wenshinlee

[伏尔 @kano955]

谁他妈做的 https://t.co/Y9wejQl9gz，这站也太上头了。🤯

[Ethan 恩宇 @UPing123zzz]

现在 AI 圈有一个特别荒诞的现象。

很多人连一个最基本的 Agent 执行链路都没有真正理解，就已经开始天天研究多智能体协作、Agent 集群、数字员工，甚至宣称未来一个人就能运营一家公司。

接个大模型 API，装几个 MCP，写几段 Skill，再用 LangGraph 或者其他框架编排一下，就觉得自己已经做出了一个完整的 Agent 系统。

我操，真正的企业级 Agent 架构，哪有这么简单？

上面这张 AI Agent Platform Architecture 架构图，我觉得非常值得所有准备做 Agent、FDE、企业 AI 落地的人认真研究。

它真正重要的地方，不是展示了多少个技术组件，而是揭示了一个很多人根本没有意识到的问题：

LLM 只是 Agent 系统中的一个能力组件，而不是整个系统本身。

很多人做 Agent 的思维方式，到现在还停留在：

用户输入 → LLM 理解 → 调用工具 → 返回结果。

但你真正把它放进企业的业务环境，会发现事情根本没有这么简单。

首先，用户请求进来以后，系统需要通过 Agent Gateway 接收请求，再通过 Identity & Auth 确认用户的身份、权限和访问范围。

然后进入 Agent Orchestrator。

这才是整个 Agent 执行链路中真正值得研究的东西。

它需要管理任务规划、行动、观察结果、上下文状态、子 Agent 委派、错误重试以及任务恢复。

需要调用模型时，可以经过 LLM Router，根据任务需求选择不同能力、速度和成本的模型。

需要使用外部工具时，通过 Tool Registry 发现工具，再经过 MCP Gateway 等接口连接外部系统。

需要保留上下文时，通过 Memory Service 管理会话、长期记忆和用户偏好。

但真正让我觉得这张图有价值的，是它把另外几个经常被忽视的模块，也放进了核心架构。

Permission Engine、Approval Queue、Task Queue、Tracing & Observability、Evals & Guardrails、Audit Log Store。

这些东西，才是决定一个 Agent 能不能进入真实业务环境的重要基础。

举一个最简单的例子。

假设你做了一个招聘 Agent。用户上传简历，系统自动分析岗位匹配度，调用招聘数据库，生成评分，甚至自动推进面试流程。

看起来是不是特别牛逼？但问题来了。

一个普通员工能不能让 Agent 查看所有人的简历？

Agent 能不能直接修改候选人的招聘状态？

如果模型错误理解了指令，把原本应该保留的候选人标记为淘汰怎么办？

如果一次工具调用超时，系统重新执行，导致同一份面试邀请发送了三遍怎么办？

如果业务负责人质疑某个评分结果，你能不能追溯 Agent 当时使用了什么数据、调用了什么工具、执行了什么操作？

这些问题，不是你把 Prompt 写得更长、更详细，就能彻底解决的。

你需要权限控制，需要高风险操作审批，需要持久化的任务状态，需要可观测性，需要审计日志，还需要明确的失败处理机制。

更重要的是，你不能把所有决策权都交给模型。

我觉得现在很多开发者对 Agent 的理解，存在一个特别危险的误区：总觉得 Agent 越自主、权限越大、能调用的工具越多，就代表系统越先进。

但在真实的企业环境里，很多时候恰恰相反。

Agent 能执行一个操作，不代表它应该被允许执行这个操作。

它能访问一个数据库，不代表它应该读取数据库中的所有数据。

它能自动调用付款 API，不代表它应该拥有不受限制的付款权限。

它能自主规划任务，不代表任何行动都可以绕开人工审批。

你需要把模型能够做什么、用户允许它做什么、系统最终批准它做什么，严格区分开来。

能力边界和权限边界，根本不是一回事。

这也是为什么我越来越觉得，未来 Agent 工程师真正需要研究的，不只是 Prompt Engineering，而是整个 Agent Runtime 和系统工程。

