rwkaiasj

A programmer

[洛小山 @luoxiaoshan_ai]

https://t.co/RY2bT5rf37 小山学堂被官媒报道了，惊。

[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。

[知识猫AI实验室 @GeekCatX]

我又把这套流程优化了一版。

目前来看，这应该是我跑通过的，成本最低、操作也最简单的一套 Vox 风格视频制作方案。

整个流程只有 4 步：

第一步，用 vox-style skill 配合 Codex，拆解画面并生成分镜提示词。

第二步，用 Codex Image 2 批量产出分镜图。

第三步，把分镜图放进 Google Flow，用 Gemini Omni Flash 逐个生成视频片段。

第四步，下载全部片段，交给 ChatCut 一键剪辑成片。

简单来说就是：

拆分镜 → 生图片 → 转视频 → 自动剪辑。

不需要自己从零设计画面，也不用在剪辑软件里反复对齐素材。

Google AI Pro 目前每月有 1000 个 Flow 积分，用来制作和测试短视频，成本已经能压得很低。

当然，具体能生成多少条，还是取决于视频时长、返工次数和你选择的模型。

但如果你想低成本尝试 AI 视频，而不是一开始就买一堆昂贵工具，这套工作流很值得跑一遍。

晚点我会把完整流程放到猫社群，直接开放给群友使用。

如果你也想探索 AI 视频、自媒体内容和低成本内容生产，欢迎加入猫社。

我们不只追新工具，更重要的是把工具真正变成能用的工作流。

[知识猫AI实验室 @GeekCatX]

兄弟们，来算一笔账：

制作一条这种Vox风格的视频，到底需要多少钱？

先说我的完整流程：

用vox-style skill配合Codex拆解原视频，生成分镜和提示词；

再用Codex Image 2产出分镜图；

把分镜图放进Google Flow，使用Gemini Omni Flash生成视频片段；

最后下载全部素材，交给ChatCut完成拼接、配音和剪辑。

接下来算成本。

Codex是我本来就在用的，所以不把每月20美元的订阅费摊进视频成本。

ChatCut目前只负责基础拼接和配音，这部分也暂时不计算费用。

这里只计算为了生成视频，额外增加的Google Flow成本。

一个Google AI Pro账号，每月有1000积分。

按照我目前使用的生成方式，一个10秒视频片段消耗15积分。

理论上，一个账号能生成60多个片段。

但我们不按理论极限算。

把废片、返工和效果不满意的情况全部考虑进去，一个账号每月保守只按30个可用的10秒片段计算。

我用了3个账号：

30×3＝90个可用片段。

一条50秒视频，需要5个10秒片段。

90÷5＝18条视频。

也就是说，保守计算，这套配置每个月大约可以制作18条50秒视频。

我这次购入3个账号，总成本不到60元，可以使用18个月。

18条×18个月＝324条视频。

60元÷324条≈0.19元。

没错。

在不计算Codex订阅和人工时间的情况下，制作一条50秒视频，额外工具成本不到2毛钱。

而且这里已经把废片和返工算进去了，不是按照一次生成成功的理论极限计算。

最后再用ChatCut完成基础拼接和配音。

整个流程就是：

Codex拆分镜，Image 2出图，Google Flow生成，ChatCut剪辑。

不到2毛钱的额外工具成本，一个人就能跑通整条AI视频生产线。

这套工作流我晚点也会放进猫社，开放给群友使用。

如果你也想探索AI视频、低成本内容生产和自媒体，可以来猫社一起实测、一起迭代。

真正拉开差距的，不是你收藏了多少AI工具。

而是你能不能把它们组合成一套成本足够低、能够长期持续产出的工作流。

[Line @0xLinehigher]

非常建议每一个选择计算机系的大学生，在大学时期将cs336啃完，不开中文字幕，只开英文字幕。啃完之后，你对LLM的理解和英语能力至少在国内前百分之1%。

这门课超过国内任何一所大学里面计算机的课程。

《Stanford CS336: Language Modeling from Scratch》 是一门斯坦福大学计算机科学系的课程，这门课每一年春季都会有，每一年都会在油管免费开放。

里面的内容非常前沿而且实用，目前油管上的版本是25年的版本，第一节课提到的模型已经是GPT-4。而与此同时，国内的计算机课程还在用着至少5年前的PPT。

依稀记得，我的第一节C语言课程，PPT的里面的演示系统是XP...

