拾光·时光机

# 什么是Skill ，它和 Function Call 的区别在哪里 简单来说，**Function Calling 是基础工具/原子操作，而 Skill 是利用这些工具完成特定业务目标的完整能力** Skill 和 Function Call 是两个不同层面的机制，虽然经常配合使用，但作用不一样。如果说 LLM 是…

> 卡比暴论：Skill将死，方法论永生！ 说得有点道理，因为在最开始接触 AI Coding 的时候，Superpowers 是很好用的，但随着模型能力的增强，Superpowers 反而会让模型变得啰嗦降智，取而代之的就是 Grill Me，简简单单几句话而不是像 Superpowers 有千行技能说明 ^638a…

不应把所有环境变化都视为 Observation 失效，而应根据 Action 的依赖做精细化失效判断，在正确性、延迟和 token 成本之间做权衡

Agent Runtime 本身通常不承担开放环境下的**语义决策**，它负责应该是工具调度、状态管理、执行控制和结果回传这类确定性的工程逻辑，而不是一些开放性的语义决策；而模型负责根据当前 Observation 进行下一步决策 > 当环境状态不能被预先完整编码成固定规则时，就需要 Agent Loop 通过不断观察…

> > Boris Cherny 访谈 # 悬余、解缚 大模型以不连续的跳跃式速度跃迁，而产品集成却以连续的增量式节奏推进。这就导致模型所具备的能力总会超出现有产品所能释放出的边界 **模型激发**：在不改变模型权重的情况下，通过提示词、上下文、工具或产品形态的设计，让模型表现出它本已具备但此前从未被激发调用的能力 模…

1. 意图定义和精确规格写作：把业务痛点转化为清晰需求、验收标准、输出格式、边缘案例 2. 批判性代码审查与调试心智模型：必须能读懂 AI 代码，找出隐藏 bug，安全漏洞、坏抽象、违反分层规范的问题。而建立强大心智模型的最好方式是：手动实现核心概念，再让 AI 辅助 3. 软件工程基础与“底座思维”：深入理解分层架构…

Keep this. Stay close.

从“会写”到“会判断” 对于技术选择，多问自己 > 1. 为什么是它？(我有什么理由选这个,而不是另一个?是真有理由,还是只是「大家都这么用」「我熟」?) > 2. 代价是什么？(选了它,我同时放弃了什么?将来会在哪里付出代价?)

Vibe coding 误区：AI 写完代码能跑就结束了 但在真实项目里，能跑只是第一步，还要看有没有破坏原有逻辑，有没有留下隐性问题，有没有让后期维护变难 所以写完代码要进行 review，而不是直接下一个需求 Review 一般要做 5 件事 1. 改动范围是否超出指令 2. 是否改了不该改的文件 3. 接口和数据…

#徒步 · 把这一刻留在时光机里。

> 谷歌Chrome负责人揭开Vibe Coding幻觉：AI只能帮你写出70%的代码！未来开发者培养方式将变化成三人编程 - 真正的 AI 驱动开发不是“快”，而是有意图的构建 - 如果只是"跟着 vibe 走"，我觉得在创意阶段、原型阶段是可以的，这个阶段更需要发散；但在工程阶段肯定不行，在工程阶段更需要“规范驱动…

Medium 上有好多文章都在说公司大规模引入AI编码工具后，会出现软件架构漂移问题，甚至会导致重大生产事故，比如 AWS。去年12月份 AWS 内部 Kiro 在处理 Cost Explorer 服务问题的时候，自主决定“删除并重建”整个生产环境，导致服务中断 13 小时，国内一大堆订单处理受影响。 AI 确实能给开…

AI 时代，团队需要有很多ai想法或者产品思维的人，而不是螺丝钉（随时会被替代），如果你的想法很值钱，就不容易被替代 模型的结果质量 = 需求明确性 + （提示词）上下文（大模型侧的视角，用户侧的视角是认知）「认知：对代码的理解、产品的理解、开发的理解等等，懂得越多能更好的压榨模型的能力」 人不可能比 ai 聪明，但人…

agent学习记录

在vibecogding过程中，快速生成、想法变原型快效果很刺激。但容易陷入代码腐化的危机，如错误堆积、改动影响大、维护成本高，快速生成的是项目而不是可演进的工程。软件的最大价值在于可以规模化推广，也就是一次开发多次分发，以及收拢通用需求演进。现在的生成模式很难让软件进入“复利模式”，应该从生成模式演变成治理模式即冻结…

测试 draft 属性

最近做的一期项目有用到腾讯云IM的内容，差不多完结了做一下总结归纳