包括任务状态机、工具调用协议、上下文管理、模型路由、权限校验、异常恢复、可观测性和评测体系。

很多人天天研究哪个模型的 Benchmark 又提高了多少分，哪个 Agent 框架又拿了几万 Star，哪个 MCP Server 又新增了什么功能。

这些当然值得关注。但如果一个系统连最基本的执行过程都无法追踪，连任务失败后能否安全重试都不能保证，连工具调用的权限都没有隔离，那么模型再聪明，也很难让企业放心交给它真实的业务权限。

而且这里还有一个容易被忽略的问题。

Agent 系统的可靠性，不等于模型回答正确率。

模型回答正确，不代表任务执行成功。

工具调用成功，不代表业务状态一致。

工作流执行完毕，不代表业务结果符合预期。

甚至系统返回了 Success，也不代表这个任务真的完成了。

你必须建立能够检验真实业务结果的评测方式。

比如一个自动化任务，最终有没有正确修改数据库？有没有产生重复操作？有没有越过权限边界？有没有遗漏必要的审批？

这些才是企业真正关心的问题。

当然，也不能因为这张图包含十几个模块，就觉得开发任何 Agent 都必须把所有组件全部部署一遍。

一个简单的个人 Agent，可能根本不需要复杂的独立编排服务。

一个只有少量用户的内部工具，也没必要一开始就搭建庞大的分布式架构。

真正重要的是理解这些能力分别解决什么问题，再根据风险、规模和真实业务需求选择架构。

而不是为了看起来高级，把所有技术名词全部堆上去。

这也是我认为 AI 时代特别值得重视的一种工程能力：

不是你知道多少技术，而是你知道哪些问题必须解决，哪些复杂度根本没有必要引入。

未来模型一定会越来越强。Agent 生成代码、调用工具、操作电脑、处理复杂任务的能力，也会不断提高。

但能力越强，系统越需要明确的权限边界和责任机制。

否则我们得到的不是一个真正可靠的 AI 员工，而是一个拥有大量操作权限、行为却难以控制和追踪的自动化系统。

我越来越相信，Agent 的下一阶段，真正的竞争不只是模型智能水平，而是如何把越来越强的模型能力，约束进一个可控、可观测、可恢复、可审计的工程系统。

这也是 FDE 和企业 AI 工程师应该认真补齐的能力。

因为企业购买的不是几段 Prompt，不是某个 Agent 框架，也不是一个会自己调用工具的聊天机器人。

它真正需要的是能够解决业务问题，并且可以持续运营、管理和维护的系统。

所以别再把接入 MCP 当成 Agent 架构，把增加工具数量当成系统能力，把自主执行当成工程成熟度了。

真正成熟的 Agent，不仅要知道下一步应该做什么。

还必须知道自己有没有权限做、什么时候应该停止、什么操作必须交给人审批，以及执行失败之后怎样安全恢复。

未来 Agent 的技术壁垒，很大一部分就在这里。

模型可以越来越聪明，工具可以越来越丰富。

但如果有一天，你真的准备把企业数据库、客户资料、业务审批甚至资金操作权限交给 Agent，你首先应该问的绝对不是：这个模型的推理能力有多强？

而是：如果它做错了一件事，我能不能在造成更大损失之前发现、阻止，并且追溯整个过程？

这才是真正值得研究的 Agent 系统架构。

[loveabit @justloveabit]

黄果新的仓库
之前的，作者迫于压力删库了。现在整个是fork的。
且用且珍惜。
https://t.co/Hkf62kLzxD
⚠️ 本项目仅供 学习与技术交流，不提供、不存储、不分发任何音视频内容。

[小墨同学 @xiaomovps]

