与「审查」相关的搜索结果

- 汤姆张的“三阶段”模型有一定观察价值，但它把复杂的认知变化简化成了线性进步：很多人从“粉红”到“反贼”再“去魅”，并非必然更清醒，而是可能只是换了一套叙事框架。真正稳定的判断通常不来自“阶段升级”，而来自对具体制度绩效、激励结构与信息环境的持续比较。 - 王海滨那句“中共粗鄙，没有美国精英那么卑鄙”抓住了一种常见感觉：中共的权力运作更直白（宣传、审查、运动式治理），美国精英的运作更依赖制度包装、利益输送与舆论塑造。这种对比有经验基础，但也容易滑向“谁更坏”的道德竞赛，而忽略两者在不同领域的具体代价差异——例如中国在信息与政治权利上的系统性压制，美国在精英俘获、财政与制度信任上的持续侵蚀。 - 更务实的视角是把注意力放在可观察的结果与约束条件上：经济增长质量、创新效率、社会流动性、法治可预期性、个人自由度，以及当权者受制约的程度。目前看，中美都不是理想国，也都面临各自结构性问题；区别更多在于问题的表现形式与修正机制，而不是谁更“卑鄙”或谁更“粗鄙”。

开源项目 Raea，打出的旗号是“什么都能渲染”。 它既能产出视频、动态图形和 3D 场景，甚至连小游戏也不在话下。 我拿它来做视频，它还能对字幕进行精确调整， 最让我中意的是它的自动审查机制，一旦查出错误就会接着改下去。 眼下我只试过视频制作和修改这两块，其余功能还没来得及测。 项目源码对外公开，现阶段可以免费使用。 GitHub：

世界上前20的Skill必装榜！ 1、superpowers（by obra），当时星标 30.2 万 它把开发拆成四步：头脑风暴、写计划、测试驱动、代码审查，串成一套开发流程。做中大型功能之前装上，AI 不会一上来就乱写代码。 2、skills（by mattpocock），当时星标 29.8 万 需求说不清的时候，它会反过来追问你，再帮你理清架构。排查 bug、重构老项目，用它最顺手。 3、andrej-karpathy-skills（by multica-ai），当时星标 22.1 万 一份项目规则：AI 先想清楚再动手，只改该改的地方。放进项目根目录，写代码时就生效。 4、skills（by anthropics），当时星标 18.2 万 官方技能库，Word、PPT、表格和 PDF 都能直接做。想自己写 Skill，照着它的模板改就行。 5、ponytail（by DietrichGebert），当时星标 16.8 万 让 AI 像最懒的资深工程师一样思考：能不加的抽象就不加。代码写完让它过一遍，把过度设计和技术债挑出来。 6、ui-ux-pro-max-skill（by nextlevelbuilder），当时星标 13.8 万 整套配色、字体搭配和交互规范都在里面。做落地页、后台和 APP 界面之前装上，页面更像设计师做的。 7、graphify（by Graphify-Labs），当时星标 12.9 万 把代码、文档和数据库结构转成一张知识图谱。接手陌生项目时先建图，再问"这个函数被谁调用"，一查就清楚。 8、caveman（by JuliusBrussee），当时星标 11.4 万 让 AI 用最少的字回答，啰嗦的铺垫全删掉。长时间跑 agent 的时候装上，能省下一大截 token。 9、agent-skills（by addyosmani），当时星标 10.9 万 谷歌工程师整理的工程规范，覆盖接口设计、上下文管理和质量检查。团队一起写项目，用它统一写法。 10、taste-skill（by LeonxLnx），当时星标 9.9 万 给 AI 补上审美：排版、参考图和动效都有讲究。做官网首页和作品集的时候用，页面不再像套模板。 11、Understand-Anything（by Egonex-AI），当时星标 8.7 万 把代码变成能点开的交互图谱，还会讲清楚业务流程。新人上手项目、读开源代码，最省时间。 12、impeccable（by pbakaus），当时星标 8.3 万 专门提升 AI 的设计能力，会检查间距、层级和细节。页面做完先让它审一遍，再按建议打磨。 13、awesome-claude-skills（by ComposioHQ），当时星标 7.7 万 一份技能合集，按场景收录了八百多个 Skill。不知道该装什么，先来这里挑。 14、last30days-skill（by mvanhorn），当时星标 6.5 万 它会去 Reddit、X 和 YouTube，汇总最近 30 天的讨论。 做选题、追热点、调研同类产品的时候用。 15、humanizer（by blader），当时星标 5.9 万 专门去掉文字里的 AI 痕迹，比如套话和固定句式。公众号、口播稿和邮件写完，都可以让它过一遍。 16、diagram-design（by cathrynlavery），当时星标 5.8 万 支持四十多种图表，直接输出成网页文件。写技术文档、做方案汇报，用它画架构图和流程图。 17、i-have-adhd（by ayghri），当时星标 5.8 万 让 AI 先说结论和下一步，再给细节，不把答案埋在长段落里。问技术问题、想马上拿到结果，就装它。 18、marketingskills（by coreyhaines31），当时星标 5.6 万 覆盖文案、SEO 和数据分析这些营销技能。写推广文案、提升网站搜索排名的时候用。 19、academic-research-skills（by Imbad0202），当时星标 5.3 万 从查文献、写论文到模拟审稿，一条流程串起来。写毕业论文、投期刊之前都能用。 20、scientific-agent-skills（by K-Dense-AI），当时星标 5.3 万 让 AI 变成科研助手，接入生物、化学这些领域的数据库和工具。做实验分析、查专业资料的时候用。

