与「AI工具老炮」相关的搜索结果

gstack这个项目火了，116.9k star不是没道理 1️⃣ 内置23个角色化工具，CEO、设计师、工程经理、QA全给你配齐...我跑了一次代码重构，它自己出方案还review，真像多了个团队。 2️⃣ 每个工具都是Garry Tan调好的opinionated配置，不用自己写prompt。实测clone下来就能跑，比我从零调Claude Code省了俩小时。 3️⃣ 覆盖从写码到发布全流程。Release Manager自动整理变更日志，Doc Engineer顺手把README写了，开会汇报材料都省了 建议先收藏，下次搞AI直接抄作业。 说个背景 这项目作者是YC现任总裁Garry Tan，他平时就用这套配置跑自己的代码，属于把日常实战工作流直接开源了。 等于硅谷顶级创始人天天在用的 🔗 #AI# #AI工具老炮#

转译：西方忘了怎么造东西，现在也快忘了怎么写代码 作者：Denis Stetskov 2023 年，在巴黎航展上，雷神公司的总裁站在台上，讲起他们为了重启“毒刺”导弹（Stinger）生产线，到底费了多大劲。 他们把一批 70 多岁的老工程师请了回来，让这些老人教年轻员工怎么造一枚导弹。图纸还是卡特总统时代画在纸上的老图纸。测试设备已经在仓库里躺了很多年。导弹的鼻锥还得靠手工安装，方法和 40 年前一模一样。 五角大楼已经 20 年没买过新的“毒刺”了。然后，俄罗斯入侵乌克兰，局势一下变了：所有人突然都需要这种导弹。 可生产线早就关了。电子元件已经过时。导引头组件也停产了。2022 年 5 月下的订单，要到 2026 年才能交付。 整整 4 年。 不是因为没钱，而是因为真正知道怎么造它的人，十年前就退休了，而且没人接上。 我在乌克兰带工程团队。我的团队见到的是这个问题的另一面。不是工厂车间，而是战场上接收武器的那一端。 当雷神还在努力根据 40 年前的蓝图重启生产时，美国已经在向乌克兰运送成千上万枚“毒刺”。RTX 首席执行官 Greg Hayes 说，10 个月的战争，消耗掉了相当于 13 年产量的“毒刺”。 这种模式，我太熟悉了。它现在正在我的行业里重演。 一百万发炮弹，没人造得出来 2023 年 3 月，欧盟承诺在 12 个月内向乌克兰提供 100 万发炮弹。 当时，欧洲一整年的炮弹产能只有 23 万发。而乌克兰每天就要消耗 5000 到 7000 发。 任何人拿个计算器算一下，都知道这事根本不可能。 到了最后期限，欧洲只交付了大约一半。马克龙后来称，最初那个承诺太鲁莽。由 9 个国家、11 家媒体联合发起的一项调查发现，欧洲真实的生产能力大概只有欧盟官方说法的三分之一。 那 100 万发炮弹的目标，直到 2024 年 12 月才真正完成，比原计划晚了 9 个月。 问题不是某一个环节卡住了。是每一个环节都卡住了。 法国在 2007 年就停止了国内发射药生产，整整 17 年没有继续做。欧洲唯一一家主要 TNT 生产商在波兰。德国自己的弹药储备只够用两天。丹麦一家 Nammo 工厂在 2020 年关闭，后来不得不从零开始重启。 整个欧洲国防工业，长期以来都被优化成一种模式：生产少量、昂贵、定制化的产品。没人为大规模生产做准备。也没人为危机做准备。 美国也好不到哪里去。 155 毫米炮弹壳主要靠宾夕法尼亚州斯克兰顿的一家工厂；爆炸物填装则依赖爱荷华州的一处设施；美国从 1986 年起就没有本土 TNT 生产了。 后来砸进去几十亿美元，产量依然没达到目标的一半。 要么合并，要么死 这不是偶然。 1993 年，五角大楼告诉国防企业的 CEO 们：要么合并，要么死。 于是，51 家主要国防承包商最终缩成了 5 家。战术导弹供应商从 13 家变成 3 家。造船厂从 8 家变成 2 家。国防工业劳动力从 320 万人降到 110 万人，砍掉了 65%。 弹药供应链到处都是单点故障（single point of failure，指一个环节出问题就会拖垮整个系统）。 155 毫米炮弹壳只有一家制造商，位于加州科切拉，而那里就在圣安德烈亚斯断层上。