Eric | Build

build anything in AI era

[Josh Long @starbuxman]

Happy belated birthday!

@springframework’s BeanFactory turned 25 years old on Monday

[Peter Pang @intuitiveml]

https://t.co/oWr2pTk4Hu

[Adham Dannaway @AdhamDannaway]

🎨 UI design tip: Name colours after what they do, not what they look like.

If your tokens are named after the colour itself (blue-500, grey-100) nobody knows when to use them. Name them after their role instead.

A simple structure that works:

[element.tone.emphasis.state]

Each word describes how and where the colour appears in the interface. Four words maximum. Most tokens need fewer.

You can go deeper and create component-specific colour names, but in most cases it adds complexity without adding clarity.

What's your token naming structure?

📘 PS This is just 1 of 100+ guidelines from my @PracticalUi design book. I also use this naming structure in my Figma design system.

[Harrison Chase @hwchase17]

https://t.co/cpW5l3rqJ0

[Igor @igormomentum]

Here are some best accounts to follow for original content on AI, engineering and design:

@karpathy — on llms
@thdx — opencode creator
@rauchg — vercel ceo
@mitchellh — ghostty, ex-hashicorp founder
@dhh — ruby on rails creator, 37signals/basecamp cto
@addyosmani — google cloud ai lead
@zeeg — sentry founder
@jarredsumner — bun founder
@BHolmesDev — astro/dev educator
@boristane — led cf workers observability
@karrisaarinen — linear founder
@kepano — obsidian founder
@trq212 — claude code updates
@bcherny — claude code creator
@lennysan — product management / interviews
@jasonfried — 37signals/basecamp ceo
@leerob — OG educator devrel (cursor, next.js)
@ctatedev ��� vercel labs
@Shpigford — serial maker/founder

Design engineering:
@shadcn — shadcn creator
@emilkowalski — emilkowal .ski
@joshpuckett — interfacecraft .dev
@jakubkrehel — jakub .kr
@raphaelsalaja — userinterface .wiki
@nandafyi — design @ cloudflare
@benjitaylor — design @ twitter, agentation
@mengto — founder aura build, educator
@jayneil — designer interviews
@jh3yy — design eng breakdowns

Engineering media and news:
@GergelyOrosz — youtube/pragmaticengineer
@theo — youtube/t3dotgg
@ThePrimeagen — youtube/ThePrimeTimeagen
@Rasmic — youtube/rasmic
@atmoio — youtube/atmoio

DB people:
@jamwt — convex CEO
@jamesacowling — convex CTO
@glcst — turso CEO
@samlambert — planetscale CEO

--

Who else would you add to this list?

[宝玉 @dotey]

飞书 CLI 开源了，为什么 AI Agent 时代，大家都在做命令行工具？

飞书刚开源了一个命令行工具 lark-cli，能让 AI Agent 直接操作飞书：发消息、查日历、写文档、建多维表格、发邮件、管任务。你跟 AI 说一句话，它自己去操作飞书完成任务。

类似的 CLI 还很多，三周前 Google 也开源了 gws，让 AI Agent 操作 Google Workspace。2026 年了，所有想接入 AI Agent 的产品，都在做 CLI。

【1】先说 CLI 是什么

CLI（Command Line Interface），就是你在电脑上打开一个黑底白字的终端窗口，敲一行命令，回车，电脑帮你干活。

比如你要查今天的日程，不用打开飞书 App 找日历，敲一行：
lark-cli calendar +agenda
日程就列出来了。

没有按钮，没有图标，没有花哨的��面。CLI 比图形界面早了二十多年，在 Windows 时代逐渐没什么人用了。但 AI Agent 时代，又火起来了。

【2】为什么 AI Agent 时代，大家都在做 CLI

AI Agent 要干活，就得有操作工具的能力。你让 AI 帮你订会议室，它需要能访问日历系统。你让它帮你整理客户数据，它需要能读写表格。你让它帮你部署代码，它需要能跑部署命令。