DeepSeek Harness 现在已经不满足于做 Coding Agent 了，开始尝试让 Agent 自己接活、干活了！

最近发现 DeepSeek 团队开源了一个很有意思的项目：dsh-superagent，目前 GitHub 已经超过 2.2 万 Star

以前我们使用 Coding Agent，基本都是自己提出需求，让 AI 写代码、修改文件，然后等待结果

但是这个项目想解决的是另一个问题：能不能让 Agent 直接参与团队的日常开发，而不是每次都需要有人打开聊天窗口给它安排任务？

我看了一下它的设计，主要有三个比较值得关注的地方：

1、直接对接 GitHub 和飞书

Agent 可以监听 GitHub 中的任务和讨论，也能选择接入飞书

团队成员提出需求后，经过权限和规则检查，就能创建对应的工作任务，不需要每次手动打开 DSH

2、Router + Worker 分工协作

Router 负责判断和分配任务，Worker 负责具体执行

每个任务都有独立的 Agent 会话和工作目录，还能按照并发限制处理多个任务，避免所有工作都挤在一个对话里面

3、尽可能减少人工干预

Agent 可以自己处理任务、修改代码，并通过 Pull Request 交付结果

只有需要人工审核、补充信息或者遇到问题的时候，才通知开发者

我觉得第三点才是这个项目最有价值的地方

以前的 Agent 更多是我们主动找它帮忙，现在开始尝试让 Agent 融入原本的开发流程，自己处理被授权的工作

当然，目前它还只是一个研究原型，主要围绕单个 GitHub 仓库设计，需要自己部署和配置，距离成熟的生产环境还有一定距离

但是从这个方向来看，DeepSeek Harness 未来可能不只是一个写代码的工具，而是一套可以持续协作的 Agent 系统

项目地址：
https://t.co/tSPsyRu9AM

[何笠聊 AI @HeLi8866]

沃德发！！GitHub 上这个仓库已经 11.5 万 Star 了！

有人直接把资深程序员整套的开发方法，做成了 25 个 AI Skills，开源，完全免费！

以后用 Claude Code、Cursor、Codex 写项目，再也不用让 AI 闭眼瞎写了。

GitHub 地址和安装步骤都放评论区了👇

它叫 agent-skills，最厉害的是9个斜杠指令，能把 AI 变成一整个研发团队：

01/spec：先想清楚需求是什么，再写成规格说明

02/plan：拆分任务、制定计划，防止中途跑偏

03/build：按照计划一步步写代码

04/test：自动跑测试，用结果确认代码可以运行

05/review：审查代码，把潜在的问题找出来

06/ship：确认能不能交付，然后上线

从最初的一个想法开始，一直到项目真正交付，整套流程都变得有规范了。

最爽的是：复杂的提示词不需要你自己写，25 个 Skills 也不用一个个配置。

一行命令就装好。

完全免费，代码开源，Claude Code、Cursor、Codex 这些主流的 AI 编程软件都能用。

下次用 AI 做项目，直接拿来用就行。

[VerySmallWoods @verysmallwoods]

Lauren (Poteto) 的 pstack 久负盛名。最近才刚刚开始尝试使用，惭愧惭愧。
https://t.co/Z0VNIhOenO

今天我把 pstack 用一个具体的功能开发任务上，整个需求分析，设计，开发，验证的过程严谨有序，令我印象深刻。

你值得拥有。

[meow @meow2149]

每天介绍一个开发者工具，今天是 Oh My Pi（omp）。

从 Pi 分支出来的开源终端编程 Agent，定位是“把 IDE 接进 Agent”。MIT 许可，仓库 34k+ star，核心约 8 万行 Rust。

它最值得看的，不是接了多少模型，而是作者的一个判断：Agent 写不好代码，很多时候不是模型不行，而是 harness（模型与工作区之间那层工具）拖了后腿。

一、Hashline：让模型“指着改”，而不是“背着改”

主流编辑方式，都要求模型复现自己读过的内容。str_replace 要逐字符还原旧文本，缩进错一格就报“找不到”；apply_patch 是 OpenAI 风格的 diff，别家模型不熟，失败率很高。共同的问题是：没有给模型一个稳定、可校验的“行标识”。

