Verbula

独立开发者建设中
马匹买卖平台：
正在计划：Verbula-场景式语言学习平台

[Amto @XAMTO_AI]

系统设计面试最怕两件事：没框架，背了也不敢画。

这份笔记把 Alex Xu《System Design Interview》
卷一、卷二拆成 28 章：从单机扩到百万用户，再到限流、短链、信息流、聊天、YouTube、支付、对象存储、证券交易所。

面试题长什么样，设计该怎么开口，都摊开了。

1.5 万星👍，刷题前先把地图看清楚。
传送门https://t.co/YdMwprqMng

[Stanley @Stanleysobest]

一个朋友做电商，去年赚了200多万。

我问他秘诀。

他说没秘诀。

就是卖一个特别土的东西：老年人穿的防滑鞋。

图片土，详情页土，客服话术也土。

但退货率低，老人复购高，子女还会给父母买。

他说了一句话我记了很久：

穷人创业最怕的，不是没钱，是审美太好。

看不上土生意，看不上小利润，看不上中老年市场。

天天研究年轻人喜欢什么。

结果年轻人只点赞。

老人真付款。

[Frank Wang 玉伯 @lifesinger]

最新一期播客里，小珺采访了曾鸣教授。有些观点说出了我心中的朦胧想法：

1、AI 产业的三阶段：基础设施阶段（如 OpenAI、Anthropic 等模型公司）→ 探索性应用阶段（目前能看到的大多数应用）→ 原生 AI 应用阶段（目前还无法想象）。商业动力学规律显示，第一阶段的企业几乎无法跨越到第三阶段成为终局赢家。

2、当前所处的时点：基础设施的收尾阶段，探索性应用的爆发前夜。现在的各种应用，大多类似于移动时代早期的手电筒、墨迹天气和汤姆猫。类似 Google、抖音这类第三阶段的原生应用还没有影子，甚至连统一标准、降低门槛的“浏览器”和做熵减的“Yahoo”都还没有出现。Codex 则像当年的 MS Visual Studio，是模型厂商提供的开发者工具。

3、护城河与组织终局：AI 创业必须避开简单的脚手架型应用。真正的机会是构建数据飞轮之上的智能复利，以及构建网络效应之上的黑洞效应。组织形态上，工业时代的科层制终将消亡。

[Bruce J @BTCBruce1]

AI是一个你越研究越上头，越研究越想All in进去的行业。遍地是黄金，处处是机会，又一个最好的年代来了。

[阿蔺A-Lin @alin_zone]

卧槽，原来这才是官方推荐的 Codex 正确打开方式

之前都没发现，经常帮大家重置额度的 Tibo 给大家推荐过一个 Codex 不一样的使用方式，

简单来说就是让你订阅的 Codex 和 Claude 把额度代理出来，使用在别的工具中。

非常适合现在在用 Workbuddy、Pi、DeepSeek Harness、OpenClaw、Hermes 的朋友。

[Frank Wang 玉伯 @lifesinger]

这篇教程写得真好
赚钱和不赚钱之间
往往只差行动

[金尘马 @jinchenma_ai]

不到4分钟的视频，思路基本都公开了

几十万人看，我猜骂割韭菜的能占80%

剩下20%觉得有道理但最后能执行的也就1%

然后执行失败还会再淘汰99%人

最终如果你坚持下来成为那 0.01% 那你就是那个聪明蛋。

[Miles Ma @miles_mazy]

现在知道FDE为什么工资这么高了吧

来自硅谷一线最真实的FDE实施落地经验，价值百万就这么开源了🫡

[Crypto老鹰 @laoyingkhq]

兄弟们，清华心理系学生9分钟就把98%的人讲透了。

视频被抖音下架了，全程高能。

[火山哥🕊️ @huoshan007]

兄弟们，我发现 Codex 改 Bug 最狠的玩法，不是让它直接修。

是先让它亲手证明：这个 Bug 真的存在。

直接把这段丢给它：

“先别改源码。写一个最小测试把问题复现出来，运行给我看；找到根因后再修，然后重新跑同一个测试。”

跑完后，红的。

Codex找到问题改完，再跑一次，绿了。

这下codex他就不会嘴硬了。

有时候它会偷懒说“已经修复”，按照这个给他跑。

现在失败和通过全摆在屏幕上，它想嘴硬都不行。

这个对付codex偷懒小秘法我是百试百灵。

别只听它说好了，让它现场证明。

[Max For AI @MaxForAI]