总得有一个接口让 AI 去调用。API 也能做这件事，但 CLI 有一个 API 不具备的优势：CLI 是自描述的。AI 碰到一个陌生的 CLI，敲一下 --help 就知道有哪些能力、怎么用、参数怎么填。API 不行，AI 得先拿到文档、弄清端点、搞懂认证方式，才能动手。CLI 自带说明书，AI 拿来就能用。

而且 CLI 天然是用文本交互的，输入是文字，输出也是文字。AI 最擅长处理的就是文字。反过来，让 AI 操作 GUI 就绕远了，得截图、用视觉模型识别按钮在哪、再模拟鼠标去点，一行命令能搞定的事拆成四步，每步都可能出错。对 AI 来说，CLI 就是天然的操作界面。

【3】那 MCP 和技能呢

让 AI Agent 操作外部服务，现在主流有三种方式：MCP、CLI、技能（Skills）。三者不是互相替代的关系，各管一件事。

CLI 是实际干活的工具。装完之后终端里就能跑命令，查日历、发消息、建表格，都是 CLI 在执行。

MCP 也是让 AI 操作外部服务的，但方式不同。MCP 是提前把工具清单注册给 AI，AI 随时能调用，但清单本身常驻上下文窗口（可以理解为 AI 的“工作记忆”，空间有限）。就算 AI 暂时不用某个工具，它的描述也占着空间。CLI 是 AI 需要的时候自己去终端敲命令，用完就走，不占上下文。

另一个区别是组合能力。CLI 可以靠管道和参数组合出没预设过的操作，比如：

lark-cli calendar agenda --next-week | grep“张三” | wc -l
一行命令就能查出下周和张三有几个会。MCP 的每个能力都需要提前注册，要实现同样的效果，得单独定义一个新工具。
不过 MCP 有自己的适用场景。在不支持命令行的环境里（比如 Cursor、Claude 桌面端），MCP 是唯一选择。两者各有所长：能访问终端的场景用 CLI 更轻量灵活，不能访问终端的场景靠 MCP。

技能是给 Agent 看的说明书。它不干活，但告诉 Agent 这个 CLI 有哪些命令、什么场景该用什么参数、出错了怎么处理。没有技能文件 Agent 也能用 CLI，靠 --help 自己摸索。有了技能文件，Agent 一上来就知道该怎么操作，成功率高得多。

简单说：CLI 是手，MCP 是另一种手，技能是肌肉记忆。飞书这次开源的项目，CLI 和技能一起提供。

【4】怎么给 AI 写好一个 CLI

不是随便写个命令行工具 AI 就能顺畅地用。如果你想给自己的产品做一个面向 AI 的 CLI，飞书的设计有几个值得参考的地方。

第一，help 文本是你最重要的文档。AI 碰到不认识的 CLI，第一件事就是运行 --help。你的 help 文本就是工具说明书、参数规格、使用指南三合一。别写那种“Usage: myctl deploy [flags]”就完事的帮助信息，要写清楚每个参数干什么、什么时候用、有什么默认值。飞书 CLI 还有一个 schema 命令，可以快速查询任何 API 方法的参数、请求体、响应结构、支持的身份和权限范围。AI 看到这些信息就能自己决定怎么调用。

第二，支持 dry-run，这是为 AI 设计的安全网。AI 会自己做决策，有时候它理解错了你的意图，或者匹配到了不该动的数据。dry-run 相当于一个“预览”机制。

举个例子，你让 AI 帮你删除飞书多维表格里上个月的过期数据。如果直接执行，删错了就���了。加上 --dry-run，AI 会先跑一遍，返回类似这样的结果：“将要删除以下 47 条记录：2025-05 的过期任务 23 条，已归档项目 24 条。未做任何实际修改。”你看了觉得没问题，再让它去掉 --dry-run 真正执行。Google 的 gws 也做了同样的设计，它的技能文件里甚至写死了一条规则：对所有写入和删除操作，必须先 dry-run。

