：

Skill Creator（官方元技能）：

  • 主动问流程怎么跑，帮你写 SKILL.md + 生成测试用例
  • 10 多个独立来源把它放在起点，几乎所有教程开篇都是它
  • 典型指令：“把我昨天手动跑的选题流程打包成 skill”

Planning with Files（社区，13,410 Stars）：

  • 解决长文/长代码”写到后面忘开头”的问题
  • 强制 Claude 先写 task_plan.md，每两步更新 findings.md / progress.md
  • 给 Claude 外挂硬盘记事，对话再长也不会忘自己在干什么

Document & Presentation Skills（官方全家桶）：

  • PDF/Word/Excel/PPT 一句话转换
  • 典型场景：23 页 PDF → 10 页品牌色 Slide

选择原则：控制总量 20 个以内确保触发准确率；手动跑同一任务 3 次以上再用 Skill Creator 打包；警惕”Setup Porn”（拿配置当拖延借口）。——来源：2026-05-11-claude-code-6-skills

6 个开箱即用 Skill 模板（来源：2026-06-17-ai-skill-workflow-封装）：

  • Java Spring Boot 规范（分层架构、统一返回格式、异常处理、数据库规范）
  • React + TypeScript 规范（组件规范、状态管理、样式规范、TypeScript 严格模式）
  • Code Review 检查清单（P0 安全性、P1 正确性、P2 性能、P3 可维护性）
  • Git Commit 规范（<type>(<scope>): <subject> 格式 + Type 类型定义）
  • RESTful API 设计规范（URL 规范、HTTP 方法、状态码、分页格式）
  • 需求分析 Skill（需求澄清、可行性评估、优先级排序 MoSCoW 方法）

场景七：自己制作 Skills（从 0 到 1）

从工程结构看，一个成熟 Skill 的最小完整骨架不是单文件，而是 SKILL.md 负责总控，scripts/ 放可执行逻辑，references/ 放按需加载的规则文档，assets/ 放模板和素材资源。这样的拆分能让 Agent 先理解“任务边界与流程”，再按需取用细节，避免把全部规范一次性塞进上下文。——来源：2026-05-21-agent-skills-woshipm

四阶段工作流（来源：2026-05-20-agent-skills-intro-claude-opus、2026-05-21-agent-skills-woshipm）：

阶段核心动作关键输出
1. 明确需求与边界回答”解决什么问题、触发词是什么、需要什么资源”单一职责定义
2. 构建文件夹创建 SKILL.md + 按需创建 scripts/、references/、assets/标准文件结构
3. 编写核心指令描述职责边界 + 编号操作步骤 + 输入输出规范 + 硬性约束高质量 SKILL.md
4. 测试与迭代路径检查、YAML 校验、触发测试、执行验证可用 Skill

关键质量指标：

  • description 黄金公式：[一句话核心功能] + [具体执行动作] + [明确的触发关键词/场景]
  • 稳定性提升配方：3 条明确约束（必须/严禁/总是）+ 1 个输出示例 → 稳定性提升 60%
  • 调试方法：claude --debug 查看加载日志，90% 触发失败原因是 description 不够具体

常用 Skills 资源：

  • Anthropic 官方：https://github.com/anthropics/skills
  • 全球注册表：agentskills.io
  • 开源兼容包：github.com/numman-ali/openskills（兼容多平台）
  • 其他市场：skillsmp.com、skillsdirectory.com、skillhub.tencent.com

场景八：上百个 Skill 实战之后的作业流程升级

云舒（2026-05-27-woshipm-yunshu-skill-practical-guide）写了上百个 Skill 后给出更具体的作业升级：Agent 时代不能”先设计再验证”，必须”先跑通再封装”——因为任务复杂度涉及脚本、工具调用、文件读取、subagent 分工，凭想象设计的流程跟真实跑出来的差距太大。