🚨0.8B 小模型，把 GPT-5.6 Sol xhigh 打了。

Shopify CEO Tobi Lütke 今天晒了一个挺夸张的内部案例：他们在 Buyer Profile 这个高度垂直的任务上，把 Qwen3.5-0.8B 微调后，内部 Judge 得分做到 84.6，超过 GPT-5.6 Sol xhigh 的 83.0，也远高于此前线上 2B 模型的 77.2。

更离谱的是效率。

System Prompt 从 9.1K tokens 压到 1.1K，吞吐从每天 200 万个 Profile，直接干到 7200 万，36 倍。

而且这个模型是一轮轮喂数据滚出来的：

7 月 23 日，2.9 万样本：75.3
7 月 27 日，4.2 万样本：78.1
7 月 30 日，5.4 万样本：84.6

Tobi 把它叫做 self-improving recursive flywheel，自我改进的递归飞轮。

背后其实是 Shopify 已经搭了一套 Universal Distillation Platform：拿前沿模型当 Teacher，给定数据、Eval 和目标小模型，自动完成蒸馏和微调。

Shopify 工程负责人 Farhan Thawar 说，这种模式经常能同时拿到更高准确率、更低延迟和更低成本，代价就是牺牲通用性。

他们甚至把支撑这套 ML 实验和 Pipeline 的 Tangle 开源了。

这个案例挺重要的。

很多公司的 AI 架构可能会变成：最强模型负责探索、标注和当 Teacher，然后把成熟、高频、边界清晰的任务不断蒸馏成 0.xB、1B、3B 的专用模型。

前沿模型越来越强，反而可能养出越来越多小模型。人类折腾了几年大模型，最后又把模型拆回一堆专业小工种，组织架构的轮回感相当完整。

[AYi @AYi_AInotes]

几个月前大家都觉得 AI Coding 出来后软件工程要死，看了Hyde老师这篇深度好文，
感觉现在带着小团队进场给企业做交付才发现全被忽悠瘸了hh，

说白了，当全网都在教你搭炫酷 Agent 接大单赚大钱的时候, 只有真正下场做企业交付的人敢把底裤给扒下来:

模型没胡说,向量召回没搞错,扫描件解析全对,
但 AI 依然极其精准地给客户吐出了一个错误答案,
一路追到底才发现,很多年前印错的设计图纸老员工脑内会自动改过来,却从没写进过任何系统,

企业里真正值钱的资产从来不在数据库里,全在老员工脑子里,

你以为客户开工前会把流程打扫干净,
但梳理混乱本身就是交付的一部分。

印象很深的是文章里关于小团队做企业 AI,能活着收回钱的的3 条铁律，这里我拆解给大家:

1️⃣ 拿 85% 的死题当防弹衣: 别用感觉还行去验收,把 85% 确定性问题做成标准测试集,剩下 15% 丢给业务专家评,测不通坚决不交付;

2️⃣ 需求和钱死死咬住: 合同范围外加需求,预算、周期、范围必须动一样,不加钱不加时间还想扩范围,直接按停项目;

3️⃣ 别为了显得先进硬上 AI: 图纸解析又贵又容易崩,早期人工录入反而稳稳交差,老旧系统没 API 坚决不碰。

大模型负责在屏幕前生成演示,工程和边界负责在现实里收回尾款, 技术决定你能做出什么 Demo,但测试、SOW 和商业边界,才决定你能拿回多少真金白银。

大家接 AI 项目时,踩过最大的坑是需求失控还是数据太烂，欢迎评论区交流呀～

[Erwin @ErwinWu000]

请以独立的软件架构师、安全评审人和代码审查者身份，对当前仓库进行一次完整评审。

你的任务包括：

1. 判断当前技术方案是否合理。
2. 判断是否存在更简单、更安全或更容易维护的方案。
3. 在方案合理的前提下，审查具体代码。
4. 找出真正值得修复的问题，而不是为了完成审查而凑问题数量。