第三，错误信息要能指导下一步操作。人看到“Permission denied”会自己去查文档。AI 看到“Permission denied”就卡住了。飞书 CLI 的做法是：告诉 AI 你缺了什么权限，顺便把申请权限的命令也给出来。比如 lark-cli auth login --scope“calendar:calendar:readonly”。AI 看到就能自己修复问题，继续干活。为 AI 设计的 CLI，每一条错误信息都应该包含三个要素：哪个参数出了问题、具体错在哪里、下一步应该执行什么命令来修复。

第四，返回结构化数据，控制好输出量��飞书 CLI 支持 json、csv、table 等多种输出格式。对人来说 table 更顺眼，对 AI Agent 来说 json 更可靠。好的 CLI 不只是能跑通，还要方便被别的工具消费。同时要控制输出量。AI 的上下文窗口有限，如果一个命令返回一万行日志，上下文就炸了。飞书 CLI 提供了分页参数（--page-limit）和过滤参数，让 AI 能拿到它需要的那部分数据就好。

不管你是设计 CLI 的人还是用 CLI 的人，记住这条：让 Agent 动手之前，先让它 dry run 一遍。

【5】装完之后，你动嘴，Agent 动手

装完之后用起来就是：你说一句话，Agent 去操作飞书把事情办了。

你开完会，跟 AI 说“把刚才会议里提到的所有待办都提出来，该发文档的发文档，该建任务的建任务”。AI 读会议纪要，拆解出待办事项，然后逐条执行：用 lark-cli doc create 在飞书里建文档，用 lark-cli task create 建任务并指派给对应的人，用 lark-cli im send 把结果通知到群里。整个过程你只说了一句话，Agent 在终端里跑了一��命令。而且因为有 dry-run，你可以让它先预览一遍要建哪些任务、发给谁，确认没问题再真正执行。

你要约一个五人跨时区的会，跟 AI 说“帮我看看下周大家什么时候有空”。AI 去查每个人的日历和时区，推荐几个时间段，你选一个，会就建好了。

你甚至可以让 AI 在飞书文档里直接帮你写初稿，你在文档里留评论提意见，AI 读完评论自己改。整个协作过程不用离开飞书。

安装也简单，npm install -g @larksuite/cli 装 CLI，npx skills add https://t.co/2JOgEl4u1X -y -g 装技能文件。你甚至不用自己记这两步，把项目地址 https://t.co/2JOgEl4u1X 发给 Agent，让它自己安装、自己学会怎么用。

【CLI 的回归】

过去四十年，计算机的界面进化方向一直是从 CLI 到 GUI，从文字到图标，从键盘到触屏，对人越来越友好。

AI Agent 时代，方向反过来了，软件的用户变成了 AI Agent。CLI 这个为���字世界设计的接口，恰好是 AI 最顺手的工具。

既然 Agent 成了软件新的用户增长点，那么像飞书提供 CLI 也不稀奇，与其等着社区来写 MCP 适配层，不如直接做一个 AI 原生的 CLI，完全开源，无需注册审批，让所有 AI Agent 都能接入。

这也带来一个绕不开的问题：Agent 的权限怎么给？不给权限，什么都做不了；权限太高，又怕 Agent 理解错意图干出不可逆的事。毕竟还做不到让 Agent 代你审批、代你发全员邮件。dry-run 能兜住一部分风险，但真正要让 Agent 在企业里大规模跑起来，权限体系、审计追踪、人机协作的边界，都还在摸索中。

但换个角度想，当年我们把公司的钱从保险柜搬到网银，把合同从纸质搬到电子签，也都是一步步摸索出来的。CLI 和 dry-run，可能就是这个过程里的第一步。

而飞书做这件事，其实有一个别人不太容易复制的优势：它本身在企业协作���域已经足够成熟，消息、文档、日历、审批、多维表格、任务，这些能力都是现成的。现在把这些能力通过 AI 原生的 CLI 全部开放出来，大概率会成为国内对 AI Agent 最开放、最友好的企业级接入入口。这件事的价值不止是多一个工具，更像是真正在为 Agent 时代搭建企业级基础设施，把权限、审计、组织能力开放给整个生态，对行业落地 AI Agent 会是很关键的一步。