Hashline 的思路是：读文件时，每行带上内容哈希锚点，编辑时模型直接引用锚点定位，不必重述旧代码。读取之后文件如果变了，锚点对不上，补丁在落盘前就会被拒绝，而不是悄悄改坏。

作者在 16 个模型上做了基准：从 React 源码里随机注入机械式 bug，每个模型 180 题 × 3 轮。结果是 Hashline 在 14 个模型上优于 patch，平均高约 15 个百分点；Grok Code Fast 1 从 6.7% 提升到 68.3%；Grok 4 Fast 的输出 token 最多降了 61%。模型越弱，收益越大，因为它们的真实能力原先被“编辑格式出错”掩盖了。

要留意：这是作者自己的基准，并非所有模型都受益（DeepSeek V3.2 反而下降）。但代码和逐次报告是公开的，可以自己复现。

二、LSP：IDE 知道的，Agent 也知道

lsp 工具覆盖诊断、定义与引用、符号、重命名、code action 等操作。

移动文件时走 workspace/willRenameFiles，re-export、barrel 文件、别名导入会在文件移动之前一起更新，比 grep 加 sed 可靠得多。

配套的 ast_edit 基于 ast-grep 做结构化改写：先返回“提议”和替换数，确认后才原子落盘，要么全部生效，要么不动。

三、真的接调试器

debug 工具走 DAP 协议。C 程序段错误，就 attach lldb，单步走到坏指针、读栈帧；Go 服务卡死，用 dlv 看 goroutine；Python 进程挂住，用 debugpy 暂停并求值。不再靠满屏 print 猜问题。

四、两个少见的设计

▪︎ 流式规则（TTSR）：规则平时不占上下文。模型输出命中正则时，流会被中途打断，规则以系统提醒注入，再从该处重试。省掉每轮都背规则的上下文成本，注入内容在压缩后依然保留。

▪︎ Advisor：给第二个模型分配 advisor 角色，它在独立上下文里旁观主 Agent 的每一轮，插入提示、顾虑或阻断意见。主 Agent 要么修正，要么说明为什么不改。

五、子代理与原生实现

▪︎ task 可并行分派子任务，可选工作区隔离（APFS clone、reflink、overlayfs 等后端）。最终结果是经过 schema 校验的对象，父代理直接读取，不用再解析文字。运行中按 Alt+A 打开 Agent Hub，可以看每个子代理的实时记录、插话或终止。

▪︎ ripgrep、glob、bash（基于 brush）和几十个常用命令行工具直接编进进程，没有 fork/exec 的开销，Windows 上原生运行，不需要 WSL。

六、兼容性与边界

▪︎ 支持 60+ 模型提供方，九种角色（default、smol、slow、plan 等）可分别指定模型，并支持限流时的回退链。

▪︎ 直接读取 Cursor、Cline、Codex、Copilot 等已有的规则、skills 和 MCP 配置，不需要迁移脚本。

▪︎ 入口有四种：终端 TUI、omp -p 单次调用、Node SDK、RPC/ACP（可接入 Zed）。

▪︎ github、记忆、图像生成等工具默认关闭，需要自己开启。功能面很大，上手成本比轻量 Agent 高。

适合谁：重度使用终端 Agent、在意编辑成功率和 token 成本、想深入定制 harness 的开发者。

怎么开始，任选一种方式安装：

brew install can1357/tap/omp

curl -fsSL https://t.co/6Zz25R4V0b | sh

进入项目目录运行 omp，用 /login 登录或配置 API Key，再用 /model 选模型。

GitHub：https://t.co/KZjxPNOKgW

官网：https://t.co/mD22TcTI4g

#开发者工具 #AI编程 #开源

[大卫｜AI抄作业 @AI_DVD6]