不要默认现有架构、技术选型和实现方式一定正确，也不要直接开始修改代码。

## 一、先调查仓库

先自行阅读仓库，尽可能从现有材料中还原项目目标、限制条件和当前方案。

优先检查：

- README、AGENTS.md、CLAUDE.md 等项目说明
- docs、spec、requirements、issues、tickets 等需求和设计资料
- 当前分支的 Git diff 和近期相关提交
- 依赖清单、构建配置、环境配置和部署配置
- 程序入口、核心模块及其调用关系
- 数据模型、权限控制和外部服务接口
- 现有测试以及测试覆盖的关键场景
- 与当前改动直接相关的代码和文档

先定位相关范围，不要没有目的地扫描整个仓库。

不要询问能够从仓库、代码、配置、测试或 Git 记录中找到的信息。

只有同时满足以下条件时，才向我提问：

- 仓库中确实找不到答案；
- 不同答案会明显改变你的评审结论；
- 不能通过合理的只读检查继续判断。

每次最多提出 3 个关键问题。普通的不确定性可以标记出来，不要因此中断整个评审。

## 二、还原目标和现状

根据调查结果，用简短的语言说明：

- 这个项目或改动要解决什么问题
- 当前采用了什么方案
- 你从哪些文件或代码中得出了这个判断
- 当前方案依赖哪些关键假设
- 哪些信息仍然不确定

如果文档与代码不一致，明确指出差异，并说明你采用哪一方作为判断依据。

## 三、先做方案评审

暂时不要纠结局部代码写法。先回到项目目标，检查当前路线是否合适。

重点判断：

- 当前方案是否真正满足需求
- 是否把简单问题做复杂了
- 是否因为早期选择产生了大量后续补丁
- 权限、安全或状态问题是否来自架构本身
- 当前问题能否通过局部修改解决
- 有没有其他方案可以从根源上消除这一类问题
- 替换方案带来的迁移成本是否值得

不要被已有代码数量和开发投入绑住。已经写了很多代码，不代表当前方案就应该继续使用。

如果存在有意义的替代方案，请比较：

- 需求覆盖
- 安全风险
- 实现复杂度
- 维护成本
- 性能和资源成本
- 出错后的影响范围
- 迁移与回滚难度

不要为了满足格式强行编造替代方案。如果当前方案已经合理，可以直接说明为什么值得保留。

最后给出以下结论之一：

- 保留当前方案
- 调整当前方案
- 更换方案
- 缺少关键信息，暂时无法判断

在得出路线结论之前，不要提供代码补丁。

## 四、再做实现审查

如果当前方案仍然值得保留，再检查具体实现，包括：

- 功能和逻辑错误
- 权限、身份验证和数据泄露风险
- 输入验证与异常处理
- 并发、状态一致性和资源释放
- 性能问题
- 测试缺口
- 与需求或设计不一致的实现
- 会增加后续维护成本的结构问题

每个问题必须包含：

- 严重程度：致命 / 高 / 中 / 低
- 置信度：高 / 中 / 低
- 对应的文件、代码或配置证据
- 触发问题的具体场景
- 可能造成的后果
- 建议处理方向
- 这是根因还是表面症状

如果多个问题来自同一个根因，请合并说明，并优先给出根因处理方案。

## 五、控制审查质量

遵守以下规则：

- 不要为了凑数量而提出问题。
- 没有发现新的重要问题时，直接说明。
- 区分已确认缺陷、合理风险和待验证猜测。
- 没有代码或文档证据时，不要把理论可能性写成已经存在的 Bug。
- 不要把个人风格偏好当成缺陷。
- 不要重复已经修复的问题。
- 不要只检查局部补丁，还要确认调用方、数据流和受影响范围。
- 对低概率、低影响的问题，说明是否值得处理。
- 不要修改代码，除非我之后明确要求你实施。
- 如果继续审查已经进入收益递减，明确建议停止。

## 六、输出格式

按照以下顺序输出：

1. 仓库调查范围
2. 项目目标和当前方案
3. 尚未确认的关键信息
4. 当前方案的关键假设
5. 方案层问题
6. 替代方案及取舍
7. 路线结论
8. 实现层问题
9. 最优先处理的三件事
10. 可以暂时接受的剩余风险
11. 是否值得继续下一轮审查

先完成评审并等待我的决定，不要直接修改代码。

[Erwin @ErwinWu000]

昨天资深程序员卡颂大佬 @kasong2048 引用我推文时提了一个很关键的点：AI 审代码挑出来的很多问题往往不是编码失误，而是需求没对齐导致 AI 只能脑补。