发射药装药也只有加拿大的一处设施能做。 整个系统被优化到成本最低，却几乎没有任何应急余量。 纸面上看，很高效。 现实里，只差一个坏日子，就会崩。 知识一旦死去，就很难复活 再看 Fogbank。 Fogbank 是一种用于核弹头的机密材料。它在 1975 年到 1989 年间生产，后来生产设施被关闭。 多年后，美国政府为了一个核弹头寿命延长项目，需要重新制造 Fogbank。结果他们发现，自己已经不会做了。 美国政府问责局（GAO）的一份报告指出，几乎所有掌握生产经验的人，要么退休了，要么去世了，要么离开了相关机构。留下来的记录也很少。 经历了 6900 万美元的成本超支，以及数年的失败尝试后，他们终于做出了可用的 Fogbank。 然后，又发现新批次太“纯”了。 原来的生产工艺里，曾经有一种无意中产生的杂质，而这种杂质对材料功能至关重要。可没人知道这件事。 负责复现的工程师不知道。几十年前做出原始材料的工人也不知道。 洛斯阿拉莫斯把它称为原始工艺中的“无意识依赖”（unknowing dependency）：这个环节很关键，但当年没人意识到它关键。 一个核武器项目，竟然失去了制造自己发明出来的材料的能力。 更可怕的是，知识并不只是随着人离开而流失。它从一开始就没有被任何人真正完整理解过。 (更正：原文最初版本曾写道，当年制造 Fogbank 的工人知道这种杂质的存在。事实并非如此。他们也不知道。这个依赖关系是无意形成的，这反而让“知识流失”的论点更强，而不是更弱。感谢评论区的 John F. 指出这一点。) 同一套剧本 我读到 Fogbank 的故事时，立刻认出了这个模式。 我说的不是核材料本身，而是那个熟悉的剧本： 花几十年建立起一种能力。 找到一个更便宜的替代方案。 让人才梯队慢慢萎缩。 享受节省下来的成本。 然后，当危机突然要求你拿回那种能力时，看着一切崩塌。 在国防工业里，那个替代方案叫“和平红利”（peace dividend，指冷战结束后减少军费、把资源转向民用经济的收益）。 在软件行业里，它叫 AI。 我之前写过“人才管道崩塌”的问题。招聘数据、初级工程师到资深工程师之间的断层，都已经有很多证据。还有“理解力危机”：人们会让 AI 写代码，却越来越不理解代码本身。 但我之前一直没有找到一个足够贴切的历史类比。 现在我找到了。 而这个类比告诉我们的东西，是招聘数据看不出来的：重建一种能力，到底需要多久。 重建能力永远需要很多年 国防工业里，每一次大规模恢复产能，哪怕是相对简单的系统，也要 3 到 5 年。复杂系统则要 5 到 10 年。 “毒刺”：从下单到交付，至少 30 个月。 “标枪”（Javelin）：花了 4 年半，产量还没翻倍。 155 毫米炮弹：投入 50 亿美元，4 年过去仍没达到目标。 法国直到 2024 年才重启发射药生产，而距离它关闭国内生产线，已经过去了 17 年。 钱从来不是最大的限制。 知识才是。 兰德公司（RAND）发现，潜艇设计中有 10% 的技术技能，需要 10 年在岗经验才能培养出来，有时还得建立在博士学位之后。国防工业里的技术工种，学徒期通常要 2 到 4 年；要达到能当主管的水平，则需要 5 到 8 年。 现在，把这套时间线放到软件行业里。 一个初级开发者，需要 3 到 5 年，才能成长为合格的中级工程师。 需要 5 到 8 年，才能成为资深工程师。 需要 10 年甚至更久，才能成为首席工程师或架构师。 这条时间线，不能靠砸钱压缩。 也不能靠 AI 压缩。 METR 做过一项随机对照试验（randomized controlled trial，医学和社会科学中常用的一种严谨实验方法）：经验丰富的开发者使用 AI 编程工具后，在真实开源任务上反而慢了 19%。 开始前，他们预测 AI 会让自己快 24%。结果现实和预期之间，相差了 43 个百分点。 研究人员后来想做后续实验时，相当一部分开发者拒绝参加——如果实验要求他们在没有 AI 的情况下工作，他们就不愿意。他们已经无法想象回到不用 AI 的状态。 