siuleung

[siuleung @xerolry]

@wisgate_ai Kimi K3

[AYi @AYi_AInotes]

分享一篇好文，
非常深度的方法论，
可以说是世界级水准的 Agentic Engineer的终极秘诀了，

尤其是“ https://t.co/mqh4jpV2xZ作为嵌套IF-ELSE上下文路由器 + Rules/Skills + 定期spa-day compaction”体系”这点，简直是核武器级别！！

如果想把你的大龙虾 claude code 等 Agent从“聪明但容易漂移的工具”升级为【高度懂你、可长期稳定、可自我迭代的认知基础设施，彻底抛弃所有外部依赖】

这篇你一定要看！！！
作者全程生产级验证（真实工厂、长期运行），并诚实指出 sycophancy局限、长期session弊端，并给出可立即执行的对抗方案

核心要点我翻译和拆解如下👇

[Sanbu 散步 @sanbuphy]

更新了 Claude Code 内容体系相关教程，欢迎支持：https://t.co/jWIjmM55SC
涵盖系列深度指南：快速上手核心指南、MCP 完全指南、Skills 完全指南、Agent Teams 完全指南、Superpowers 工程级开发、工作流最佳实践、如何让 Coding Tools 长时间工作实用指南。

[Yanhua @yanhua1010]

如果你也用Claude Code，这个𝗖𝗟𝗔𝗨𝗗𝗘 . 𝗺𝗱文件将使你成为 10 倍工程师👇

它融合了Claude Code创始人分享的所有最佳实践，其中包括：
• 工作流编排
• 子代理策略
• 自我提升循环
• 执行前需进行核实
• 自主修复漏洞
• 核心原则

如何做？直接复制并加入到你的Claude Code中然后不断迭代👇

工作流编排
1. 规划节点默认
• 对于任何非平凡任务（3步以上或涉及架构决策）进入规划模式
• 如果事情偏离轨道，立即停止并重新规划——不要继续硬推
• 规划模式也用于验证步骤，不只是构建阶段
• 提前编写详细规格说明以减少歧义
2. 子代理策略
• 自由使用子代理以保持主上下文窗口整洁
• 将研究、探索和并行分析任务卸载给子代理
• 对于复杂问题，通过子代理投入更多计算资源
• 每个子代理专注执行单一任务
3. 自我改进循环
• 在用户进行任何纠正后：将模式更新到 tasks/lessons.md
• 为自己编写规则以防止重复同样的错误
• 无情地迭代这些教训，直到错误率下降
• 在会话开始时查看与当前项目相关的教训
4. 完成前验证
• 未经证明有效绝不标记任务完成
• 在相关情况下对比主版本与你修改后的行为差异
• 问自己："资深工程师会认可这个吗？"
• 运行测试、检查日志、证明正确性
5. 追求优雅（平衡）
• 对于非平凡修改：停下来问自己"有没有更优雅的方式？"
• 如果修复感觉像临时补丁："基于我现在知道的一切，实现优雅的解决方案"
• 对于简单、明显的修复跳过此步骤——不要过度设计
• 在提交前挑战自己的作品
6. 自主修复缺陷
• 收到缺陷报告时：直接修复，不要寻求手把手指导
• 指向日志、错误、失败的测试——然后解决它们
• 用户无需进行任何上下文切换
• 无需被告知具体方法，主动去修复失败的CI测试
任务管理
7. 先规划：将计划写入 tasks/todo.md，包含可勾选的项目
8. 验证计划：开始实施前进行确认
9. 跟踪进度：完成项目时进行标记
10. 解释变更：每一步提供高层摘要
11. 记录结果：在 tasks/todo.md 中添加回顾部分
12. 捕获教训：在纠正后更新 tasks/lessons.md
核心原则
• 简洁优先：使每次修改尽可能简单，影响最少的代码
• 拒绝偷懒：找到根本原因，不做临时修复，保持资深开发者标准
• 最小影响：修改应只触及必要部分，避免引入缺陷

[外汇交易员 @fxtrader]

软件工程师SiddhantKhare最近写了一篇博客文章，吐槽AI编程为自己带来的“疲乏的感觉”，引发了其他工程师们的共鸣。他结合亲身经历指出，AI引发的职业倦怠是真实存在的问题，却长期被行业有意无意地忽视。单项任务提速并不意味着整体工作负担减轻，实际上正好相反，任务总量不断膨胀，高频的上下文切换带来了深层次的精力透支。