顺着这个思路，我在这篇帖子里系统梳理了一下怎么让 AI 编程真正走在正确的轨道上，建立一套系统让整个事情从“整点东西玩玩”变成“可靠的系统工程”。

整件事的核心其实就是三件事。目标对齐（定义你程序的终点）、路径探索（找到通往重点的路径）、循迹前行（确保走在正确的路上）

ps: 这篇帖子的知识密度非常大，深度总结了我在大厂实习和日常AI开发中的流程管理实践，希望能对大家有所启发。

1️⃣ 目标对齐
⚠ 这一步的核心目标是定义好你程序最后要到达的重点在哪里。

很多时候我们丢给 AI 的 Prompt，往往是一个带着个人偏见的半成品解法。

比如你跟 AI 说“帮我做个支持微信登录和购买会员的功能”，你以为需求已经交代清楚了，但你实际业务里藏着的“支付超时怎么回退库存”、“微信回调重复通知如何做幂等校验”、“多端登录时 Token 如何刷新”等一大堆隐性上下文，AI 根本看不到，只能基于训练集的概率分布在解空间里硬猜，结果做得跟你想的不一样又让人恼火。

图灵奖得主 Fred Brooks 早就说过：“构建软件系统最困难的单一环节，就是精确决定要构建什么。” 没有哪个环节做错会对系统造成如此致命的破坏，事后也最难纠正。

需求工程（Requirement Engineering）的核心本质就是两件事：

消除隐性假设：把那些你以为大家都默认，但其实谁都没写明的边界条件、灰色地带和异常流提前逼出来。
建立唯一事实来源：把脑子里模糊的想法，固化成一份精确的规格说明（Spec）。

🛠️ 落地实践：grill-me，grill-with-docs (来自matt pocock/skills)

它们的本质都是苏格拉底式需求获取（Socratic Elicitation）。核心思想是让AI 先别急着敲代码，先扮演严苛的架构师反过来“拷打”你：“并发边界是多少？”“第三方服务挂了怎么降级？”“数据冲突怎么处理？”直到把所有隐藏假设剥离干净，自动落成一份清晰的产品和技术规格文档。

2️⃣ 路径探索
⚠ 这一步的核心目标是找到通往程序终点的可能路径。

需求确定之后，通向目标的路径往往不止一条。而且每条路往下走，还会分出各种各样的技术分支。

很多时候某条路能不能走，不仅要看能不能实现，还得放在你当前工程的具体局限下去权衡。我通常会看这四个维度：

实现的复杂性：初始交付的技术门槛高不高？
维护的复杂性：未来会不会变成技术债？模块耦合度有多大？
时间与资源成本：第三方依赖贵不贵？开发周期赶不赶？
方案的可逆性：如果走不通，调头推倒重来的代价有多大？

但现实往往更复杂。方案选出来后，你也未必百分之百确定它可行，必须先去探索——也就是大家常说的先 probe（探一下），探通了才敢继续踩油门。

因为通往最终需求的路径本身就是一个拓扑网络，中间充满分支和不确定性，所以一开始必须有宏观的架构规划。先规划好整个体系大概长什么样，既能在宏观上统一各个细小的实现分支，也能在后续某个分支调整时，把对整个系统的冲击降到最低。

在动手前，借鉴 ADR（架构决策记录） 的思路：明确写下“背景-决策-后果与代价”，先定拓扑，再定具体实现。

🛠️ 落地实践：wayfinder + research + prototype (来自matt pocock/skills)

wayfinder：负责全局拓扑规划与路径导航，把不同的架构路线拆解、对比；

research：当某个分支可行性存疑时，自动触发技术探针（Spike），去检索最新文档、测试第三方 API 边界；

prototype：借鉴《程序员修炼之道》里的示踪弹（Tracer Bullets）思路，用极简代码端到端打通一条核心通路，用最小系统验证这个方案到底能不能闭环。

3️⃣ 循迹前行
⚠ 这一步的核心目标是保证自己走在正确的轨道上不偏离。

进入编码阶段，很多人用 AI 容易陷入“盲盒式开发”——一轮接一轮地把需求抛给 AI，闭着眼睛连续点 Accept，完全不记录中间改动了哪些模块与底层设计，直到某天系统突然崩溃，你和 AI 都不知道这堆逻辑到底是怎么长成现在这样的。

