陈小生

AlexChan

[陈小生 @stutiredboy]

相信我，如果你不明确知道你需要用 btrfs 来做什么，以及未来你使用它的功能范围是不是会扩张，那你千万不要在生产环境用 btrfs。

[dax @thdxr]

if you're setting up a new linux machine pick btrfs instead of ex4

trust me

[南达Didi @nanda_didi0]

@iamcheyan

[Lonely @Lonely__MH]

大晚上看到这篇《大模型踩坑记》文章，太有意思了😂。

作者 @0xTYZ 踩坑记录写得很真实，几个问题背后的根因值得展开说说：

1️⃣坑一根因：国产模型对 system prompt 的指令理解普遍偏「字面量」。Claude/GPT 会做语义推断，「何时通知」规则里没明说问候，它也知道问候算一种需要响应的事件；但部分国产模型的 instruction following 更像正则匹配，条件不命中就静默。本质是 RLHF 对边缘 case 的泛化能力差距。

2️⃣坑二原因：变量替换混乱，说明模型没有真正区分「模板占位符文本」和「运行时值」。`你的姓名` 是 prompt 里的占位符描述，模型应该在推理阶段用实际值替换，结果直接原样输出，上下文追踪能力不够。

3️⃣坑三原因：大概率是安全审核在工具调用链路上触发了误杀，我自己在使用中经常遇到。国产模型内容审核粒度粗，遇到某些词汇组合直接截断，连 function call 的 payload 也不放过，所以看起来就是「莫名停止」。这种黑盒行为在生产环境简直是灾难，你不知道它什么时候会出现。

4️⃣坑四/五原因：工具调用稳定性和输出格式遵循度，这两项几乎是目前所有国产模型的通病，个人感觉是在 function calling / structured output 的对齐训练上投入不足。

🔥一点看法：
国产模型这两年进步有目共睹，但进步速度和生产可用是两件事。指令遵循的稳定性、边缘 case 的处理、审核系统的可预测性，这三项和顶尖模型的差距，不是几个 benchmark 分数能遮住的。

玩归玩，闹归闹，生产环境选模型，稳定性优先，别为情怀买单。

以上。

[Priyanka Vergadia @pvergadia]

🤯BREAKING: Alibaba just proved that AI Coding isn't taking your job, it's just writing the legacy code that will keep you employed fixing it for the next decade. 🤣

Passing a coding test once is easy. Maintaining that code for 8 months without it exploding? Apparently, it’s nearly impossible for AI.

Alibaba tested 18 AI agents on 100 real codebases over 233-day cycles. They didn't just look for "quick fixes"—they looked for long-term survival.

The results were a bloodbath:

75% of models broke previously working code during maintenance.

Only Claude Opus 4.5/4.6 maintained a >50% zero-regression rate.

Every other model accumulated technical debt that compounded until the codebase collapsed.

We’ve been using "snapshot" benchmarks like HumanEval that only ask "Does it work right now?"

The new SWE-CI benchmark asks: "Does it still work after 8 months of evolution?"

Most AI agents are "Quick-Fix Artists." They write brittle code that passes tests today but becomes a maintenance nightmare tomorrow. They aren't building software; they're building a house of cards.

The narrative just got honest: Most models can write code. Almost none can maintain it.

[陈成 @chenchengpro]

真钱买假模型的事，终于有论文证实了。

研究人员审计了 17 个第三方 LLM 代理 API，发现：

• 近 46% 的端点指纹测试不通过
• 声称是 GPT-5 / Gemini-2.5，后台偷偷换成 GLM-4
• 医疗基准准确率从 83% 暴跌到 37%

这些假 API 被引用进了 187 篇学术论文，部分相关项目拿了近 6 万 GitHub Star。

科研结论建立在假模型上，这才是最大的问题。

论文：https://t.co/7PQMRJOmH5

[sleepy.md @sleepy0x13]

历史上每一次技术革命，都有人预言灾难。他们说印刷机会让知识贬值，电话会摧毁面对面的交流，互联网会让人与人之间的关系变淡。

斯坦福大学经济学家查尔斯·琼斯在他的论文《AI与我们的经济未来》中，提出了一个「弱链接理论」。

这个理论认为，任何复杂的生产过程，都是由一系列互补的任务构成的，就像一条链条。这条链条的整体效率，不是由最强的那个环节决定的，而是由最弱的那个环节决定的。

其实和我们之前总讲的木桶理论差不多，决定上限的是最短的那块板子。

这个理论，为我们理解AI会对现实世界造成哪些影响提供了一个极其重要的视角。

AI可能会让某些任务的效率提升一万倍，比如写代码、分析数据、生成图像。但只要这个生产链条上，还存在一个无法被AI自动化的「弱链接」，比如，需要人类进行复杂的线下谈判、需要等待政府的监管审批、需要依赖物理世界的施工建造，那么整个链条的效率提升，就会被这个「弱链接」牢牢地限制住。