😱 卧槽，GitHub 11.5 万 Star！有人把资深软件工程师的一整套工作方法，直接打包成了 25 个 AI Skills，免费开源！

以后用 Claude Code、Cursor、Codex 写项目，真没必要再让 AI 闭着眼睛瞎写了。

安装命令、GitHub 地址放在评论区👇

这个项目叫 agent-skills，最狠的是 9 条斜杠命令，直接把 AI 变成一支软件开发团队：

① /spec：先把需求搞明白，写出规格文档

② /plan：拆任务、定计划，避免写到一半跑偏

③ /build：按计划逐步开发

④ /test：自动测试，拿结果证明代码能跑

⑤ /review：代码审查，揪出潜在问题

⑥ /ship：检查交付条件，准备上线

从一句想法，到一个真正能交付的项目，整个流程都有章法了。

更爽的是：不用自己写复杂提示词，也不用逐个配置 25 个 Skills。

一条命令就能安装。

项目开源免费，支持 Claude Code、Cursor、Codex 等主流 AI 编程工具。

建议先收藏，下次用 AI 开发项目时直接拿出来用。

[HiSeven｜🕊️ @hisevenih]

别再傻傻地去买昂贵的海外 API Key 跑模型了！

GitHub 登顶双榜第 1 的 dsh-our-free-model 搞了个相当霸道的本地网关方案：不让你填任何 Key，不让你绑定信用卡，直接把 DeepSeek V4.1 Flash、Kimi K3 和 GLM 5.3 打包成零门槛的免费前沿车道！

最绝的是它解决了深度思考模型最大的那个死穴：一旦思考时间太长断连，它能在本地 900 秒内自动触发有界恢复，把正文无缝补全。再加上 RTK 算法对 40KB 的 git diff 直接就地重写压缩 90% 冗余，上下文效率直接拉满。

别在繁琐的注册和订阅上浪费时间，把它挂进本地 CLI，白嫖免费前沿模型才是硬道理。

https://t.co/hKRfgxTiMu

[大雷 @AaronYiaazw]

终于搞好啦！花159订阅了Google Ultra 5X，在Claude code中调用Antigravity 的Carbon干活

Fable5.2当总控跟我交互，调用Codex的Astra和Antigravity 的Carbon干活，御三家伺候我一人，舒服呀

分享一下做法：
1.先订阅Google Ultra 5X：我找的是泰国家庭组的Ultra月卡渠道

2.Claude配置好Antigravity任务桥配置：搭建指令在回复👇

[Jeffrey.W @JeffreyCalm]

如此牛逼的 DS Bot 插件，居然在 Github 上只有 7300 star，真是太不合理了。

[taghi molavi تقی مولوی @taqimolavi]

🚀 گوگل یک PDF نه‌صفحه‌ای درباره Harness Engineering منتشر کرده؛ مفهومی که به نظرم باید هر کسی که با AI Agent کار می‌کند، جدی بگیرد.

فرمول اصلی ساده است:

Agent = Model + Harness

یعنی مدل هوش مصنوعی به‌تنهایی ایجنت نیست. چیزی که آن را به یک نیروی اجرایی قابل‌اعتماد تبدیل می‌کند، زیرساختی است که دور آن می‌سازیم.

اما این زیرساخت از چه چیزهایی تشکیل می‌شود؟

۱. Guides: قوانین و دستورالعمل‌هایی که تجربه شکست‌های قبلی را به دانش دائمی تبدیل می‌کنند.

۲. Sensors: تست‌ها، Linterها و ابزارهای اعتبارسنجی که اجازه نمی‌دهند هر خروجی اشتباهی به مرحله بعد برود.

۳. Agentic Loop: چرخه برنامه‌ریزی، اجرا، بررسی و اصلاح؛ با محدودیت بودجه و امکان ارجاع به انسان.

۴. External Memory: حافظه‌ای خارج از مدل برای حفظ تصمیم‌ها، وضعیت پروژه و دستاوردهای جلسات قبلی.

۵. Permissions: کنترل دسترسی ایجنت به ابزارها و تعیین مرز استقلال آن.

۶. Observability: ثبت و پایش تمام فعالیت‌ها، هزینه‌ها، خطاها و تلاش‌های مجدد.

اما داستان اینجا تمام نمی‌شود!