与此同时，工作角色也在悄然转变。工程师从原本的创造者沦为高认知消耗的AI产出审核者，而AI输出固有的不确定性又与工程师习惯的确定性思维产生冲突，持续滋生焦虑情绪。此外，行业技术更新节奏过快催生出一种 "FOMO 跑步机" 效应，频繁追逐新工具不仅浪费时间，还加速了已有知识的贬值，工程师也容易陷入反复调试提示词的“prompt 螺旋”之中，长此以往，独立思考和解决问题的能力逐渐退化。社交媒体上铺天盖地的高光展示，则进一步放大了比较焦虑。

Khare认为，在AI时代，工程师真正的核心竞争力不在于将AI用到极致，而在于懂得为自己设定边界、适时叫停，守护有限的认知资源，以实现可持续的长期产出。

以下为Siddhant Khare的文章翻译

AI疲劳是真实存在的，但是并没有人谈论这一点

你用AI来提高生产力。可为什么你比以往任何时候都更加疲惫不堪？这是每个工程师都必须面对的悖论。

上个季度我交付的代码量超过了我职业生涯中的任何一个季度。同时，我也感到比以往任何一个季度都更加精疲力竭。这两个事实并非毫无关联。

我以构建AI智能体基础设施为生。我是OpenFGA（CNCF孵化项目）的核心维护者之一，我开发了用于智能体授权的agentic-authz，开发了用于上下文去重的Distill，交付了MCP服务器。我不是那种偶尔玩玩AI的人。我深陷其中。我构建的工具被其他工程师用于在生产环境中让AI智能体运转起来。

然而，我撞上了一堵墙。那种筋疲力竭的感觉，无论多少工具或工作流程优化都无法修复。

如果你是一名每天使用AI的工程师——用于设计评审、代码生成、调试、文档编写、架构决策——并且你注意到自己不知为何比AI出现之前更加疲惫，这篇文章是写给你的。你不是在想象。你不是软弱。你正在经历某种真实存在的东西，而整个行业却完全假装它不存在。如果一个全职构建智能体基础设施的人都能因为AI而产生职业倦怠，那么这种事可能发生在任何人身上。

我想诚实地谈谈这个问题。不是那种“AI太棒了，这是我的工作流程”的版本。而是真实的版本。那种你晚上11点盯着屏幕，周围全是还需要审查的AI生成代码，疑惑着那个本该节省你时间的工具如何吞噬了你一整天的版本。

无人预警过的悖论

有件事困扰了我很久：AI确实让单个任务变快了。这不是谎言。过去需要3小时的事，现在只要45分钟。起草设计文档、搭建新服务脚手架、编写测试用例、调研陌生的API——全都变快了。

但我的工作日变得更难了，不是更轻松，而是更难。

原因一旦看清就很简单，但我花了数月才明白。当每个任务耗时变少，你并不会做更少的任务，而是会做更多的任务。你的能力看似扩展了，于是工作量也随之膨胀，甚至超载。你的经理看你交付更快，期望值随之调高。你自己也发现自己交付更快，自我期望也随之调高。基准线被动抬升了。

AI之前，我可能花一整天只解决一个设计问题。在纸上画草稿，洗澡时思考，出门散步，然后带着清晰的思路回来。节奏虽慢，但认知负荷是可控的。一个问题。一天。深度专注。

现在呢？我一天可能处理6个不同的问题。每个问题“用AI只需一小时”。但在6个问题之间切换，对人类大脑来说代价极高。AI不会在问题间感到疲惫。我会。

这就是悖论：AI降低了产出的成本，却提高了协调、评审和决策的成本。而这些成本全部由人类承担。

你成了评审员，而这并非你本意。

AI之前，我的工作是：思考问题、写代码、测试、交付。我是创作者、制造者。这正是当初吸引我们大多数人进入工程领域的原因——构建本身。

AI之后，我的工作日益演变为：写 prompt → 等 → 读输出 → 评估输出 → 判断是否正确 → 判断是否安全 → 判断是否符合架构 → 修不对的部分 → 再 prompt → 再重复。我成了评审员、裁判员、永不停歇的装配线上的质检员。

这是性质完全不同的工作。创造让人充满活力，评审让人精疲力竭。有研究支持这一点：生成性任务与评估性任务在心理上的差异。生成性工作带给你心流状态，评估性工作带给你决策疲劳。