账单总会来的 软件行业现在正进入同一种“优化”的第三年。 Salesforce 说，2025 年不会再招聘更多软件工程师。LeadDev 的一项调查发现，54% 的工程负责人认为，从长期看，AI 编程助手会减少初级工程师招聘。计算研究协会（CRA）对大学计算机院系的调查显示，62% 的院系报告今年入学人数下降。 我在代码审查里已经看到了这个问题。 现在，审查才是瓶颈。 AI 生成代码很快。 人类审查代码很慢。 于是行业的答案也很可预测：让 AI 去审查 AI 写的代码。 我不会这么做。 我改造了我们的拉取请求模板（pull request template，开发者提交代码变更时填写的说明模板）。现在，每个 PR 都必须说明：改了什么，为什么改，这属于哪类变更，以及修改前后的截图。 也就是说，我们要给审查者提供结构化上下文，不能让审查者靠猜。 我还在每个项目里安排专门的审查人员。更多双眼睛，就有更多机会发现模型漏掉的问题。 但这些仍然解决不了更深层的麻烦。 现在真正需要的能力已经变了。 光有技术能力不够。你还需要能主动负责、能清楚沟通取舍、能反驳机器给出的糟糕建议——哪怕那台机器说话听起来无比自信。 这些其实是领导力。 我们上一轮招聘就能说明这种人有多稀缺：2253 名候选人，2069 人被淘汰，最终录用 4 人。转化率只有 0.18%。 既有技术能力，又有判断力、能看出 AI 什么时候错了的人，在市场上几乎已经不存在了。 我们会记录一切。 Site Books、SDD、RVS 报告、带完整测试覆盖的样板模块……这些今天都有用，因为读这些文档的人，本身具备足够的工程能力，知道该怎么行动。 可如果以后读文档的人不具备这种能力，会怎样？ 坦白说，我不知道。 也许 5 年后的 AI 足够强，这些问题就不重要了。也许问题仍然可控。我没法预测 2031 年模型会强到什么程度。 但危机不会提前给你发日历邀请。 没人预料到 2022 年欧洲会爆发全面陆地战争。国防工业有 30 年时间做准备，但它没有。 就连 Fogbank 当年也有记录。只是记录不够。更糟的是，原来的工人甚至没有完全理解自己的工艺。 5 到 10 年后，我们会需要资深工程师。 我们会需要那种真正理解系统全貌的人；需要能在凌晨两点调试分布式故障的人；需要携带着那些代码库里根本不存在的组织知识的人。 可这些工程师现在还不存在，因为我们没有在培养他们。 本该现在学习成长的初级工程师，要么根本没有被雇用，要么正在形成一项由美国国防部资助的劳动力研究称为“AI 中介能力”（AI-mediated competence）的东西。 他们会提示 AI。 但他们说不出 AI 错在哪里。 这就是代码行业的 Fogbank。 当初级工程师跳过调试，跳过那些塑造能力的犯错过程，他们就无法建立隐性知识（tacit expertise，指难以写成文档、只能通过实践积累的经验性能力）。 等我这一代工程师退休时，这些知识不会转移给 AI。 它只会消失。 西方已经犯过一次这样的错误。账单在乌克兰到期了。 我知道这听起来像什么。我也知道，我之前已经写过人才管道的问题。 但国防工业这个例子，不是为了重复同一个论点。它是为了展示：如果行业现在对 AI 的期待落空，会发生什么。 “毒刺”、“标枪”、Fogbank、那一百万发没人造得出来的炮弹——这就是把赌注押在“优化”上，结果赌错之后要付出的代价。 而我们现在，正在软件工程上押下同样的赌注。 也许 AI 会变得足够强，这场赌局最后会赢。 也许不会。 当年的国防工业，也以为和平会永远持续下去。 来源：