چند پروژه متن‌باز برای ورود عملی به این حوزه:

🔹 Google Harness²
https://t.co/DrQfFijj6q

🔹 Learn Harness Engineering
https://t.co/Z4OF17F6Ka

🔹 Awesome Agent Harness
https://t.co/hI6WSGS4vn

🔹 Harness Engineering
https://t.co/86n27omyXE

و حالا یک مفهوم جذاب‌تر:

Graph Engineering

تصور کن چند ایجنت مستقل داشته باشی که هرکدام Harness مخصوص خودشان را دارند.

یکی تحقیق می‌کند، دیگری تحلیل می‌کند، سومی کدنویسی می‌کند و چهارمی خروجی را اعتبارسنجی می‌کند.

حالا اگر یکی شکست بخورد، شکستش می‌تواند به سیگنالی برای اصلاح عملکرد بقیه تبدیل شود.

اینجا دیگر با یک چت‌بات یا ایجنت ساده طرف نیستیم؛ با یک سیستم اجرایی چندایجنتی روبه‌رو هستیم.

یک نکته که نباید فراموش کنیم:

Hermes را می‌توان به‌عنوان محیط اجرای ایجنت در نظر گرفت؛ جایی که ابزارها، مهارت‌ها، حافظه و گردش‌کارها کنار هم قرار می‌گیرند.

Harness Engineering کمک می‌کند این محیط را قابل‌کنترل، قابل‌اندازه‌گیری و قابل‌اعتماد کنیم.

به نظرم آینده متعلق به کسانی نیست که صرفاً مدل قوی‌تری انتخاب می‌کنند؛ بلکه متعلق به کسانی است که سیستم بهتری دور مدل می‌سازند.

مدل، مغز است؛ Harness، سیستم اجرایی؛ و Graph، شبکه همکاری مغزهاست.

[Hélio Costa @heliocosta]

é doido ver o que as pessoas soltam como open-source hoje em dia

https://t.co/7bTovUpvrD

[Hux @huxlab]

今晚别刷Netflix了。

去看这个SpaceX AI工程师1小时的课程。

这是我见过最清晰、端到端讲透GrokBot到底该怎么真正用起来的课。

从单agent开始，一路到loop、graph、多智能体协作、verification和agent-friendly架构。

不管你是从没认真跑过agent，还是已经天天在用GrokBot，看完都会把很多“原来如此”的点一次打通。

真正核心就这几层：

1. 99%的人只用1个agent，没用loop和graph，只发挥了1%实力

2. 真正的新stack是Chief of Staff + PM + 20+ workers全自主团队

3. 怎么用高质量skills让agent像真工程师一样干活（pstack）

4. 怎么把代码和架构改成agent-friendly（Dune、contract、CI）

5. 怎么用verification让自己真正敢把活交给它们，而不是一直盯着

大多数人花好几个月才拼出的全景图，这节课直接给你画完。

把时间空出来，这可能是你这个月最值的一堂课。

[wenshinlee @wenshinlee]

@dualface 支持连接本地部署的git嘛？

[叫我阿杭 @Astronaut_1216]

卧槽了，真的逆天，DeepSeek Harness真的被玩坏了，我觉得grok bot好像都不用存在了，直接dsbot了，我们国产开源，我们梁圣就是牛逼呀！生态开放了之后只要大家敢玩，整个宇宙都是deep seek的

才在GitHub上看到一个开源项目，就是基于DSH做的它插件，叫肥鱼大总管，然后你也不用一个个手动配置，只需要跟总管说一句话就行了。他这个肥鱼大总管会自己给你拆专属的bot，给你去做专属的群聊，还有goal模式