我是在重度使用AI构建一个microservice的那周首次意识到这点的。到了周三，我甚至无法做简单决策了。这个函数该叫什么？我不在乎。这个配置该放哪里？我不在乎。我的大脑已经满载。不是因为写代码，而是因为评判代码。每天一整个时间都在做无数个细小判断，会把你掏空。

残酷的讽刺在于，AI生成的代码需要比人类编写的代码更仔细的评审。同事写代码时，我了解他们的模式、长处和盲点。我可以略读我信任的部分，聚焦于我不确定的部分。但面对AI，每一行都值得怀疑。代码看起来信心十足。它能编译。甚至可能通过测试。但它可能以微妙的方式出错，只在生产环境中、在负载下、在凌晨三点才浮出水面。

所以你只能逐行审阅。而阅读不是你写的、由一个不懂你代码库历史或团队约定的系统生成的代码，是令人精疲力竭的工作。

这也是我认为agent安全和授权至关重要的原因。如果我们无法评审AI生成的所有内容——实际上我们也做不到，无法大规模做到——那么我们就需要从一开始就约束智能体能力的系统。最小权限访问、范围限定token、审计追踪。你越不需要担心“AI 会不会做出危险动作”，你越能把认知预算留给真正重要的工作。这不仅是安全问题，更是“人能否长期承受”的可持续问题。

非确定性问题

工程师是在确定性的环境中训练出来的。相同输入，相同输出。这是契约。这使调试成为可能，使系统推理成为可能。

AI打破了这份契约。

我有一个提示词，周一用起来完美无瑕，为某个API端点生成了干净、结构良好的代码。周二我为类似端点用了同样的提示词。输出结构完全不同，采用了不同的错误处理模式，还引入了一个我并未要求的依赖。

为什么？没理由。更准确地说，没有我能触达的原因。这里没有“模型今天换了想法”的stack trace，也没有日志告诉你”temperature sampling走了B路径不是A路径”。它就是……不一样了。

对于一个整个职业生涯建立在“如果它出问题了，我能找出原因”之上的人来说，这让人深感不安。不是戏剧性的那种。而是缓慢、磨人、背景式的焦虑。你永远无法完全信任输出。你永远无法彻底放松。每一次交互都需要保持警觉。

我曾试图对抗这一点。我对提示词做版本控制。我构建了复杂的系统消息。我创建了模板。有些方法有帮助。但没有一个能解决根本问题：你在与一个概率性系统协作，而你的大脑是为确定性系统而生的。 这种不匹配是一个持续存在的、低强度的压力源。

这种挫败感实际上促使我构建了Distill——为大型语言模型提供确定性上下文去重。没有LLM调用，没有嵌入，没有概率性启发式算法。纯粹靠算法在大约12毫秒内清理你的上下文。我只想让AI流程中的至少一部分是能够被推理、调试和信任的。如果模型的输出注定是非确定性的，我至少能确保输入是干净和可预测的。

我与那些处理这种情况最好的工程师交流过，他们都已经与之和解。他们把AI输出看作一个聪明但不可靠的实习生写的初稿。他们预期要重写其中的30%。他们会为这种重写预留时间。当输出错误时，他们不会沮丧，因为他们从未期待它是正确的。他们期待它是有用的。这之间有本质区别。

FOMO的跑步机

深吸一口气，试着跟上仅仅过去几个月的节奏。Claude Code 推出了子智能体，然后是技能，然后是Agent SDK，然后是Claude Cowork。OpenAI 发布了 Codex CLI，然后是 GPT-5.3-Codex——一个名副其实能自我编码的模型。新的编码智能体宣布了具有数百个并发自主会话的后台模式。Google 推出了 Gemini CLI。GitHub 增加了 MCP 注册中心。收购每周都在发生。Amazon Q Developer 获得了智能体升级。CrewAI、AutoGen、LangGraph、MetaGPT——随便选一个智能体框架，每周都有新的。Google 宣布了 A2A（Agent-to-Agent 协议）与 Anthropic 的MCP竞争。OpenAI 推出了自己的 Swarm 框架。Kimi K2.5 发布了，其智能体群体架构可协调100个并行智能体。"氛围编码"成了流行词。OpenClaw 推出了技能市场，一周内，研究人员就在ClawHub上发现了超过400个恶意智能体技能。而在这所有事情之间，有人在LinkedIn上发帖："如果在2026年你还没使用带子智能体编排的AI智能体，你已经被淘汰了。"