这种缺乏治理的开发很容易遇到两个失控点：
上下文漂移（Context Drift）：对话轮次一多，AI 就会逐渐忘掉早期的架构约束，甚至拿着过时的旧方案在上面乱改。
局部测试陷阱（False Green）：AI 写的单元测试全绿，但真正拼起来时，整个系统完全跑不通。

🛠️ 落地实践①：活文档与变更追溯 to-spec, to-ticket (来自matt pocock/skills) , docs-by-versions (来自https://t.co/w2V4odtaB9,本人自制)

开发中的每一个改动都必须有迹可循：
· 每次要做方案调整（增加新需求或改动已有需求），改动前要进行变更影响分析，先评估会波及哪些模块和接口，
· 对于新增的需求，如果不涉及对原有系统的更改，走to-spec, to-ticket的常规需求开发流程
· 对于要修改已有系统的改动，需要开一张变更单（CR），再to-ticket，执行

🛠️ 落地实践②：建立最小可用的 E2E 验收

在 AI 编码场景下，纯 TDD（测试驱动开发）有一个被广泛诟病的硬伤：AI 极其擅长为了让测试断言通过而硬凑代码，经常写出很多打补丁式的垃圾逻辑，彻底牺牲了代码结构的合理性。

所以必须结合 BDD（行为驱动开发） 的思路：
· 后端和数据库交互，交给自动化的 API 契约测试。
· 前端和交互界面，AI 往往不会主动去写健全的 UI 自动化。这时必须由人类开发者把自己代入真实用户，梳理出关键用户流程，写一个覆盖完整体验流程、最小可用的端到端集成验收测试（E2E Smoke Test），作为交付的物理硬指标。

4️⃣ 总结
这三步不是孤立的技巧，而是一套环环相扣的工程闭环：

· 定义目标（起点）：如果目标没扣死、隐性假设没剥离，后面走得再快也是在错误方向上狂奔；

· 找到路径（骨架）：如果只看眼前、不去探清路径网络与架构分支，执行时就会频繁撞墙、反复推倒重来；

· 保证实施（护栏）：如果缺乏变更追踪和端到端验收，就算目标和路线再完美，对话轮次一多也会在执行中悄然失控。

目标、路径、执行，三环紧扣。把这套工程约束建起来，AI 才能真正从单点修修补补的玩具，变成可以交付复杂工程的可靠生产力。

[custom @wuzhutisushuo]

https://t.co/1dlAVwPg6t

[Tw93 @HiTw93]

想从产品工程师视角和大伙聊聊，在代码全部由AI生成的时代，如何保证产品的代码可以持续迭代、好维护、不腐化。

最近 Mole 发布到了第 13 个版本，看了看整个项目大概有 11 万行 Swift 产品本身代码、7.3 万行测试代码和 3347 个 XCTest，测试代码部分远多余之前在公司写业务时候有QA来保障下的代码，我一直秉承一个观点，AI 写的代码应该 AI 来测试，而非人，把人引入到这个环节反而会拖慢整体的进度。

想着基于上面这个经验实操来总结一下，我都做了哪些有意思的事情，让这些代码一直可以在我和 AI 之间非常听话的实现功能。

1、即使 AI 能够大幅提升代码生产的速度，产品本身的技术架构、分层、同类抽象，什么东西放到什么地方能够让后续更好的扩展以及解耦，还是需要工程师本身的判断，这一块可以在项目第一个版本可以跑起来后就可以和你最好的 AI 仔细讨论，设定好对应的架构，并通过可沉淀可修改的文档记录下来，持续跟随项目迭代。

2、我目前最依赖的还是单测，1.0 只有 56 个 XCTest，到 1.13 已经有 3347 个，测试代码大约是生产 Swift 代码的 66%，不过数量只是顺手统计出来的结果，我平时更关心测试有没有覆盖那些容易想当然的地方，比如扫描结束以后文件又变了、进程检查失败、命令返回成功但 App 根本没有更新、旧任务很晚才回来覆盖了新结果。正常情况一般不难写，麻烦的是那些结果看起来没问题，实际上已经错了的情况如何可以及时去更新。

3、特别是修 Bug 的时候，我会多留一些东西下来，除了把问题修复，还会加一个让旧代码失败的回归测试，然后沿着同类路径去找有没有类似的问题，最后把当时为什么这么改写到规则里面去，到目前 Mole 已经有 1000 多个以 fix 开头的提交，其中 900 多个提交过测试，很多测试和规则都是用户真实踩过一次以后留下来的经验，或许我认为这个是当前这个项目最宝贵的资产。