换句话说，AI带来的影响可能远没有我们想象的那么快速、夸张，而是一个更加渐进的、被各种现实世界的「弱链接」所驯服的过程。

皮尤研究中心还做过一个调查，近四分之三的受访者表示，愿意让AI至少在一定程度上协助他们的日常任务。

我们能看到的，不是一个被AI吓坏了的群体。这是一群正在学习和AI共处的普通人。

我想起一个朋友，他在一家餐厅做了十几年的厨师，现在在东城的胡同里开着一家自己的餐厅。我问他有没有担心过被AI取代，他想了想，说：「我更担心的是食材涨价。」

这是一种非常朴素的、关于自己能控制什么的判断。

技术的发展从来不会是一条直线。它是一团乱麻，里面有恐惧、有贪婪、有意外、有韧性，还有很多很多普通人，在每一个时代里，用他们自己的方式，继续过日子。

加缪写过一句话：「对未来最大的慷慨，是把一切献给现在。」

[陈小生 @stutiredboy]

Google 的风控做的很极致，机器人动不动就弹验证码，然后降级至 Bing

[迈克 Mike Chong @mike_chong_zh]

https://t.co/1d4XZgH1az

[Pangyu 胖鱼 🐠 @pangyusio]

杨振宁说过一句话：学习最重要的不是带来知识的增长，而是直觉的改变。

这句话我琢磨了很久，越想越觉得精准。

大多数人理解的"学会了"，是能背出来、能考过、能跟别人聊。但真正学会一样东西，标志只有一个：你的直觉变了。

举个例子。一个从没学过概率的人，听到"连开十把大，下一把一定开小"，直觉会觉得有道理。但学过概率论的人，直觉就知道这是错的——每一把都是独立事件。

这两个人之间的差距，不是"知不知道赌徒谬误这个词"，而是面对同一个现象时，脑子里自动跳出来的第一反应完全不同。

这才是学习真正发生的地方。

很多知识是反直觉的。进化给我们的直觉，是为了在丛林里活下来的，不是为了理解复杂世界的。所以学习的本质，其实是一个不断覆写原始直觉的过程。

能把直觉调到正确位置的人，决策质量会高出一个量级。而那些只是"知道"但直觉没变的人，关键时刻还是会按老本能行事。

大师之所以是大师，就是能把这种深层的东西，用一句话讲透。

[数字生命卡兹克 @Khazix0918]

https://t.co/aRnJMqOFGs

[程序员鱼皮 @yupi996]

用 AI 做项目，功能越加越多，改着改着把之前的逻辑搞坏了😂 问 AI 之前为什么这么写，它也说不清楚……

有个轻量开源框架叫 OpenSpec，专门解决这个问题。它的核心思路是：每次改功能，先写变更提案，确认后再写代码，写完自动同步到文档，让文档和代码始终保持一致。

具体分 4 步走：
1. 起草变更提案：描述要改什么、为什么改
2. 审查确认：仔细看看有没有问题
3. 实现变更：AI 按任务列表逐个完成
4. 归档同步：自动把变更记录合并到主文档

每次变更都有记录，之后再回来看也能快速理解当时的决策，再也不用猜之前为什么这么改。

这玩意比 Spec-kit 那套 7 步流程轻量很多，特别适合在老项目上加功能、迭代优化。从 0 开始做大项目的话，可以看看 Spec-kit。

[meng shao @shao__meng]

Boris Cherny 的 Claude Code 十个使用技巧

1. 并行工作流
核心建议：同时运行 3-5 个 git worktree，每个运行独立的 Claude 会话。
为什么重要：这被团队称为"最大的生产力解锁"。通过并行处理多个任务，开发者可以在等待一个 Claude 会话完成时，切换到另一个任务继续工作。
实践细节：
· 有人设置 shell 别名（za, zb, zc）实现一键切换
· 有人专门设立"分析专用"worktree，只用于读日志和运行 BigQuery
· 这个需求重要到团队成员 @amorriscode 专门在 Claude Desktop 中内置了原生支持

2. Plan Mode 优先
核心建议：复杂任务先进入 plan mode，把精力投入到计划阶段，让 Claude 能够一次性完成实现。
高级用法：
· 让一个 Claude 写计划，再启动第二个 Claude 以 Staff Engineer 身份审核
· 任务出问题时立即切回 plan mode 重新规划，不要硬推
· 验证步骤也要显式告诉 Claude 进入 plan mode
深层含义：这揭示了一个反直觉的事实——与 AI 协作时，前期规划的投入产出比远高于后期修补。

3. 持续维护 CLAUDE. md
核心建议：每次纠正 Claude 后，都要求它更新 CLAUDE. md 规则文件，形成自我学习闭环。
关键洞察："Claude is eerily good at writing rules for itself"。
进阶实践：
· 持续精简和迭代规则，直到错误率可测量地下降
· 有人让 Claude 为每个任务/项目维护 notes 目录，每次 PR 后更新，然后将 https://t.co/hTD861LFJV 指向它