这不是一年的变化。这只是几个月。而且我还没列全。

我深深陷入了这个陷阱。我花周末评估新工具。阅读每一份更新日志。观看每一个演示。努力留在前沿，因为我害怕落后。

实际情况是这样的：周六下午我花时间设置一个新AI编码工具。周日我建好了一个基本工作流。到了下周三，就有人发帖说另一个工具"好得多"。我感到一阵焦虑。下个周末，我又开始设置那个新东西。旧的那个则闲置不用。从一个编码助手换到另一个，再到下一个，又回到第一个。每次迁移都耗费我一个周末，却只换来大约5%、我甚至无法恰当衡量的改进。

将这个情况乘以每个类别——编码助手、聊天界面、智能体框架、多智能体编排平台、MCP服务器、上下文管理工具、提示词库、群体架构、技能市场——你得到的是一个永远在学习新工具、却从未深入任何一个工具的人。单单Hacker News首页就足以让你应接不暇。今天是"Show HN：自主研究群体"，明天是"Ask HN：AI群体将如何协调？"没人知道。但每个人都在构建。

最糟糕的是知识的衰减。2025年初，我花了两周时间构建了一个复杂的提示工程工作流。精心设计的系统提示、少样本示例、思维链模板。效果很好。三个月后，模型更新了，提示的最佳实践变了，我一半的模板产生的效果还不如一句简单的指令。那两周时间就这样消失了。不是投资，是耗费。同样的事情也发生在我搭建的MCP服务器上——我构建了五个定制服务器（Dev. to发布器、Apple Notes集成、Python和TypeScript沙箱等），然后协议演进了，接着MCP注册中心在GitHub上线，突然就有了成千上万个预制好的。我的一些定制工作一夜之间变得多余。

智能体框架的快速更迭更糟。我目睹团队在一年之内从LangChain转到CrewAI，再到AutoGen，再到自建编排。每次迁移都意味着重写集成、重新学习API、重建工作流。那些等待观望、按兵不动的人，往往比那些过早采用、被迫迁移两次的人处境更好。

此后我采用了不同的策略。我不再追逐每一个新工具，而是深耕于它们之下的基础设施层。工具来来去去，但它们解决的问题不会变。上下文效率、智能体授权、审计追踪、运行时安全——无论本月流行哪个框架，这些都是持久存在的问题。这就是为什么我在OpenFGA上构建agentic-authz，而不是将其绑定到任何特定智能体框架。这就是为什么Distill工作在上下文层面，而非提示词层面。在不会快速更迭的层次上构建。

我仍然密切关注领域动态——当你为其构建基础设施时，你必须这样做。但我关注它是为了理解生态系统的走向，而不是为了采纳每一样新事物。保持信息灵通和被动反应是两回事。

“再多一次提示”的陷阱

这种陷阱很隐蔽。你试图让AI生成某个特定的东西。第一次输出70%正确。于是你优化提示词。第二次输出75%正确，但破坏了第一次已正确的东西。第三次尝试：80%正确，但结构变了。第四次尝试：你已经折腾了45分钟，而你自己从头写的话20分钟就能完成。

我称之为"提示词螺旋"。这是AI版的"绕远路修枝"（yak shaving）。你从一个明确的目标开始。三十分钟后，你却在调试你的提示词，而不是调试你的代码。你在优化你对语言模型的指令，而不是解决实际问题。

提示词螺旋尤其危险，因为它让你感觉很有效率。你在迭代。你在接近目标。每次尝试都稍好一点。但边际回报正在快速递减，而你已忘记了目标从来不是“让AI产生完美输出”。目标是交付功能。

我现在有个硬性规定：尝试三次。如果AI在三轮提示内无法达到70%的可用度，我就自己写。没有例外。就这一条规则，为我节省的时间比我学过的任何提示技巧都多。

完美主义遭遇概率性输出

工程师往往倾向于完美主义。我们喜欢干净的代码。喜欢通过的测试。喜欢行为可预测的系统。这是优点，不是缺陷——正是这点让我们擅长构建可靠的软件。

AI输出从不完美。它总是"相当好"。完成了70-80%。变量名有点偏差。错误处理不完整。边缘情况被忽略。抽象层次与你的代码库不匹配。它能运行，但不正确。

对完美主义者来说，这是折磨。因为"差不多对"比"完全错"更糟糕。完全错，你可以扔掉重来。差不多对，你得花一小时修修补补。而修补AI输出格外令人沮丧，因为你是在修正别人的设计决策——这些决策是由一个系统做出的，而这个系统并不具备你的品味、你的背景、你的标准。