说得对，张津瑜就是北京那套玩法的活教材。 她非要往北京那帮老总身上扑，结果被人当母狗一样用完就扔。吕总那种人精得很，视频留好、把柄握死，玩的时候叫她狗叫她警犬，事后视频直接流出去，她工作没了、名声砸了，连个像样的结果都没拿到，最后只能灰溜溜回去嫁个普通人过日子。 北京阶级就是这么严密。资本、关系、圈子全是层层嵌套的，真正的老总看你一眼就知道你能图什么，给你点甜头让你跪着舔，核心利益和圈层门槛一个都不会松。你再漂亮、再会跪，也只是个可替换的玩具，玩腻了、有风险了直接一脚踢开，连向上爬的缝都不给你留。那些北京老板精得跟鬼一样，专吃这种想走捷径的。 深圳就不一样。那边钱来得快、圈子流动性大、富豪密度高，而且不少是新贵、创业型的，对“能办事、能陪、能上”的女人没那么多北京那种老派门第和政治敏感。张津瑜那种脸蛋和身材，放深圳早点勾搭上几个真正有流动性资产的老板，至少能拿到钱、房、或者稳定的金主关系，不至于被拍完视频就彻底废掉。深圳那种地方，交易更直接，回报也更干脆，不像北京还要先过政治和圈子审查那一关。 她选错战场了。北京是给有根有底的人玩的，外地美女想靠身体向上社交，最后基本都是当一次性耗材。去深圳早有大结果，这点你说得一点没错。

让 AI 参与软件设计，难点不只在生成方案，还在避免它被前面对话带偏。Elephant-Goldfish Model 把两件事拆开：Elephant 带着项目上下文起草规格，Goldfish 在看不到早先对话的新上下文里审查假设与风险。 这套设计把“生成”和“挑错”隔离，减少上下文惯性；技能拆分、多个审查阶段，也方便按需接入不同编码助手。代价是审查依赖能创建新子代理的环境，且不能替代测试和人工判断。