4、测试能记住输入和结果，但记不住当时为什么放弃一种做法，所以项目里还有一批 Rules，主要记录功能边界、历史原因和不能碰的地方。比如为什么某类文件宁可漏掉也不能自动删除，为什么有些看起来重复的组件不能随便合并，哪些系统数据不属于 Mole。Rules 一多又很费上下文，我就按模块把它们拆开，只在改到相关代码时加载，再把经常重复的检查做成 Skills。bugs 会从以前的修复里找同类问题，design-system-review 看界面有没有越写越乱，release 则负责检查签名、公证、远端文件和更新链路，这样不需要每次都从头跟 AI 解释一遍。

5、还有一个对我很有用的法子，就是少做一些没有实际用的功能。现在 AI 加一个设置项、兼容分支或者后台监听太容易了，几分钟就能写出来，留下来的状态和维护成本反而腐化的最大的原因。比如Mole 现在对新功能设置了一些规则，比如尽量不增加常驻开销，不增加新的特权和系统权限，有合理默认值就不继续加设置项，更新和清理也不会因为发现一种新的可能性就一直扩范围，很多时候有很多功能是开发者自以为重要，但是使用者完全不在乎的功能，更多还是建议从用户中来，到需求中去，如无必要勿增实体。

6、需要充分利用好 Github 自动化 actions 的能力，这个会是你最后的兜底，其实代码写完、跑通、测试变绿以后也还没结束，我的项目里还有一套检查负责九种语言、网站生成结果、Appcast、Xcode 工程和公开部署文件之间的一致性，make verify 会把这些检查和测试一起跑，CI 再换到云端干净机器上重新来一次。到了发布的时候，本地代码、Git 提交、签名后的安装包、线上文件和用户实际收到的更新也是几种不同状态，我会分开确认。之前也遇到过源码完全正确，线上还在提供旧文件的情况，只看一个绿色结果很容易过早觉得已经做完了，其实是有错误的。

7、上面的一切，假如需要说特别的地方，我能想到的就是执行流程完全我没有插手干扰，每一步是 AI 自动化的去执行验证，出错了 AI 自动去解决，只不过会在不同的时候设置必要的流程卡点，让 AI 主动去验证，得到明确的结果才确定通过，并持续的去迭代规则，保持现有规则的新鲜度，并及时移除旧的逻辑，让本身的校验逻辑和本身的业务代码同步升级。

或许，这是我认为 AI 时代的工程师更需要培养的能力，如何让 AI 写的代码更好维护、更清晰、更好扩展，即使半年、一年、两年都不会腐化，而且会越来越听话，越来越符合开发者的心意，也给多 Agent 合作开发确立一个很稳靠的根基。之前手写代码的乐趣已经没有了，好在有这个弥补了一些纯 AICoding 过程无聊，让工程师的一些专业度得以延续下去。

[Joway @jowaywang]

https://t.co/BLS3fVqu0O

[meng shao @shao__meng]

写代码不再值钱，工程师的价值还剩什么？
Simon Willison 在《Agentic Engineering Patterns》中给出了答案。

一套完整的工程方法论：从"代码边际成本趋零"这一事实出发，推导出知识资产的复利策略、让 Agent 自证正确的验证闭环，以及对"认知债"的系统性防御。 https://t.co/py3Nrti6fe

[宝玉 @dotey]

很好的 Vibe Coding 工程经验分享，下面是我的简单总结，具体请看原推文：

1. 合理的架构和分层依然很重要，可以让项目更好的维护和扩展

2. 自动化测试可以有效保证质量，修复 bug 还要同步添加测试覆盖，避免类似情况再次发生

3. 少做积累功能，功能清理后代码也要一起清理

4. 借助 GitHub Actions 做好 CI/CD，发布前在干净的云端机器完整的跑一次自动化测试

5. 让 AI 自动执行自动验证纠错，只在必要的阶段人工验证

6. 经常重复的工作做成 skill，这样不需要每次从头向 AI 解释

[Max For AI @MaxForAI]

终于有人把 KV 缓存解释清楚了，不再让它听起来像黑魔法

Q 基本上是一次性的，而 K/V 才是需要保留的部分。