我不得不学会放手。不是放弃质量——我仍然在意质量。而是放弃对"AI会产出质量"的期待。我现在把每一次AI输出都当作粗糙的草稿。一个起点。原材料。它在出现的瞬间，我就在心里给它贴上"草稿"的标签。单是这种心态转变，就让我的挫败感减少了一半。

最难以适应AI的工程师，往往是最优秀的工程师。那些标准最高的人。那些能注意到每一个瑕疵的人。而AI奖励的是一种不同的技能：能够快速从不完美的输出中提取价值，而不过度执着于使其完美。

思考能力的萎缩

这是最让我恐惧的一点。

我是在一次设计评审会上注意到这点的。有人要求我在白板上推理一个并发问题。没有电脑。没有AI。只有我和一支马克笔。而我感到吃力。不是因为我不知晓相关概念——我知道。而是因为我数月没有锻炼这个“肌肉”了。我外包自己的初稿思考给AI太久了，以至于我即兴思考的能力已经退化。

这就像GPS和导航。有GPS之前，你会构建大脑中的地图。你了解你的城市。你能推理路线。经过多年使用GPS，你没有它就迷路了。这项技能萎缩了，因为你不再使用它。

同样的事情正在AI和工程思考中发生。当你总是先问AI，你就停止了构建那些源自于亲自与问题搏斗的神经通路。搏斗正是学习发生的地方。困惑正是理解形成之处。跳过这些，你会得到更快的输出，但也会得到更浅的理解。

现在我每天第一个小时刻意不用AI。我在纸上思考。我手绘架构。我以缓慢的方式推理问题。这感觉效率低下。也确实效率低下。但这能保持我的思维锐利，而这种锐利度在接下来使用AI的时间里会带来回报——因为当我的自身推理能力被激活后，我能更好地评估AI的输出。

比较的陷阱

社交媒体上充斥着似乎把AI研究明白了的人。他们发布自己的工作流。他们的生产力数据。他们“两小时用AI构建了整个应用”的帖子。而你看着自己的经历——失败的提示词、浪费的时间、不得不重写的代码——你想：我到底哪里不对？

你哪里都没不对。那些帖子里是精彩集锦。没有人会发"我花了三小时试图让Claude理解我的数据库模式，最后放弃并手动写完了迁移脚本。“没有人会发”“AI生成的代码引发生产事故，因为它默默地吞掉了一个错误。”没有人会发“我很累。”

比较陷阱被另一个事实放大了：AI技能很难衡量。传统工程中，你可以看一个人的代码，大致评估其能力。对于AI，输出取决于模型、提示词、上下文、温度。某人的精彩演示在你的机器上、你的代码库里可能完全无法复现。

我对社交媒体上的AI内容变得非常挑剔。我仍然密切关注这个领域——我必须这样做，这是我的工作。但我从消费每个人的热门观点，转向聚焦于那些真正在构建和交付（而不仅仅是演示）的人。信号与焦虑的比例很重要。如果一个信息流让你感觉落后而不是见多识广，它对你并无益处。

真正有帮助的事

我将具体说明是什么改变了我与AI的关系，从对抗到可持续。

给AI会话设时限。 我不再无休止地使用AI。我设定一个计时器。这项任务用AI，30分钟。计时器一响，要么交付手头的成果，要么切换到手动编写。这同时避免了提示词螺旋和完美主义陷阱。

分离思考时间与AI时间。 早上是思考时间。下午是AI辅助执行时间。这并不死板——有时我也会打破规则。但有了默认结构，意味着我的大脑能以恰当比例同时获得锻炼和辅助。

接受来自AI的70%。 我不再试图获得完美输出。70%可用是标准。剩下的我自己修正。这一接受，是我工作流中减少AI相关挫败感的头号功臣。

对炒作周期保持战略定力。 我追踪AI领域动向是因为我为它构建基础设施。但我已停止在每个新工具发布的当周就去采用。我使用一个主要的编码助手，并深入了解它。我只在那些新工具经过数月而非数天的验证后，才进行评估。保持信息灵通和保持被动反应是两回事。

记录AI的助力之处与无效之处。 我坚持做了一个简单的两周日志：任务，是否使用AI，耗时，对结果的满意度。数据揭示了很多。AI在样板代码、文档和测试生成方面为我节省了大量时间。而在架构决策、复杂调试以及任何需要代码库深度上下文的任务上，它反而耗费了我时间。现在我知道何时该用它，何时不该。