啃完CS336，你会收获LLM的全栈技术栈，从数据收集，清洗，模型训练，优化，评估到部署，Transforemer架构，注意力机制，各种目前最新的机器学习训练方法

这门课的目标就是从头让你手搓一个LLM，亲手实现完整的pipeline。

两位主要讲师：
1、Percy Liang
MIT 本科 + MEng，UC Berkeley 博士（2011）。曾在 Google 做 post-doc，后加入 Stanford 任教。

2、Tatsu
Harvard 本科（统计与数学），MIT 博士（co-advised by Tommi Jaakkola 和 David Gifford），之后在 Stanford 做 Percy Liang 和 John Duchi 的 post-doc

耐心啃完这个，所有计算机课程几乎都不需要上了...因为在过程中必然会遇到很多不懂的点，边学边查，然后顺带就把学校关于机器学习和深度学习的专业课给学完了。

如果刚上大一，可以先看cs50，然后再到cs336，先稍微打点计算机的基础。

与此同时，一定要把线性代数学好，将高数丢了都要把线性代数学好，线性代数是机器学习的底层DNA。

如果线性代数没有学好，会比较难理解神经网络，相当于没学好加减乘除就想去求导。

[Tw93 @HiTw93]

挺有趣，听朋友说我这几篇文章成为了现在 AI 岗位面试准备必读的文章，那我来汇总一下给大伙好啦，希望有帮助，当然也祝福最近从传统岗位工程师转型成 AI 岗位的小伙伴找到自己满意的工作。

1. 你不知道的 Claude Code：架构、治理与工程实践
https://t.co/p0RWjHcklI

2. 你不知道的 Agent：原理、架构与工程实践
https://t.co/4FXcGYqbaJ

3. 你不知道的大模型训练：原理、路径与新实践
https://t.co/DJuvPaBvhu

4. 你不知道的 AI Coding：非技术人的上手、场景与实战
https://t.co/TLi4q9XOtJ

5. 你不知道的 GEO：AI 可见性的原理、实践与取舍
https://t.co/VrLUqgucwR

6. 你不知道的具身智能：从小机器狗到 Optimus
https://t.co/bRBbRZXIZg

[Shuo Chen @bnu_chenshuo]

Hamming 80 岁那年录了一个总长 30+ 小时系列讲座 https://t.co/E8HHXUd4e4 ，后来汇集成 The Art of Doing Science and Engineering: Learning to Learn 这本书。https://t.co/ZXmISjG97c

[Tw93 @HiTw93]

Waza (技, わざ) is a Japanese martial arts term for technique: a move practiced until it becomes instinct.

给大伙同步一下最近我的工程师 Skills Waza 的更新记录，距离发布不到两周就已经 3300 star 了，很感谢大伙的使用以及大量建议，当前又迭代了 5 个版本，没有加新功能，一直在打磨 Waza 自己的 8 个技能。

Design 支持了 Impeccable、GetDesign 的能力，你需要设计的时候，甚至会直接拉做得好的网站的 design seed 过来直接用，非常方便，有一种按需引用当前最适合你这个设计风格当前业界最好的设计技巧来使用。

Think 最大的变化是，有小伙伴建议弄方案之前可以先查一下官方有没有现成的最佳实践，防止造轮子，我这里借助 Context7 去查的，然后也把之前一些我认为约定过死的逻辑干掉了，我更相信模型本身的能力，而非各种规则限制他的天花板。

Hunt 这个找Bug的技能给留了一手，假如3轮假设都没有解决问题，会走一个固定的 Handoff，把已验证的证据、未知项、下一步方向都列清楚，方便起另一个 session 接着查。

Learn 深度学习技能，甚至现在可以去找付费墙的东西了，不会绕过，然后对于长任务讲不清的时候，会停下来，思考一下和你先交流一下。这里也会结合 Read 技能，让这里自动被命中的概率加大很多，Read 也支持了把内容的原图给下到 markdown 里面。

Health 这个检查你的 Claude 配置以及使用是否是最佳实践的技能，瘦身了 40%，inspector-context 加了 Part C，专门审计上下文是不是真的有效、有没有一堆无关内容在那占位，collect-data 会把所有 failure-mode 文档吸收进来，让决策更清晰。

大概就是这些，假如没有用过的小伙伴，欢迎去试试看，玩玩。
https://t.co/auohUmOrNm

[Cheng Lou @_chenglou]

My dear front-end developers (and anyone who’s interested in the future of interfaces):

I have crawled through depths of hell to bring you, for the foreseeable years, one of the more important foundational pieces of UI engineering (if not in implementation then certainly at least in concept):
Fast, accurate and comprehensive userland text measurement algorithm in pure TypeScript, usable for laying out entire web pages without CSS, bypassing DOM measurements and reflow

[Thariq @trq212]

I put a lot of heart into my technical writing, I hope it's useful to you all.