[宝玉 @dotey]

我实在是受不了“有了 AI 学英语可能真没用了”这样的观点，自己信就罢了，千万别去用这种观点祸祸下一代

先看原始观点：
> ai时代，普通人学英语可能真没用了
> 假设数年后有这么一个眼镜，你看到的外文全部即时显示为中文，你听到的所有外语都完美地转化为相同音色传入耳朵，你说的中文完美地用你的音色转为外语。这是可以实现的，或早或晚。那大部分的普通人为啥学外语。

【1】首先怎么可能会有“完美翻译”，AGI 也做不到

机器翻译到今天仍然存在幻觉和偏离原文���问题，这是研究界公认的难题，技术手段只能降低，但是无法避免，毕竟人说话都可能会被误解。

日常聊天翻错了，最多闹个笑话。但在一些高风险场景：租房合同、保险条款、海外就医、签证材料、孩子的学校文件。这些场合出错了会实实在在造成损失的

【2】然后不要把什么都交给 AI，且不说科幻小说中的邪恶 AI，就现在的 AI 也有对齐和审查，你不懂英语就失去了校验能力

这一点很多人没意识到，但可能是最关键的。

每一家 AI 公司都会根据自身政策、所在国法规、商业利益来设定模型的行为边界。哪些内容可以翻译，哪些会被淡化，哪些干脆不呈现，这些都不由你决定。你以为戴上翻译眼镜看到的是原文的中文版，实际上你看到的是 AI 公司允许你看到的版本。

如果你懂一点英语，不需要句句都能写作文，但至少要能读原文、对照翻译、发现不一致。

就好比你用计算器、Excel 帮你算账，会一点数学至少能发现不对，还能手动检查一下。

【3】英语仍然是信息密度最高的入口

就算翻译质量很好，直接读原文依旧更快、更完整，因为翻译是额外工序，经常会把细节抹平。

细节上，技术文档、论文、合同条款，差一个词意思可能完全不同。

时效上，最新资料和讨论几乎都先以英文出现，像 X 上的就很多高质量的 AI 相关推文，我平时不需要借助翻译大概扫一眼就能知道哪些是值得阅读，哪些无关紧要，重要的可以借助翻译认真阅读。

英语至少给你一个不求人的入口。

工作和社交里，语言不只传递信息，还传递分寸、态度、幽默、立场。翻译工具能���你开口，但很难帮你建立信任。

【4】学英语的意义不只是翻译

AI 能写代码了，不用学编程？AI 能画画了，不用学美术？AI 能作曲了，不用学音乐？如果每一项能力都因为 AI 能代劳就不值得学，人还需要学什么呢？

这个论证的底层问题是把学习的价值完全简化成了实用产出，忽略了学习过程对人的塑造。

学一门语言，你获得的是另一种看世界的方式。英语强调主语和动作的明确性，中文更重视语境和隐含关系，不同语言有不同的认知框架。这不是翻译能替代的。

不是说一定要把英语口语练到像母语那么熟练，但至少能读懂原文要点（技术文章、新闻、合同、说明书），能听懂关键句（会议要点、风险提示），能用英文做交叉验证（AI 翻译和 AI 回答有没有被改写或遗漏），必要时能写简洁准确的英文（邮件、工单、简历）。

AI 能翻译不���于没必要学外语。现实不是非此即彼，工具降低了门槛，但不会让能力变得一文不值。AI 翻译让英语更容易用，但不会让英语没用。

[宝玉 @dotey]