不审阅AI生成的一切。 这很难接受。但如果你用AI生成大量代码，你客观上无法以同样严苛的标准审阅每一行。我把审阅精力集中在最重要的部分——安全边界、数据处理、错误路径——其余部分则依赖自动化测试和静态分析。非关键代码中的些许粗糙是可以接受的。

可持续性问题

科技行业在AI出现前就存在职业倦怠问题。AI正在使之恶化，而非改善。不是因为AI本身不好，而是因为AI移除了曾经保护我们的自然速度极限。

AI之前，你一天能产出的量存在一个天花板。这个天花板由打字速度、思考速度、查阅资料所需时间决定。有时这令人沮丧，但它也是一个调节器。你无法把自己累垮，因为工作本身施加了限制。

AI移除了调节器。现在唯一的限制是你的认知耐力。而大多数人是在超出认知极限后，才意识到它的存在。

我在2025年末经历了职业倦怠。不是戏剧性的——我没有辞职也没有崩溃。我只是不再在乎了。代码评审变成了走过场。设计决策变成了“AI建议什么都行”。我机械地行动着，产出比以往更多，感受却比以往更少。我花了一个月才意识到发生了什么，又花了一个月才恢复。

恢复的关键不在于使用更少的AI。而在于以不同的方式使用AI。带着边界。带着意图。带着“我不是机器，也无需与机器保持同步”的理解。在Ona的工作帮助我清晰地看到了这一点——当你为企业客户构建AI智能体基础设施时，你会看到不可持续的AI工作流在大规模下造成的人力成本。这些问题不仅仅是个人层面的。它们是系统性的。并且需要在工具层面解决，而不仅仅是个体层面。

讽刺的是，倦怠期恰恰是我一些最佳工作成果诞生的时候。当我停止尝试使用每一种AI工具，开始思考真正出了什么问题，我第一次清晰地看到了问题所在。上下文窗口被垃圾填满——这成了Distill。智能体拥有全有或全无的API密钥访问权限——这成了agentic-authz。无法审计智能体实际做了什么——这正在成为AgentTrace。倦怠迫使我从消费转向构建。不是更快地构建更多功能，而是审慎地构建正确的东西。

真正的技能

我认为AI时代真正的技能不是提示工程，不是知道用哪个模型。不是拥有完美的工作流。

而是知道何时停止。

知道何时AI输出已足够好。知道何时该自己动手写。知道何时该合上笔记本电脑。知道何时边际改进不值认知代价。知道你的大脑是有限资源，保护它并非懒惰——这是工程学。

我们优化系统以实现可持续性。我们增加断路器。我们实现背压。我们设计优雅降级。我们应当为自己也这样做。

AI是我用过的最强大的工具。它也是最消耗心力的工具。两者皆是事实。在这个时代蓬勃发展的工程师，不会是使用AI最多的人，而是最明智地使用AI的人。

如果你感到疲惫，不是因为你做错了什么。而是因为这本身就很艰难。工具是新的，模式仍在形成，而整个行业都在假装更多产出就等于更多价值。它不是。可持续的产出才是。

我至今仍每天都在这个领域构建。智能体授权、上下文工程、审计追踪、运行时安全——让AI智能体真正在生产环境中工作的基础设施。我比以往任何时候都更致力于AI。但我按照自己的节奏，依循自己的方式，致力于构建重要的事物，而非追逐潮流的事物。

照顾好你的大脑。这是你唯一的大脑，没有AI可以替代它。

[siuleung @xerolry]

I just completed the Next.js App Router Fundamentals course on @nextjs! Check out my certificate: https://t.co/MUpoQMAeyB

[Ben Lang @benln]

Sam Altman's guide on productivity:

[小樱💞｜实用工具分享 @xiaoying_eth]

英语16大时态‼️看这篇就懂了！

[siuleung @xerolry]

https://t.co/5u6U3CU2uZ

[郭宇 guoyu.eth @turingou]

逻辑编程的时代真的结束了，在本地计算架构全面被颠覆之前，也许只有一两年的时间我们会认为手写代码的效率高于神经网络。以下是我的一些个人判断：

所有计算架构，包括服务器，个人电脑，手机和其他自动化领域的边缘设备都会极快速度转型为新的芯片架构（英特尔和AMD已经在迅速跟上） 我们会在未来大规模更换这些支持 AI 模型的设备