【7】AI Agent 工具链：老工具打新仗 对于那 31% 在用 AI Agent 的人，他们用什么工具？ 数据存储：Redis（43%）排第一。这是个二十年历史的内存数据库，现在被拿来当 Agent 的记忆层。新兴的向量数据库 ChromaDB（20%）和 pgvector（18%）也在快速增长，但还没超过传统选手。 编排框架：Ollama（51%）和 LangChain（33%）领跑。Ollama 让你在本地跑开源模型，LangChain 是最早的 LLM 应用框架。有意思的是，大厂的方案如 Vertex AI（15%）、Amazon Bedrock（15%）份额还不高。 监控工具：Grafana+Prometheus（43%）和 Sentry（32%）。这两个都是传统 DevOps 工具，开发者直接拿来监控 AI 应用，而不是采用专门的 AI 可观测性产品。 规律：开发者倾向于复用熟悉的工具，而不是为 AI 换一套新东西。这降低了学习成本，也说明 AI Agent 还没成熟到需要专门工具链的程度。

AIGC波妞的2026上半年干货总结帖 AI视频这条路我摸了大半年——从离开Peppa Pig，一头扎进AI视觉叙事和漫画IP孵化，陆陆续续发了上千条实测、教程和踩坑记录。制作、策划孵化了近百部 AI 广告、AI 漫剧作品。 很多朋友说想找我早期的干货但翻不到，所以这次把账号里互动数据最高、最值得看的内容按主题理成了一份清单：从方法论到工具实测，从爆款案例拆解到版权避坑，你可以直接跳到自己需要的部分看，少走弯路，也少踩坑。建议收藏，需要的时候直接翻。 一、AI视频/漫剧制作方法论 1. 玩AI视频角色老是换脸？3个月才搞明白问题出在哪儿（上篇） 2. 为什么放弃九宫格分镜，改用六宫格故事板 3. 大半年AI漫剧踩过的坑：多人戏一换机位就崩 4. AI漫剧最大难点是场景调度，不是画质 二、AI工具实测评测 1. 视觉锚点才是小红书封面的杀手锏（附爆款封面Skill） 2. Lyria 3音乐模型评测，附20多个提示词模板 3. 猜图测评：ChatGPT Image 2 VS 即梦Seedream 5.0 4. Nano Banana 2深度测评 5. Fable 5限时回归：全球IP导演风格图谱Skill 6. SkildArt实测：数字藏品展馆+数字人换装短片 7. ChatCut插件：一句提示词用Codex剪视频 三、爆款现象级内容拆解 1. 【喜剧爆款视频教程】 2. 如何用SeedDance 2.0拍摄闺蜜私房视频 四、版权与合规干货 1. 别等被甲方追责，才想起AI作品也有版权风险 2. 首个「AI作品版权自查Skill」上线 五、IP设计与创意系列 1. 卡牌设计第四弹：七龙珠概念海报 2. IP设计《银月狐灵》视觉开发全流程 3. AIGC新作《天枢记2070》机甲美学 六、个人故事/账号成长 1. 从离开Peppa Pig团队到成为AI创作者

兄弟们，推荐一个真香工具：Chrome DevTools MCP🔥 我最近搞 AI Agent 的时候发现这个官方项目，直接爽到飞起。 它能让 Claude、Cursor 这些 AI 直接操控真实的 Chrome 浏览器，调试、自动化、看性能全都能干。 具体好在哪： - 实时看网络请求、Console 日志，还带 Source Map - 录制性能 Trace，结合真实用户数据分析瓶颈 - 自动化操作稳得很（点、输、截图、跳转） - 还有 Heap 快照对比，调内存问题超实用 用 npx 就能跑，支持主流 AI 客户端，一配就行。 以前 AI 写代码老是猜，现在直接进浏览器实战，效率高太多了。做网页、SaaS、自动化脚本的都值得试试。 Star 已经 4w+ 了，官方出的，更新也勤。 链接放评论了 👇 有玩 Agent 的快去看看，欢迎评论区交流玩法！ #AI工具# #ChromeDevTools# #Cursor# #独立开发者#

失业潮来了，所有人都在说“快做副业”。 但很少有人告诉你：用时间换钱的副业，只是另一份没有兜底的工作。 真正该做的，不是再多打一份工。 是给自己造一个组织兜底不了的收入系统。 公司不再需要那么多人，这是事实。 重复性工作正在被 AI 一口一口吃掉。 只靠一份工资、一个 title、一家公司兜底，这条路正在变窄。 所以我越来越坚定一个方向： OPC。 OPC = One Person Company。 一个人，就是一家公司。 但以前“一个人做公司”最大的坎儿，不是你没能力，而是你的能力很难卖。 你会做研究，别人怎么随时买你的分析？ 