真的逆天啊，项目地址：https://t.co/KoLXHppcHj

[高运通 @Stargridcompass]

土豆姐 @poteto 又来分享干货了！

如果底层研发流程本身就有问题，盲目搞 AI 软件工厂，只会烧着更多 Token，以 10 倍的速度生产垃圾代码。

她的团队单月交付 11,000 个 PR，回滚率仅 0.5%，到底是怎么做到的？

核心就这几点：

1. 重构历史烂代码，避免 Agent 有样学样。
2. 少写 AGENTS.md，把人工纠错变成 Lint、类型约束和架构规则。
3. 给 Agent 足够的工具，让它能自己运行、检查和验证功能。
4. 修复必须提供截图、视频等证据，别光靠小作文证明自己干对了。
5. 把更多 Token 花在自动化测试和形式化验证上。

团队花了整整 6 个月打磨工程环境，让 Agent 写出好代码成为阻力最小的选择。

当工程体系足够成熟，自动发现 Bug、修复、测试、合并代码，自然就能形成闭环。

[Shawn_0 @G_Z_Y]

最近看到 Alma 因为评测比较火，我大概有3～4次想要深入使用，最终都选择了放弃，说说我的个人感受：

现在的 ADE 好像逐渐分为了两个方向：
- 方向1：Chat-first（GUI 派），以 T3 code 为代表，有比如 Paseo、Amp 等优秀产品，交互以 chat 形态为主，类似 Codex desktop.
- 方向2：Terminal-first（TUI 派），以 Herdr 为代表，还有比如 Rex、Orca 等优秀产品，交互为终端形态为主，应该是由于 claude code CLI 带火起来的。

我一开始是被 Alma 的全面和强大吸引的，但是随着使用不同的产品，开始越发不喜欢 Alma，原因就是：定位模糊，没有设计原则。
TUI 方向有保留 Agent 原生体验、轻量、相对性能好等优势，但对于非技术人员有上手成本；GUI 方向在交互上大幅降低了门槛，提升使用体验，但统一 Chat 界面需要适配不同 Agent 的协议和交互，可能产生功能缺失、性能降低等问题。

Alma 选择了同时支持两种模式，并且还是并行支持的方式（没有明显偏向）。在我看来，这是一种产品设计上的“懒惰”，因为无法判断，索性全部都做。
为什么说是懒惰？因为产品设计就是要基于自身定位做取舍，这个取决于开发者的判断力，如果不做取舍，就是把判断交给用户，把复杂度交给用户。

但如果全都做，Chat-first 就很难超越 T3 code 类产品，因为他们没有兼顾 TUI 的包袱，所以 T3 code 的移动端体验也非常好，简洁、清晰、易用。再看 Terminal-first，可能又无法超越 Herdr，他们也推出了官方客户端，虽然细节上还有待提升，但肉眼可见地变好，而且逐渐把 Herdr 形态打造成了一个IP 品牌。
有人可能会举 Orca 的例子，他们同时支持 Terminal 也支持 Chat，是的，不过目前还是偏向 Terminal 为主，这个其实也是 Orca 被诟病的一点，太大而全了，什么都要做，开始逐渐失去自己的特色，个人觉得按此方向推进，很难超越 T3 code。

Alma 如果要找一个定位，我觉得 herdr 模式的 GUI 渲染挺好，同时能支持云托管（类似 Amp 的 Orbs ），是一个差异化方向。
不过，如果要考虑这个方向，要简化甚至砍掉 chat 模式，或者提供完全关闭的配置项（在产品设计上仍然不是好的设计）。

以上都是个人主观感受，不客观、不公正，没有数据支撑，如有不同想法，欢迎讨论。

[wenshinlee @wenshinlee]

@barcobasurer_o 不谢，没准会更贵

[郭宇 guoyu.eth @turingou]

换成自己的急速构建之后也太快了，超大型项目也能在一分钟之内完成构建，突然拥进来三十多个项目的 PR，跑 CI 也就最多等五六分钟！