四步作业流程：

阶段关键动作容易踩的坑
1. 跑通和 AI 定好目标 → 把真实场景跑出来（不需完美）追求一开始就完美，反而跑不通
2. 复盘和 AI 讨论：哪些是正向流程 / 哪些是负向流程 / 哪些内容应该沉淀跳过这步直接封装等于凭想象做产品
3. 封装让 AI 基于复盘结果进行 Skill 封装不让 AI 写，手写容易脱离真实经验
4. 回溯开新对话测试稳定性，不稳定就定位问题不做回溯永远不知道 Skill 是否真的可复用

像产品一样迭代：每次优化前问两个问题——①根本要解决的问题是什么（边界守护，不要做着做着过界）；②当前最明显的不足是什么（焦点守护，这次只解决一个最明显的问题）。云舒的两个真实案例：多视角深度分析 Skill 1.0→3.0 解决稳定性/数量问题但拒绝做 4.0 万能化；PPT Skill 1.0→4.0 解决能不能做→样式→适配→自动化，每一步只攻一个问题。

元判断模型——哪些场景值得 Skill 化：

  • 熟悉领域 → 经验蒸馏：把脑子里”会做”的拆成 AI 能执行的流程
  • 不熟悉领域 → 看能否建立回溯验证机制：能验证则可做（编程自动化测试案例），不能验证则放弃（六爻占卜案例：自己不懂、AI 也不懂，打磨半月放弃）

  1. Vibe Coding 的 Agent 选型四步法：定场景→定维度→跑测试→算成本，顺序不能乱：2026-07-29-woshipm-vibe-coding-agent-selection 作者小普系统性梳理了 Vibe Coding 工具爆发后的选型困境和解决方案。核心方法论四步走：①定场景（从零搭建 vs 修改已有代码库，单人 vs 团队）；②定维度（SWE-bench Verified 任务完成率 / Terminal Bench 2.0 终端自主操作 / 上下文效率 / 成本效率比，三项是个人开发者最值得关注的）；③跑测试（把真实任务拆成冷启动/精修/跨文件重构三类分开测）；④算成本（日常使用频率 × Token 消耗 → 月度费用）。核心数据：SWE-bench Verified 上 Claude Code 88.6% vs Codex 88.7%（代码能力打平）；Terminal Bench 2.0 上 Codex 82% vs Claude Code 69.4%（终端操作 Codex 明显占优）；Codex Token 消耗约为 Claude Code 的 1/4。得出的分工结论：0→1 冷启动用 Claude Code（主动规划搭架构）、1→N 精修与终端操作切 Codex（指哪打哪、性价比高）、个性化工作流走 Pi Agent（400 Token、不锁模型、成本弹性最佳）。OpenClaw 和 Hermes Agent 定位在辅助工具层：前者是本地高权限执行+社区 Skill 市场，后者是越用越框的伴侣型任务自动 Skill 化工具；Maka 以极简设计见文（搭配 Kimi K3 评测比官方 Kimi Code 高 10 个百分点）。同时也要注意”选择太多”陷阱——没有全能的 Agent，选型没做好，工具再多是负担。

  2. VS Code + 多 Agent 五步工作台与最高指令软链接法：同作者在同一文中给出了实际的工程搭建方案。①②在 VS Code 扩展市场安装 Claude Code、Codex IDE 插件和 Pendant（Pi Agent 社区插件）；③④分别用 claude.ai / ChatGPT Plus 登录；将 3 Ax Agent 装进 VS Code 共享同一份项目文件；⑤最关键的五步：在项目根目录新建 COLLABORATION.md，写入所有 Agent 都必须遵守的最高指令（技术栈/文件命名/禁区/管理方式），然后在 CLAUDE.md 和 AGENTS.md 首句用 @COLLABORATION.md 引用。实际动作流：新项目用 Claude Code 搭架构并落好 COLLABORATION.md + CLAUDE.md → 有基础后精细微调切用 Codex → 自定义工作流走 Pi Agent。这个”容器+多 Agent”的范示解决了切换到项目时下的最大痛点——各 Agent 各读各的配置。参见 最高指令软链接法、VS Code 多 Agent 工作台、COLLABORATION.md、 Agent 选型四步法。