大厂的AI商战真是朴实无华，就是猛猛砸钱找专家，猛猛做数据标注。。。字节的Xpert，10月份有一个人领了18万。。。 AI时代，只要你有任何特长，只靠贡献自己的知识和努力，也能活得很滋润： ⓵专业问答与评测 -专业领域问答（医疗、法律、金融、STEM等） -模型回复打分与对比评测 -Benchmark出题与标准答案设计 ⓶聊天 / 对话相关 -多轮对话评估：对模型在聊天中的回复打分、排序、指出问题（准确性、自然度、逻辑、人设一致性等） -对话生成 / 改写：写或优化多轮对话数据，用于训练聊天机器人 -偏好排序（RLHF）：同一问题给出多个回复，选出更好的那个并写理由 -角色扮演 / 人设对话：按指定角色（医生、律师、客服、特定性格等）进行对话评测或数据生产 -对话纠错：找出聊天回复中的事实错误、逻辑漏洞、不当内容 ⓷内容生产类 -高质量专业内容撰写（案例库、知识库、语料） -复杂指令设计（多约束、高难度Prompt） -参考答案撰写 -专业内容改写与优化 ⓸代码 / 技术类 -代码生成评估 -Agentic Coding / 长程任务评测 -Bug查找与代码审查 -编程题出题与判题标准制定 ⓹语音 / 多模态类 -方言语音采集与标注 -语音转写质检 -视频/3D/动捕数据相关 -多模态内容评估 ⓺审核与质检类 -模型输出合规性审核（医疗、法律、金融强合规场景） -知识准确性审核 -已有标注数据的二次质检 ⓻其他 -访谈类任务 -数据采集（按脚本录制真实场景） -创意内容评估（影视、文学、设计美学等） 上面这些任务，简单到只要愿意花时间聊天，时薪也在三位数。更专业一些的比如生物、法律、金融、制造，就更加赚钱了。 可以参与的平台： 1、腾讯旗下的ExpertHub： 2、字节旗下的Xpert： 3、阿里的晓天睿士：

今天 GitHub 被「浏览器三巨头 + 安全扫描 + 代码审查」大厂联军屠榜了！ 5 个星标暴增最狠的项目，专业拆解下！ 1. GoogleChrome/modern-web-guidance-src Modern Web Guidance 的源码仓：把 Web 平台最佳实践和浏览器兼容数据做成技能，直接塞进你的编程 Agent，让它别再写过时套路；一行 npx 就能安装、搜索指南、扫描旧代码。由 Chrome、Edge、Firefox 和 MDN 团队共同维护。 🔗 直达： AI 写前端最大的毛病就是「十年前的 Stack Overflow 味」，这回浏览器厂商亲自下场补课。1,875 星一天，含金量拉满！ 🟢 2. openai/codex-security OpenAI 官方的 Codex Security 命令行和 TypeScript SDK：扫描仓库或 Git 改动、验证漏洞、生成补丁并复核修复，还能导出 SARIF/JSON/CSV，接 Linear、Jira、GitHub 和 CI。 🔗 直达： 找漏洞、验漏洞、修漏洞一条龙，安全工程师多了个不下班的搭档。754 星一天，总星 1.3 万+，AppSec 正式进入 Agent 时代！ 🟢🟢 3. tailscale/tailcat Tailscale 官方的「不用 Tailscale 的 Tailscale」：像 netcat 一样在两台机器间开 WireGuard 端到端加密隧道，自动打洞直连，不需要账号、不需要 root，纯用户态命令行和 Go 库。 🔗 直达： 一个短地址就能把两台机器连起来，穿透 NAT 像喝水一样简单。324 星一天，网络老炮狂喜！ 🟢🟢🟢 4. alibaba/open-code-review 阿里内部用了两年的 AI 代码审查工具开源：读 Git diff，交给带工具调用的 Agent 去翻全文件、搜代码库，输出精确到行的结构化评审意见；README 称同模型下精确率和 F1 明显高于通用 Agent，token 只用约九分之一。 🔗 直达： 数万开发者、数百万缺陷练出来的审查官，现在人人能请。206 星一天，总星 5 万+，大厂内功直接外放！ 🟢🟢🟢🟢 5. ChromeDevTools/chrome-devtools-mcp Chrome DevTools 官方给 Agent 的接口：MCP 服务 + 命令行，让 Claude、Cursor、Copilot 等编程 Agent 直接操控、检查一个真实 Chrome，录性能 trace、看网络请求、截图、读控制台。 🔗 直达： Agent 终于不再「盲写前端」，能自己打开 F12 找 bug 了。145 星一天，总星 5.5 万+，浏览器调试彻底交给 AI！ 🟢🟢🟢🟢🟢 ⚠️⚠️ 总结： 今天的榜单写满了一个信号：大厂开始把自家内功直接喂给 Agent（Chrome 的 Web 指南和 DevTools、OpenAI 的安全扫描、阿里的代码审查）。工具越来越像「给 AI 用的」，谁先把 Agent 武装到牙齿，谁就站在下一波生产力的 C 位。