特定领域的开源中小模型时代时代来临，面向这些领域的特定测试集和标准化测试方法（Agent测试）会得到极大发展

模型将会被特定的硬件打包出售并加速。我们会先迎来神经网络的「小型机时代」最终模型可以不用生成通用编程语言，而直接以汇编指令集的方式操作电脑

消费级的通用机器人会成为一个巨大的市场，这在五年前看起来还是科幻小说中的画面。生产侧的自动化流水线会先被颠覆，更多人面临失业，社会的更深层面会受到模型的影响。

机器与机器之间可以无需预编程互相理解（目前我们可以看到两个 AI bot 之间聊天） 机器和模型支持的虚拟 Agent 会形成一种特殊的生态系统。

[siuleung @xerolry]

Bought a new essential oil, like it so muchhhhh

[Tw93 @HiTw93]

#工程师学习 在 B 站看到一个特别不错的讲经济学课「诺贝尔经济奖得主保罗.克鲁格曼Paul Krugman大师课」，一共 2 个半小时的样子，浅显易懂，很值得静下心来一看。
🤖 https://t.co/qTbTlK44xa

[铁锤人 @lxfater]

🚀成为独立开发，你可能需要这个路线图！

大家好！分享一下@easychen的方糖全栈路线图。

这不仅仅是一张图，它是如何将一个小小的想法转化为真正的产品，甚至是一个企业的完整指南！

如果你对一个简单的想法变成盈利的产品感兴趣，现在就能开启转变之旅！🦋
https://t.co/YU1gUqQf7I

[siuleung @xerolry]

@XDash @readwise save

[siuleung @xerolry]

@XDash @readwise

[XDash @XDash]

这两天整理自己的 Stop-Doing List（「不为清单」），翻到以前写 newsletter 时跟 100+ 位网友征集的他们的各种「不为」条目。

我合并归类后，提炼出这最终的 75 条结果。今天看大多数依然 make sense，有借鉴意义。

人际交往：

1、不与他人攀比
2、不抱怨父母
3、不吐槽别人
4、不诬陷别人
5、不说「你听懂我的意思了吗」
6、不封闭自己，沉浸自己的小世界
7、不在能力之外借钱给别人
8、不在胜负心上浪费时间，不再试图说服谁
9、不两头讨好，学会拒绝才更公平
10、不用情绪解决问题、逃避现实
11、不再被无偿地情绪勒索，凡勒索我的必索要代价
12、不再出于各种目的而去建立一段违心的关系
13、不再好为人师，如果没有内化内生的观点支撑，尽量保持沉默
14、不再参加同学聚会
15、不再马上反驳，先听完别人讲的
16、不再回复杠精的评论
17、不再当舔狗
18、不要试图改变一个人
19、停止无关紧要的客气，停止对亲密的人刻薄/发脾气
20、停止无效闲扯，关注自己的需求
21、停止凡事无条件地为对方着想，应该先立规矩再做事
22、停止跟并不在意我的人交流
23、停止急于发表个人看法
24、告别无意义的社交
25、谈恋爱及时止损

行为习惯：

26、不抽烟，不喝酒
27、不暴饮暴食
28、不在晚上10点以后摄入高热量油炸类食品
29、不喝奶茶（过多劣质脂肪、糖）、含糖量高的咖啡饮料
30、不吃菠萝蜜、问菠萝蜜的味道
31、不贪图信用卡小优惠 / 不花时间薅羊毛
32、不和乱七八糟的女人暧昧不清
33、停止熬夜
34、停止无意识陷入负面情绪
35、停止一心二用，比如学习韩语的时候看直播买衣服
36、不在 12 点以后坐公交
37、不在梅雨夏季的京沪线坚持坐飞机，而选高铁
38、对一件事至多拖延 2 次，一定要在第 3 次之前完成
39、停止审丑（无意义的搞怪、违背公序良俗的噱头、制作质量粗糙的内容等）

闲暇时光：

40、不去丽江这种被过度商业化的景区城市
41、不再出门带用相机摄影，改用手机
42、不买复杂的手账本，改用手机写 todo list
43、不买翻毛皮的鞋、肉桂味的咖啡
44、不买高于正常回报的理财
45、不买彩票
46、不追涨
47、不再数字货币交易
48、不用信用贷款投资
49、戒赌
50、停止超前消费