  3. 生产资料是有权迭代的底线反思：来源同上——作者因封号迁移积累的 Skill/聊天记录/工作流，提出 Vibe Coding 使用着在技能栈上的选择之外还需关心”生产资料掌握在谁手里”。三条每天自省：多少节点由人把关、切换工具当前工作流是否仍跑通、个人某项能力是否提升。核心洞察：“不管工具怎么变化，项目主导权一定抓在自己手里”——Skill、Memory、输出、产品本身都应作为可转移资产沉淀，而非锁死在某个平台里。

工具选型决策树

你需要 AI 编程吗？
├─ 是
│  ├─ 代码敏感 / 公司项目？
│  │  ├─ 是 → 本地部署：Ollama + deepseek-r1:1.5b
│  │  └─ 否
│  │     ├─ 预算充足？
│  │     │  ├─ 是 → Cursor Pro / GitHub Copilot
│  │     │  └─ 否
│  │     │    ├─ VSCode 用户 → Roo Code + DeepSeek API
│  │     │    └─ JetBrains 用户 → CodeGPT + DeepSeek API
│  │     └─ 想体验中文优化？→ 通义灵码
│  └─ 需要工程级自动修改？→ Cline Agent + DeepSeek
│
│  需要开发 AI 应用？
│  ├─ 快速原型 / 不会代码 → Dify 低代码平台
│  ├─ Java 企业项目 → Spring AI
│  ├─ 复杂智能体 → LangChain4j
│  └─ 多 Agent 工作流 → LangGraph
└─ 否 → 传统编程

行业趋势和未来判断

当前状态（2026）

  • 电商平台把官方文档/schema/后台操作直接接进 coding Agent：Shopify AI Toolkit 让 Claude Code 等工具从 guessing 变为 referencing，并可管理 products/collections；headless 交付不再止于 UI demo。
  • 远程 Agent 组合开始产品化：除云端沙箱外，出现「常驻本地主机 + 官方任务远程 + 第三方远程桌面兜底」的实战路径（Codex Remote Control + UU远程），目标是碎片时间持续喂任务而非多机复制环境。
  • 现场产业进入对话式交付样本库：农业等非互联网场景出现完整公开案例（冨安弘樹 / 农业AI）——非程序员用 Codex 完成传感-执行-通知闭环，说明「AI 编程」叙事正与 IoT/作业系统合流。
  1. 大模型写代码能力已经超过大部分初级程序员
  2. 单文件开发非常成熟，多文件修改还需人工引导
  3. Agent 级自动编程正在快速成熟
  4. 国内模型（DeepSeek/Qwen）代码能力已经赶上甚至超越国际模型
  5. AI 时代，所有的传统业务都值得利用 AI 重塑一遍，这是程序员的机会

未来 1-2 年预判

  1. 程序员角色转变：从写代码的人变成验证代码质量的人，从码农变成 AI 操控师
  2. 一人公司爆发：单人利用 AI 就能做完整产品的创业者会大量出现
  3. 本地模型普及：主流笔记本都能跑够用的代码模型，数据安全不再是顾虑
  4. 自然语言编程成为主流：会写提示词比会写具体代码更重要

对开发者的建议

  1. 拥抱而不是恐惧：AI 是工具，用得好它会帮你，而不是替代你
  2. 建立自己的工具链：云端 + 本地的组合方案，应对不同场景
  3. 提升需求理解和系统设计能力：这些是 AI 短期内难以替代的
  4. 学会快速验证和迭代：第一版丑没关系，能跑起来最重要
  5. 关注营销和运营能力：酒香也怕巷子深，技术强只是基础
  6. 学习 AI 应用开发：不仅会用 AI 工具开发项目，还要能自主开发 AI 项目，把 AI 能力接入自己的项目

相关页面

关系图谱

快速导航

反向链接