📌 Here's a pinned thread of everything I've written.

(much of this will be posted on the Claude blog soon as well)

[onevcat @onevcat]

实际用 jj https://t.co/lvyiGgOBML 也有一段时间了，写了一篇关于 jj 的安利。Git 是协作的标准，但在本地和 AI agent 配合干活这件事上，意外地 jj 的心智模型明显更合适。简单高效不中断，给 agent 的提示词终于可以只聊业务不聊流程了。文中有实际场景对比和一个配套的 agent skill，也欢迎取用。
https://t.co/RETJ9Vd02R

[Ding @dingyi]

再次总结一下现在市面上的 design skills：

1. Impeccable
增强版 frontend-design skill，17 个设计命令（/polish、/audit、/distill 等）。
https://t.co/Vo6UIAcDvu

2. UI Skills
包含 15 个独立 skills：baseline-ui（Tailwind 设计一致性）、fixing-accessibility（无障碍审计）、fixing-metadata（SEO 元数据）、fixing-motion-performance（动画性能）、12-principles-of-animation（迪士尼动画原则）等。
https://t.co/3X5o3UyX3l

3. Taste Skill
包含 taste-skill（前端设计）、redesign-skill（升级现有项目）、output-skill（强制 AI 写完整代码）、soft-skill（让东西看起来和感觉昂贵。涵盖高级字体、宽阔的空白、层叠的卡片设计、流畅的弹簧动画以及漂浮导航。）。
https://t.co/bElD1T4EVZ

4. Better Icons
MCP server + skill，搜索并获取 20 万+ 图标，支持自动学习常用图标库，直接同步到项目 icons 文件。
https://t.co/dF2iFCHazY

5. UI Design Brain
60+ 组件最佳实践库，包含布局模式、无障碍规则和反模式，支持 5 种设计风格（SaaS、极简、企业、创意、数据仪表盘）。
https://t.co/yHVPZUgzXB

6. AI kit by Motion ($299)
Motion+ 会员专属，包含动画专家 skill、性能审计、CSS spring 生成、过渡可视化和文档搜索工具。
https://t.co/H48KM7V4j8

[Tw93 @HiTw93]

https://t.co/RTkJ3NQKeS

[Randy Lu @randyloop]

最近的一个体会：写 React 应用，用 https://t.co/devB5PScxU 比 shadcn 省心多了。（刚把 ccmate 用 mantine 替换掉了 shadcn）

[Boris Cherny @bcherny]

I'm Boris and I created Claude Code. I wanted to quickly share a few tips for using Claude Code, sourced directly from the Claude Code team. The way the team uses Claude is different than how I use it. Remember: there is no one right way to use Claude Code -- everyones' setup is different. You should experiment to see what works for you!

[Vercel @vercel]

We just released 𝚛𝚎𝚊𝚌𝚝-𝚋𝚎𝚜𝚝-𝚙𝚛𝚊𝚌𝚝𝚒𝚌𝚎𝚜, a repo for coding agents.

React performance rules and evals to catch regressions, like accidental waterfalls and growing client bundles.