你会看链上数据，怎么按次收费？ 你会写内容，怎么让交付自动完成？ 你会做图、做分析、做咨询，用户怎么找到你、怎么付钱、怎么拿结果？ 个人能力变现，卡在几个老问题上： 获客难：能力藏在朋友圈、群聊、私信里，外人根本看不见。 交付难：每次都要人工沟通、确认需求、手动发结果，无法规模化。 收费难：小额按次收费，定价、收款、确认付款，全是摩擦。 信任难：用户怕你不交付，你怕对方不付钱。 复用难：自己写的 prompt、脚本、工具，大多只能自用，变不成商品。 这些问题不解决，“一个人一家公司”就只是口号。 直到我看到 在做什么。 说实话，我一开始也不信。 觉得这不就是个套壳 AI 工具吗？ 直到看到市场 Agent 的调用量不断上涨。 不用找客户，不用催款。想象一下，在你睡觉的时候，一个陌生人调用了你的Agent，自动付的钱。 那一刻我才反应过来：这不是工具，这是给个人能力装上了自动售卖机。 在做的，不是让你“跟 AI 聊聊天”。 它是在给普通人铺一套 Agent 服务基础设施： Marketplace 市场，解决发现和分发，用户能搜到你。 Agent / API 服务，解决服务标准化，你的能力变成可调用单元。 按次调用，解决交付自动化，不用你手动交付。 链上结算，解决收费和信任，代码替你收钱。 真实调用和反馈，解决迭代方向，数据告诉你该优化什么。 这一下子，玩法全变了。 我自己最近做了 11 个 Agent。 一开始全是给自己提效用的： 看链上资金异动、查 token 风险、做项目 DYOR、追踪巨鲸、分析钱包、整理写作热点、生成配图、做高考专业咨询给朋友做的、甚至生成命理趋势报告。 如果没有 prompt。 能帮我省时间，但赚不到钱。 放到 上之后，性质变了： 别人能在 Marketplace 里找到； 能直接调用； 能按次自动付费； 我能看真实需求和调用反馈； 好用的服务可以继续拆细、组合、优化。 自用工具，只能提升个人效率。 上架 这就是 AI 时代个人赚钱逻辑的变化： 过去，一个人做生意，要自己搭网站、接支付、写后台、找用户、手动交付。 现在，你可以先做一件事： 把你最擅长、最常用、最能解决问题的能力，封装进一个 Agent。 然后挂上 Marketplace，让用户按次调用，让结算自动发生，让真实需求推动你迭代。 你甚至不需要一开始就“创业”。 你只需要把你每天都在做的事，变成一个别人也能付费调用的服务。 一个 Agent，是一个岗位。 一组 Agent，是一个部门。 一个人 + 一组 Agent + Marketplace + 自动结算，就是一个 OPC。 在 AI 替代工作的时代，真正危险的不是 AI 来了。 危险的是： 你还在把 AI 当聊天玩具， 别人已经用 AI 搭好了自己的生产团队。 你还在等公司分配任务， 别人已经把自己的能力封装成 Agent，挂在市场上，被用户调用，并根据反馈持续优化。 真正的价值，不是“怎么问 AI 一个问题”。 而是回答这几个更现实的问题： 个人能力怎么被发现？ 个人服务怎么标准化？ 小额调用怎么自动收费？ 交付结果怎么无人化完成？ 自用工具怎么变成市场产品？ 一个人怎么拥有自己的 Agent 公司？ 在 AI 时代，只有两种人： 一种是把 AI 当玩具的人。 一种是把 AI 变成自己生产团队的人。 前者在焦虑，后者在建系统。 你是哪种？ 失业潮越猛，越不该只焦虑。 你最该做的是： 先做出一个你每天都用的工具。 把它封装成 Agent。 放到 上，让别人调用。 让真实用户和真实付费，给你反馈。 继续拆、继续优化、继续组合。 一个 Agent，就是一条收入线。 一组 Agent，就是你下一个职业安全垫。 一个人，真的可以是一家公司。