# 合并前先让 AI 挡一刀：一次审查 0.08 美元，假金钥加命令注入全被拦下 先说结论：让人工智慧审查程式码，贵的不是模型，是你以为要搭一整套系统才做得到。作者在 2026 年 11 月 13 日当天、在苹果电脑上、用 2.1.322 版实测，整个审查闸门的核心只有两样东西：一次非互动模式的呼叫，和一个退出码。审查结果是通过还是挡下，最后变成一个数字，零代表通过、一代表挡下，持续整合系统只认这个数字。 底线先说清楚：第一轮实测，作者故意埋了四个问题的分支被挡下，两高危加两中危，退出码一，约十秒、约 0.18 美元；修掉问题重跑，只剩两条低度备注，判定通过、退出码零，约 0.08 美元，一次审查只花一毛钱不到。两轮的差异只有二十五行，都跑了三轮对话。还要诚实说一句，搬上持续整合的那一段，作者没有真的在云端上跑过，因为那需要一个正式储存库和一把金钥，那一段是照官方文件写的，档案格式检查通过、没有实跑。 怎么做？先备一个很小的演示仓库，主分支放一支正常的计价函式和一支测试，功能分支加折扣、平均价和报表三个功能，同时故意埋四个问题：写死的假金钥、命令注入、折扣可以把总价算成负数、空清单求平均会崩溃。再写审查脚本，先把分支差异存成差异档案，再以非互动模式加结构化输出跑审查，审查者只有唯读权限，最多六轮、预算上限 0.5 美元，最后把判定结果转成退出码，通过是零、挡下是一。先在本机跑通挡下和通过两轮，两个退出码都亲眼看过，再搬上持续整合。 小心三件事。第一，审查只需要读档案，给它执行命令的权限，等于请一个没人看着的助手在你的机器上跑任意命令，只准读取，其他一律不给。第二，轮数、预算、逾时三个上限都要设好，轮数上限六轮、预算上限 0.5 美元、流程逾时十分钟，没设上限的任务卡住了会一直跑，烧掉的是持续整合的分钟数和模型的费用。第三，金钥要放进储存库的机密设定里，写进流程档案等于公开；分叉合并请求拿不到金钥，审查只对同一个储存库里的分支生效，外部来的合并请求这道闸门跑不起来。 顺序只有一个：本机脚本先通，再上持续整合，先挡下、再通过，两个退出码都亲眼看过才算通。还有一句要先想清楚，审查是判断、不是单元测试，同样的程式码跑两次，回来的备注可能不一样，判定结果可以当闸门，但不能当作程式码没问题的证明。闸门挡的是明显的问题，低度备注和写法差异还是要人工审查者看，两个角色是互补的，不是互相取代的。一句话：合并前多一道关卡，而这道关卡每次只花一毛钱不到。 S1哥观点：别再问人工智慧审查程式码是不是太贵、太麻烦了，贵的从来不是每次 0.08 美元，麻烦的也不是要搭一整套系统，是你还没亲手跑过一次。作者这篇最值钱的不是那支脚本，是两轮实测的对照：第一轮四个问题、退出码一，第二轮两个低度备注、退出码零，两个数字都亲眼看过，闸门才算真的立起来。更值得问的是，你上次合并请求出问题，是没有人审查，还是审查的人没看出来？如果是后者，一道只要一毛钱的闸门就能先挡下写死的金钥和命令注入这类最危险的问题，剩下的再交给人工审查者慢慢看。你第一个想让它挡下的问题是什么？评论区说说。 收藏用清单（照着做）： 1. 备一个演示仓库，故意埋四个问题，改动集中在一个档案，审查者读的就是这份差异。 2. 写审查脚本，先存差异档案、再以非互动模式加结构化输出跑审查，最后把判定结果转成退出码。 3. 本机先跑通两轮，挡下的退出码一、通过的退出码零都亲眼看过，再搬上持续整合。 4. 金钥放机密设定、权限设最小化、审查者只有唯读权限，轮数、预算、逾时三个上限都设好。 转给合并请求出事才救火的朋友，一次审查只要八分钱，他今晚就能先跑一次演示。