How we collected them and how to install the skill ↓
https://t.co/kfLSbKl15X

[Elliot 艾略特 @elliotchen100]

竟然有做 cookie 同意弹窗的库，免费，开源

处理 cookie 同意弹窗，
最烦的是不同的地区要求不一样，
比如 GDPR 和 ePrivacy

这个库解决了繁琐问题，提示条/弹窗，
文案，多语言都可配置​
​
更意外的是，搜了一下，类似的库还不止一个，
好几个类似的库，前端宇宙真是丰富

这设计也是非常应景了，看得我想去拿杯牛奶🥛
推荐一下

https://t.co/SotB86mrfy

[XDash @XDash]

发现一位斯坦福 AI 女极客 @mollycantillon，她刚写了篇狠文，讲她几个月来，怎么用 Claude Code 搭了套「个人全景监控系统」。

- 她通过定时任务自动拉取 Amplitude 数据，交叉比对 GitHub，精准指出需要开发的功能，处理 A/B 测试，生成文案，客服部门完全自主运行。

- 邮箱首次实现收件箱清零（Inbox Zero），所有来信自动生成回复草稿。

- 训练计划根据混乱的旅行日程自动调整。

- 睡眠方面在 WHOOP 追踪数据六小时后触发投影仪，用她最爱的箴言唤醒自己。

- 订阅管理帮她找回两千美元自己都不知道的持续扣款，还有那些曾被忽视的、旧金山交通罚单和拖延到快被遗忘的待办事项。

- 控制智能家居系统，甚至照料植物生长。

- 个人财务现在在终端里管理。每天深夜系统会撬开互不相通的券商系统，抓取国会文件和对冲基金持仓报告，收集 Polymarket 预测概率、X 平台舆情动态、关注列表的新闻头条和 10-K 年报。

- 清晨 ~/trades 目录里都会新增一份简报。上月它标记出菲尔兹议员增持奈飞股票，三周后华纳兄弟收购案就公布了。她说自己不总是跟单交易，有时会和它的分析逻辑辩论，但再也不必在清晨六点同时盯住十五个浏览器标签了。

- 爱泼斯坦档案解密那晚最疯狂。她和五个朋友彻夜剖析成千上万份文档，解析成可检索的索引：航班记录、短信往来、照片资料、亚马逊购物清单、房产信息。

- 凌晨四点时他们跑赢了整个新闻编辑室的效率。清晨七点推出 Jmail 邮箱检索工具，至今已有 1800 万人搜索过那个逝者的收件箱。若在十年前这需要整个团队和大量筹备时间，而他们仅用一夜就完成了。

- 圣诞节她看着父母学习命令行。她没有将其包装成编程教学，只是设置了简单的别名指令'c'，告诉他们用日常英语描述想实现的操作。

她同时并行运行着八个实例：nox、metrics、email、growth、trades、health、writing、personal。每个实例独立运行，能够生成短期存活的子智能体，并通过明确的交接流程交换上下文。

在机场在她入睡时 caffeinate -i 参数持续保持系统唤醒状态，任务完成后发送短信，她回复检查点后继续推进。所有思考痕迹均被记录并归档，为实现递归式自我优化提供基础。

简直太酷了。

[泊舟 @bozhou_ai]

卧槽，我发现一个快速复刻抖音143万粉丝账号的方法

我在抖音上看到一个账号叫"快乐学英语"，其实就是播放英文绘本，主要面向小孩子。比如其中一个《学会拒绝的小象》，单个视频就获得了54万点赞。

我研究了一下制作流程：先用提示词根据主题生成绘本故事，再生成分镜脚本，接着用 Nano Banana 生成主角图片和每个分镜的画面，然后生成视频，用 TTS 配音，最后把视频、音频、字幕剪辑组装起来。

听起来超级复杂对吧？但我用 Medeo，一条提示词就搞定了。

Medeo 最牛的地方在于它的多轮对话式交互——你就像在和一个懂视频制作的朋友聊天一样。我直接告诉它："帮我创作一个关于小象学会拒绝的英文绘本视频，画风要温馨可爱，用亲和力强的女声配音。"它就开始干活了。

更厉害的是，Medeo 有长上下文记忆能力，整个创作过程中，我可以随时用自然语言调整细节。比如我觉得配音不够温柔，直接在对话框里说"换个更有亲和力的配音"，它立刻就能帮我重新生成，而且会保持场景和人物的一致性——小象还是那只小象，背景还是那个背景，完全不会乱。

这就是 Medeo 的核心优势：多轮对话修改 + 角色场景一致 + 全流程记忆。你不需要重复描述角色长什么样，不需要担心前后不一致，更不需要在各种剪辑软件之间来回跳转。就像言出法随一样，想到什么改什么，让你真正专注于创作灵感，而不是被繁琐的技术细节困住。

下面是我生成的英语绘本视频，提示词在评论区，你也可以去试试
链接放在这里了：https://t.co/D1VVIcWU8T