说些有些人不喜欢听的, 这两天镁光CEO说「苹果前几年5刀内存卖100刀, 涨价到 50刀卖250刀; 压价到把镁光利润干负」, 根本就不像是一个职业经理人说的话. 首先承认那几年苹果 8G 内存选配加 100刀确实很贵, 但对C端卖 SKU 和卖裸片就不是一个逻辑. 很多人都知道 Mac 入门机型实际到手价比官方标价低得多, 导致选配加价比苹果标价还高, 还不如直接选择更高端配置的基础款走其他平台的来的优惠. 其实就说明基础款机型的价格都是被特殊优惠的, 包括到今年 16+512 Air 那个国补后价格其实就是性价比爆棚. 而且要知道, Apple Silicon 本身的架构到今天还是很领先, 加上到今天主流 PC 笔记本都没几个上 3nm 的, 苹果能每年给笔记本用新工艺+新封装, 保持 10-20% 的速度高速迭代, 研发成本可想而知. 而很多人眼里高性价比的 PC, Y-1 Y-2 那种老处理器(比如7840)改名当新品卖的情况早就是常态化, 论各方面产品力的差距就是被 Mac 不断拉开. 甚至可以预计, 到这些厂商库存基本清完, 那价格也得起飞. 至于为什么这么晚才起飞, 还不是因为需求疲弱, 而稍微张点价需求又被压制. 很多人嘲笑 Steam Machine 的高定价, 就是因为 V 社现在的制造模式就是 JIT, 没有库存 RAM 的话那只能卖这个价才有基本利润. 甚至很多人不知道, 苹果的内存, 不管你是 128G 还是 512G 的 Mac Studio, 被一泡水意外损坏了, 他们购入 AC+ 还有后续服务的价格都是一样的. 等于说苹果的内存和存储定价, 就是包括了售后的溢价成本. 当然就以现在的涨价幅度来说, 可能当初的定价都不太够 cover. 现在大家也看到了, 所谓那些年买的便宜 SSD 和内存, 以及还有显卡, 哪怕是自然损坏, 厂商居然会想尽办法拒保, 甚至宁可退钱也不给你修. 而如果翻旧账的话, 镁光说苹果 23 年压价, 但情况是 22 年很多手机厂商以为口罩紧张还在持续, 特别是小米还在做季度 TOP1 后的美梦, 结果一到 23 年初发现制成品起飞了, 开始去库存, 然后镁光等内存厂的订单光速萎缩. 要知道 Fab 里面的机台轨道的运行都是高度编程化的, 包括辅料订货生产都是相对稳定的速度, 如果需求一旦萎缩, 产能缩减会变得非常痛苦, 等于厂商不能大幅度降低产能, 致使生产成本变得像是运营成本, 但生产出来的产品又卖不掉, 再加上内存闪存都是规格通用的产品, 生产端竞价就很激烈, 那镁光的东西让苹果接盘就不错了, 还怨人家那会压价. 当然苹果这波加价肯定也是超过实际物料涨价水平的, 但过了 618 才涨价, 说明苹果已经认为价格敏感人群基本都选购的差不多了, 剩下的客户都是刚需客户. 那要知道 Mac 这玩意现在有多刚需, 我有个做运营的朋友之前还在用老 Intel Mac, 日常出门带个 M3 iPad Air 当电脑用, 结果发现要玩 CodeX 提高工作效率, 或者做副业, 那 Apple Silicon Mac 就是刚需. 甚至最近大家也都知道 MS 开始要加强 Windows 的原生 Shell 能力, 毕竟 WSL2 太重, 而 PS/CMD/PS 的linux alais 基本是几坨屎山; Linux Desktop 又是万年烂泥扶不上墙, 那等于说现在要用 Claude Code 或者 CodeX, 以及用 Xcode 搞 iOS 开发, 那 Mac 就是唯一选项. 所以说 Apple 是有理由认为, 随着 AI 工具流的进一步加强, 苹果能从 Mac 上从用户收 AI 工具税. 甚至苹果自己的 Apple Silicon 云端算力机房都要用大量算力, 甚至对开发者可以有很大的免费额度去提供给用户, 而不需要其他的复杂订阅条件, 那显然这些钱总是要有来源的. 再说个情况就是, 如果企业也发现要让员工利用 AI 生产力而选购 Mac 的话, 那苹果更有理由加价. 要知道 PC 企业采购市场也是溢价的一塌糊涂, 但产品力远不如 Mac; 苹果在这个阶段改变策略其实基本是出于合理理性. 作为消费者骂骂之前苹果内存贵差不多得了, 今年基础款配置内存加上去, 还能叠那么多优惠, 又是 N2P 工艺新架构新品的 M5 系列早不买, 到了现在涨价了又来骂, 这种人说白了就既没脑子也没钱, 因为但凡有生产刚需, 能创造额外收入/时间节约、对行情有点了解就早下手了.