> 不出三年,软件工程专业,大概就是新的五笔打字培训班。

说这种话的人，大概率不真正理解“软件工程”这四个字里，“工程”两个字的含量。

工程是把一件模糊的、不确定的事情，通过有计划、有步骤的方法，靠谱地做成。

软件工程就是把这套思路用在软件开发上，需求怎么理清、架构怎么设计、质量怎么保证、团队怎么协作、项目怎么推进，这是一整套系统性的能力。

AI 现在确实强，但它强在软件生命周期里的编码环节（还有很大进步空间），或者说某几个具体阶段。但编码只是软件工程的一个环节，AI 并不能主导整个生命周期，从需求分析、系统设计、技术决策、团队管理到长期维护，这些事情远不是写代码快就能解决的。至少在相当长的时间内都不行。

把软件工程类比成五笔打字，这是把“编程”和“软件工程”搞混了。

这就好比说有了 3D 打印，建筑学专业就是新的砌墙培训班。能快速盖出一面墙，和设计一栋安全、合理、可维护的建筑，完全是两回事。

[Eric | Build @EricLiang900]

@biggor888 3个vps呢

[Eric | Build @EricLiang900]

也知道问题在哪，也给��方案，为啥一开始不给出来

[Eric | Build @EricLiang900]

项目做了一半，部署架构存在问题 ，自己在这方面有盲区，会被AI带偏

[Eric | Build @EricLiang900]

@fkysly 很有体会，现在会在开始约束很多 ，给他上DRY SOLID原则要求，eslint禁止修改，尊照最佳实践，分页要统一实现，响应结��一致...

[Eric | Build @EricLiang900]

我每天都用AI生成大量代码和内容，自己对输出负责

[Eric | Build @EricLiang900]

AI生成几点感触：1.廉价感：投入少，没花时间成本写作，对内容不上心；2. 不平衡感：作者投入1分钟生成，读者花5分钟才读完
其实：发现不必关注是否AI生成，关注是否言之有物，内容有价值。当然这个判断需要花工夫
在以前用PS的人还不多的时代，看到照片就会问这是不是P的，今天我们也不再问是否P的了

[Eric | Build @EricLiang900]

没有蓝标，一次发文字都少的可怜

[Eric | Build @EricLiang900]

@interjc 1.17早上是这样了。在找日志看什么原因

[NerdC @cryptonerdcn]

#垃圾营销
AI时代生存法则：远离一切【创业经验，营销心得，人脉积累】。
现在，一个完全没有任何 创业/营销 经历的人，现在也能通过AI的洗稿，24小时不间断的炮制上述内容——你fo的十万粉大V，也许就是这种垃圾营销人。
纯AI生成的垃圾是明雷，你能看见你能躲；被人类精心包装过的AI垃圾是暗雷，踩了会断腿。
和Vibe Coding不同，程序跑不通就是跑不通；但学垃圾方法论是死缓，你根本无法验证��杯鸡汤里到底兑了多少地沟油。
这种似是而非的垃圾方法论一旦入脑，你的认知地基就成了豆腐渣。这辈子不是毁在不努力，而是毁在很努力地，去当垃圾。

[Eric | Build @EricLiang900]

@xionghuanwei 内容创作的门槛越来越低，也会越廉价，这是趋势

[Eric | Build @EricLiang900]

@MarceloDesignX awesome, How are these web effects made? What tools or libraries to use

[Eric | Build @EricLiang900]

So the total number of dots is:

2 × (1 + 2 + ... + n) = n(n + 1)

Divide by 2, and the formula appears naturally.
No algebra tricks.
Just symmetry.
This is why the formula has to be true.

[Eric | Build @EricLiang900]

why does 1+2+⋯+n=n(n+1)​/2 always work?

[Eric | Build @EricLiang900]

Here’s a geometric way to see it 👇
Think of the sum as a triangle of dots.
Row 1 has 1 dot,
…
row n has n dots.
Now duplicate the triangle and flip it upside down.

Together, the two triangles form a rectangle:
n rows × (n + 1) columns.