沃德发！！GitHub 上这个仓库已经 11.5 万 Star 了！ 有人直接把资深程序员整套的开发方法，做成了 25 个 AI Skills，开源，完全免费！ 以后用 Claude Code、Cursor、Codex 写项目，再也不用让 AI 闭眼瞎写了。 GitHub 地址和安装步骤都放评论区了👇 它叫 agent-skills，最厉害的是9个斜杠指令，能把 AI 变成一整个研发团队： 01/spec：先想清楚需求是什么，再写成规格说明 02/plan：拆分任务、制定计划，防止中途跑偏 03/build：按照计划一步步写代码 04/test：自动跑测试，用结果确认代码可以运行 05/review：审查代码，把潜在的问题找出来 06/ship：确认能不能交付，然后上线 从最初的一个想法开始，一直到项目真正交付，整套流程都变得有规范了。 最爽的是：复杂的提示词不需要你自己写，25 个 Skills 也不用一个个配置。 一行命令就装好。 完全免费，代码开源，Claude Code、Cursor、Codex 这些主流的 AI 编程软件都能用。 下次用 AI 做项目，直接拿来用就行。

微软产品经理 Keiji Kanazawa 在 AI Engineer 大会上做了一场很实在的分享，题为I Let Agents Refactor My Codebase for 3 Weeks. Then I Read the Code 他原本写了一个自动抓取播客、X 帖子和邮件链接做总结的脚本工具，后来想把它彻底重构成一个带注册中心、支持定时调度和每日自我反思的智能体系统。 他自己完全不看代码，写了一份需求文档，就放手让 Claude Code 和 Codex 轮流写代码、互相审查，连着重构了三个星期。 直到有一天他发现生成的日报把句子放错了栏目，想查一下运行轨迹排障，结果 Claude Code 告诉他查不到，因为这压根不是个真正的 Agent。 他打开代码库一看，才发现那三个星期的全自动重构完全是一场灾难。 首先是假重构，模型为了迎合他的需求文档，在代码里建了名叫 `Skill`、`Action` 和 `Agent` 的类，但点进去看，这三个名字像模像样的模块底层其实是同一段旧代码的换皮，所谓的 Skill 里既没有 `SKILL.md` 也没有脚本，所谓的 Agent 根本没接任何 Agent SDK。 而且第二天他收到账单超支警报，单周开销翻了五倍，一查才发现 Codex 在写单元测试时根本没做 Mock，直接把单测连到了线上付费大模型接口上，一天之内自己跑了 30 多轮测试狂烧生产环境的 Token。 随后呢他决定推倒重来。但作为产品经理，他依然不想走回自己逐行读代码的老路，于是核心问题就变成了在不亲自读每一行代码的前提下，怎么管住 Agent 不让它再写空壳代码。 他摸索出了三步改进思路值得看看和参考借鉴。 第一步是改用验收标准来限制而不是目标来限制。 以前他是给个需求让 Agent 写份计划，看着差不多就点同意放行。重来之后他把重点放在定义最终产出的评分标准上。 比如他后来做了一个解析硬核技术视频的功能，要从视频里抽 440 个关键帧，挑出最清晰的黑板公式截图并配上讲解。 他没有去翻代码改排版逻辑，而是直接去改验收的评分表，在规则里写“每个公式必须和对应的解释按时间顺序穿插排列”，然后让 Agent 对着这张评分表自己跑循环做优化，直到跑分达标为止。 第二步是防止 Agent 在评分表上作弊。 因为评分表本身也是他让 Agent 写的，跑着跑着他又抓到了模型作弊。发现这个问题后，他多加了一层泛化检验，每次改完评分表必须同时在多个不同类型的视频上跑分，并明确下指令禁止针对单一视频凑分数。 第三步是用多轮对抗性审查。 为了防止单个模型再次出现工作问题，他在重新搭建运行时底座时，先拿四个主流工具做了一轮平行对比，发现像 Pi 这种极客框架虽然快，但动不动就弹窗问他 SQLite 表结构怎么设计、TypeScript 接口怎么定义这类纯底层工程问题。 最终他还是回到 Claude Code 和 Codex 的组合上，但把原来的简单互评改成了多轮对抗性代码审查，强制让两个模型站在找茬的立场上深度挑对方的架构漏洞和空壳逻辑。 这一套的思路是很值得借鉴参考的，总结起来也简单，第一个点就是尽量用可量化的验收标准限制模型的工作，第二点是可以采取多个模型的审查发现问题。 youtube：