字节对大厂 AI Coding 的反思，好真实。 字节技术副总裁洪定坤的分享，我来回看了好几遍，很有启发。 字节在 AI Coding 方面的实践还是很有代表性的，推荐所有做研发的同学都可以看看。应该会感同身受。 我看完记了一整页笔记，分享给大家。 我甚至觉得可以把这个分享理解为字节在 AI Coding 上的一些真实反思。 根据自己的理解，我把这个分享里对我有启发的几个判断展开来聊一聊。 其中会夹杂很多我自己的感触，想看原文的可以直接去找演讲全文。 反思一：AI 代码贡献率不该是 KPI AI Coding 基本上都已经逐步进入了各个公司的生产流程。 很多人都在说自己的业务有 90% 的代码是 AI 生成的，乍一听，感觉很恐怖。 但其实，AI 对研发的提效没有外界想象的那么高。 洪定坤举了 TRAE 团队的例子。TRAE 本身就是做 AI 工具的，所以这个团队对 AI Coding 的采用非常积极。 过去半年里，他们有 94% 的代码都是 AI 贡献的。但人均需求吞吐率只提升了 60%，也就是之前的 1.6 倍。 这就有疑惑了，AI 写代码的速度至少是人的 10 倍以上，如果 90% 以上的代码都是 AI 产出的，效率至少应该提升 5 倍或者 10 倍吧？为什么只提高了 1.6 倍？ 字节得出来的结论是，单一的指标，比如 AI 代码占比，根本没有办法代表真实的生产力。 如果把 AI 代码贡献率当成 KPI，结果就是大家都去优化 AI 的生成量，而不是优化交付能力。 看起来 AI 用了很多，但系统的效率并没有真正变好。 那为什么 90% 的代码都是 AI 写的，人效才提了 1.6 倍？一个很重要的原因是，写代码只是整个研发流程的一个环节。 写之前要理解需求、写 Spec，写完之后要验证功能、提交发布，这些环节如果还是传统方式，光把写代码加速了，整体效率提不上去。 洪定坤把字节在这方面的尝试叫做系统化的 AI Development，核心意思就是 AI 不能只管写代码，得让它进入更多的研发环节，整条链路都跑通，效率才能真正上来。 前两天出去的时候还跟别人争论这件事。现在还有不少公司在追踪员工到底用了多少 Token，说白了，这是在追踪过程。 更应该关注的是，用了这个工具之后，从结果层面去看，交付到底有没有变得更快、更可靠。 一个团队天天说自己 AI 工具用得贼溜，消耗了多少 Token，但没有什么有效的产出，那这到底是好事还是坏事。我觉得这是一个值得每个管理者思考的新问题。 反思二：功能正确≠工程可用 Vibe Coding 的理想状态是就像聊天一样，用自然语言表达自己的需求，最后做出来想要的产品。 如果哪里不对，再用自然语言和 AI 沟通，让它修改。这是过去一年 Vibe Coding 风靡的思路。 对于不太复杂的应用，这种方式完全没问题。我自己做的一些项目基本上就是这个流程跑下来的。 但只要是做生产级的软件，无论公司大小，流程肯定不是这样。 因为公司里必然有老代码，有一套约束。怎么复用已有的组件，安全和权限怎么处理，性能怎么保证，还有兼容性、可维护性。 正经写过工程代码的人都清楚，Vibe Coding 描述的那个状态是比较理想化的，更适合做小项目和验证想法。 真正的程序员虽然也在 Vibe Coding，但流程跟理想状态不一样。 字节内部做了一个实验来验证这个判断：三个模型，三个 Agent 框架，两两组合成 9 种方案，针对同一个需求，每组跑 100 次，总共 900 次。 结果发现，AI 在功能正确率上表现还不错，所有组合都超过了 80%，也就是说，AI 把功能写对的能力已经过了及格线。 但无论哪个组合，生成代码的工程质量都不太好。比如 UI 不对，没有复用组件，性能有问题，结构不符合规范。 这些问题大家在用 AI 写代码的时候应该都碰到过。 现在所有上了牌桌的 Coding 模型，都已经过了 Opus 4.6 这个级别的临界点，模型可以自主写代码了。 这个时候影响 AI Coding 成败的绝对不是裸模型，而是裸模型加上 Harness 的能力。 这个判断本身不算新鲜。 但我最受触动的是字节对 Harness 的理解。 他们的反思是，整个行业好像还是把 Harness 等同于 Agent 框架，诸如用 single agent 还是 multi agent，包含哪些角色，角色之间怎么配合。 这些当然重要，但字节在实践中发现，真正决定 AI Coding 能不能落地的，反而是更基础、更工程化的东西。 洪定坤把它叫做基建。 比如上下文工程有没有做好，架构的约束够不够清晰，团队的知识能不能有效沉淀下来，过去的技术债有没有梳理清楚。 这些看起来不那么性感的工作，反而直接影响 AI Coding 的效果。 