4. 构建可复用的 Skills 和 Commands
核心建议：创建自定义技能并提交到 git，跨项目复用。
团队实践案例：
· 自动化法则：一天做两次以上的事，就做成 skill 或 command
· /techdebt 命令：每次会话结束时运行，查找并消除重复代码
· 上下文聚合命令：同步 7 天的 Slack、GDrive、Asana、GitHub 到一个上下文
· Analytics Engineer 风格的 Agent：编写 dbt 模型、代码审查、在 dev 环境测试

5. 自动化 Bug 修复流程
核心建议：让 Claude 自己修复大多数 bug，减少人工介入。
具体方法：
· 启用 Slack MCP，直接粘贴 bug 讨论帖，说"fix"即可
· 对 CI 失败直接说"Go fix the failing CI tests"，不要微观管理具体步骤
· 让 Claude 分析 Docker logs 来排查分布式系统问题——"surprisingly capable"

6. 提升 Prompting 技巧
这是信息量最大的一条，包含三个层次：
a. 让 Claude 成为你的审核者
· "Grill me on these changes and don't make a PR until I pass your test"
· "Prove to me this works"——让 Claude diff 主分支和特性分支的行为差异

b. 推动更优解在得到一般性修复后说：
· "Knowing everything you know now, scrap this and implement the elegant solution"
· 这利用了 Claude 在对话过程中积累的上下文理解

c. 减少歧义
· 交接工作前写详细 spec，越具体输出越好

7. 终端与环境配置
工具推荐：
· Ghostty 终端：团队成员喜爱其同步渲染、24-bit 色彩和完整 Unicode 支持
· /statusline 定制状态栏，始终显示 context usage 和当前 git branch
· 终端标签页颜色编码和命名（配合 tmux），一个标签页对应一个任务/worktree

被低估的技巧：语音输入
· 说话速度是打字的 3 倍
· 结果是 prompts 变得更详细
· macOS 上双击 fn 键即可激活

8. 子智能体的使用
三种用法：
· 在请求后附加"use subagents"，让 Claude 投入更多算力
· 将独立任务分配给 subagents，保持主 agent 的上下文窗口干净聚焦
· 通过 hook 将权限请求路由到 Opus 4.5，让它扫描攻击并自动批准安全操作
深层意义：这是一种"agent 编排"思维——主 agent 负责协调，子 agent 负责具体执行。

9. 数据分析场景
核心实践：让 Claude Code 使用 bq CLI 直接拉取和分析指标。
实际效果：Boris 本人已超过 6 个月没写过一行 SQL。
通用性：适用于任何有 CLI、MCP 或 API 的数据库。

10. 学习辅助 - 四种学习方法：
· 在 /config 中启用"Explanatory"或"Learning"输出风格，让 Claude 解释改动背后的原因
· 让 Claude 生成可视化 HTML 演示来解释不熟悉的代码
· 让 Claude 画 ASCII 图来解释新协议和代码库
· 构建间隔重复学习 skill：你解释理解，Claude 追问填补空白，存储结果

[陈小生 @stutiredboy]

没挣到钱，订阅费还花了不少过于真实😂

[LIN WEI @skywind3000]

缓解 ai 焦虑的方法是不追新，比别人晚三个月再动手不迟，因为：1）你天天 0 day 追这些最新工具，这么久了你也没靠它们挣到钱或者更有空闲啊，反倒是订阅费乱花了不少；2）大部分工具出来几个月可能就被更新的东西取代了，浪费时间干嘛？真是挺过三个月还依然坚挺的工具才有学的价值，资料也会更多。

[陈小生 @stutiredboy]

@manateelazycat nas?

[陈小生 @stutiredboy]

费了九牛二虎之力，把我N年前的小号翻出来，终于搭上了 Gemini Pro的车

[karminski-牙医 @karminski3]

一觉醒来发现字节的扣子(coze)开源了, 看了下项目语言构成，TS+Go 基本跟当初预判得没错。

话说回来，我放弃低代码的根本原因是觉得AI时代下应用的构成完全不是低代码的模式了。所以低代码再怎么+AI，也没意义。未来的后台,工作流,定时任务,SAAS都必然是AI原生的, 不会再有上来就拖拽元素搭建这种工作流程了.

开源的 github 地址：https://t.co/m4UekqueCN

[陈小生 @stutiredboy]

刚上初中的时候，彼时家里还是很困难，但我的父亲给我买了一块表，还记得他说“你需要一块手表。” 一直到现在，我始终都认为一个男孩子长大了，他应该拥有自己的一块表，今天儿子开始上初一了，我给他买了块简简单单的卡西欧。

[Luckylab_Vicky @Vicky22955256]

看图不说话👇🏻

[Mappa(material) @zhumaterial]

🔥最近在Reddit爆火的Sonnet 3.5 Coding System Prompt 推出 V2 版本

👉这个博主，更新了用于编程和项目开发的 Sonnet 3.5 编码系统提示的V2版本，并提供了详细的使用说明和解释。

🔗https://t.co/eRJkkTNmvB

[陈小生 @stutiredboy]

@wangyuanzju 感谢&祝福汪院