数字生活：

51、不用手机解决无聊焦虑，逐渐暂停无意识刷手机
52、不在睡前半小时内看任何电子设备
53、不看网络小说（导致晚睡，逃避正事）
54、不玩国内厂商出品的网友/所有以氪金来制造社交货币、虚荣心的游戏
55、不再使用基于 feed 流推荐信息的应用，至少不适用 App 内的信息流功能
56、停止刷抖音来打发时间
57、不再使用收藏 button：因为收藏之后几乎不会再看/听；当下文章当下看，当下做记录
58、停止不加以处理就将含有个人信息的图片内容分享出去
59、停止购买超过实际需求的国外 SaaS 服务

工作学习：

60、不再假装努力学习
61、不再刻意学英语，语言更重要的是实践
62、不再在没有想好自己要什么之前，盲目跳槽
63、不再花费大量时间补自己的短板
64、不再仅靠一腔热血来创业
65、不再羞于谈钱，耻于言利
66、不再向人们销售他们需要的（need），而是销售他们想要的（want）： eg.人们需要学习，但都想要不用学习而成功
67、不再在超过20人的会议/聚会上进行承诺
68、停止与思维提升无关的技术研究
69、停止参加没有价值的会议

其它

70、不再宏观，体察微观复盘成长
71、不再过分苛求完美，不把过多精力放在提升最后的百分之零点几上
72、不再执着于过去，停止对过去的事情后悔
73、在做一件事之前，不向真正的行家咨询
74、做任何决策时，不要关注沉没成本，聚焦于机会成本
75、停止侥幸心理，永远看到事物背后的概率，不在无法干预的事情上浪费时间，努力去优化那些自己能够干预和改变的事情

[𝚡𝚒𝚗𝚣𝚑𝚒 @xinzhi]

感谢推上神奇朋友 @Cydiar404 和 @zisuzz 有爱帮助，让
GPT 练口语的 LinguaLudo 重新上线，希望可以再抢救一下哈。

LinguaLudo 是 OpenAI API、Azure TTS、Whisper 和 #Nostr NIPs 打包的客户端，一键生成场景并进行影子跟读，统计练习时长。

体验地址：https://t.co/AoC0YGdmU4，限免 KEY 在下面

[比特傻 @bitfool1]

GPT-4绝对是惊人的。

但是使用它的价格为每月20美元。

在这里，您应该在2023年使用5个免费的GPT-4替代方案：

[倪爽 @nishuang]

提高英语能力的每日自学计划

除了死记硬背、学了就忘的中式学英语方法，还有很多方法来有效地提高英语能力。这些方法大多都有一个共通点：自己给自己建立一个英语小环境

这位欢乐的英语老师这次给了一套每天早上 20 分钟的自学方案，需要的装备包括：笔、纸、一个英语视频
https://t.co/PPLxnSuAhs

- 先花 5 分钟醒脑。写一个超短英文日记，简述一下今天要干嘛。这是为了唤醒使用英语的大脑，帮你进入状态
- 再花 10 分钟输入英语。看一个英语视频，千万不要看英语教学视频，而是看一个你感兴趣的视频，做菜、运动、黑科技都可以，用纸笔记下你发现的新单词、新说法
- 接着 10 分钟研究英语。查一下刚才记下的生词、新说法的意思和用法，理解一下正宗美国人为什么会在这种场合、这么说话
- 最后 5 分钟活学活用。用刚刚学会的新鲜单词，重写一下开始 5 分钟的迷你日记，把抽象的新单词、新说法变成一个具体的句子，而且是描述你和你生活的句子

每天坚持练习 20 分钟，你将不断进入英语状态、不断学习新单词、不断使用新单词、不断练习造句和英语描述事物……效率远远高于那种应付考试、纯粹比拼记忆力的学英语方法

这种方法其实和学设计差不多，应付学校考试的方式来学设计，下学期基本就忘了；而每天瞎折腾、每天设计一点小东西，这样子学到的设计技能非但不会忘记，而且会自然而然地变成自己的本能

你和熟练掌握英语之间，差的可能只是每天早起 20 分钟的能力😂（那猫头鹰族可能就彻底无解了，如果是我，我就改成每天半夜再学）

#活到死学到死

[Geek @geekbb]

某人说他的YouTube频道上有关SS Trojan等协议原理实现的最全面讨论。虽然我也是一个过墙资深学者，但我必须推荐另一个大能"不良林"，他的搭梯技术讲解通俗易懂，即使是没有基础的人，看完之后第二天就能卖专线😂你说牛不牛。在网络上，低调才是第一生存必备的技能。
https://t.co/5JYs0HNp3G