实验数据也验证了这一点。同样的模型和框架组合，把这些基建结合进去之后，功能正确率直接从 80% 提升到了接近 90%，工程质量得分，也从之前 40 到 60 分的不及格水平，普遍提升到了 80 分左右。 基建做不好的话，可能的后果是，Vibe Coding 感觉快了，但实际整体可能更慢。工程的债，迟早得还。 反思三：代码门槛下降之后，团队怎么协同 洪定坤分享里有一个例子让我印象很深刻。 产品经理有个需求，发现还得等研发排期，就说那我自己来吧，用 AI 三下五除二就把功能给实现了。 确实这个功能不复杂。做完之后产品经理把代码给到研发，说我已经把代码写完了，现在你只需要帮忙把功能上线就行。 研发一看，不行。你这代码能跑，但不符合上线的规范，有权限问题、安全问题。 产品经理就很委屈，你们没时间做这个需求，现在我都做完了又不让上线。可研发看到的其实是代码质量的问题。 所以这里面就有一个需要所有人正视的事情，虽然代码的生成门槛虽然下降了，这并不代表系统的复杂度也下降了。 真实的业务系统里，代码要放到已有的架构里，要跟已有的模块配合，还要考虑各种各样的问题。 绝对不是谁写出来就能直接上线的。不然肯定会出问题。 怎么让不同角色的人用同一套工具和规范做出符合要求的代码，这是接下来大家需要去解决的。 字节的思路是在内部尝试工具化。比如把内部实践直接产品化，沉淀到 TRAE 里面，开放给所有人。 其实说白了就是工具化。 我看朋友圈有好多大佬也都在转这篇文章，应该还是有挺多共鸣的。 我感觉这一次分享多少也是一些拨乱反正吧。因为过去一段时间确实有很多听起来很离谱的言论，有些人会疯狂地炫耀自己使用了多少 Token，会认为这就代表着 AI Native...... 强烈推荐大家看看原文。字节跳动的公众号就有。

输入一个用户名，它帮你扒出这个人在 3000 个平台上的所有账号 兄弟们，今天分享——Maigret，GitHub 33K星。 一句话：一个用户名，自动查遍 3000+ 个网站，看这个人在哪注册过账号。 能做什么： （1）一键搜账号——输入一个用户名，自动去 Twitter、Reddit、GitHub、各种论坛、游戏平台……3000 多个网站挨个查，有账号的全列出来 （2）自动挖信息——找到账号之后不只是给你一个链接，连头像、简介、注册邮箱、绑定的其他账号也一起抓出来 （3）递归追踪——发现这个人在 A 平台用的是另一个用户名，自动拿着新用户名继续搜，顺着线索往下挖 （4）AI 分析总结——把搜出来的一堆零散信息，交给 AI 自动整理成一份调查摘要，不用自己手动汇总 （5）出报告——支持导出 PDF、HTML、XMind 思维导图，结果一目了然，可以直接给别人看 适合用在哪里： 找一个多年没联系的人、查一下某个合作方的网络背景、研究自己的信息在网上有多少暴露——这些场景都用得上。 不需要任何 API Key，pip 装完就能跑。 链接： 好东西转给需要的兄弟。🚀 #OSINT# #开源工具# #老杨啊分享#

给大家推荐一下我经常看的一些美股账号 @jiroucaigou菜狗，美股相关优质研投信息渠道分享，分享的美股信息都非常优质比较实用 适合大众 @eastweb3eth分享的自己投资见解挺不错，主要是对美股和AI工具。对于 SPCX 和 CRCL 的判断不错，战绩还不错对美股深度研究的可以看看。 @AnchorNode大洋认识比较久的朋友 美股大A老韭菜，分享自己美股的投资想法比较有深度，踩节奏还行。最近推荐的SMH，AIQ都有10%左右的收益，有空可翻翻，合胃口就关注。 @Jason23818126 垂直美股和ai赛道，最近整合美股 AI 赛道美股标的不错，最近推荐的几个支付宝基金收益平均60%+，美股dram、mrvl、bb等都有不错的涨幅！ @CryptoBirdie_1 北大才子，23年开始定投纳指QDII，吃到这轮AI美股主升浪，主要关注 AI 存储和数据中心链条，近期踩中 WDC、STX 这条存储主线。适合关注 AI、美股、机会的人 @0xtonixie，算是比较早期的美股选手，经常看他会写一些比较有深度的投研，推荐基本也会有自己的理由，像mrvl和intc这些个股涨幅都还不错，大家可以关注一下 @yijiangren对于技术指标有一些理解，目前主要看光子学、机器人、电力和太空，推荐标的会在相对早一点，MRVL、RKLB 和 CRDO 的判断比较准确，适合想学习交易技术和美股的人 @0xMulight平时更多写美股的投资方法，最近AI供应链，存储和先进封装写得比较多，提过$WDC、$STX、$MRVL、$INTC等这些股票的上涨逻辑。很少推荐个股，通常会把自己为什么关注一起写出来。