个人碎碎念channel
欢迎加入聊天吹水群组https://t.me/adelesfriends
欢迎加入聊天吹水群组https://t.me/adelesfriends
本项目是一个与 AI 结对编程的终极工作流程，旨在帮助开发者丝滑地将想法变为现实。本指南详细介绍了从项目构思、技术选型、实施规划到具体开发、调试和扩展的全过程，强调以规划驱动和模块化为核心，避免让 AI 失控导致项目混乱。
核心理念: 规划就是一切。 谨慎让 AI 自主规划，否则你的代码库会变成一团无法管理的乱麻。
这个思想的核心是构建一个能够自我完善的 AI 系统。我们可以将其分解为以下步骤，以突出其递归的本质：
1. 定义核心角色：
α-提示词 (生成器): 一个“母体”提示词，其唯一职责是生成其他提示词或技能。
Ω-提示词 (优化器): 另一个“母体”提示词，其唯一职责是优化其他提示词或技能。
2. 描述递归的生命周期：
·创生 (Bootstrap):用 AI 生成 α-提示词 和 Ω-提示词 的初始版本 (v1)。
·自省与进化 (Self-Correction & Evolution):用 Ω-提示词 (v1) 去优化 α-提示词 (v1)，得到一个更强大的 α-提示词 (v2)。
·创造 (Generation):用进化后的 α-提示词 (v2) 去生成我们需要的所有目标提示词和技能。
·循环与飞跃 (Recursive Loop):最关键的一步：将新生成的、更强大的产物（甚至包括新版本的 Ω-提示词）反馈给系统，再次用于优化 α-提示词，从而启动下一轮进化。
3. 终极目标：
通过这个永不停止的递归优化循环，系统在每一次迭代中都进行自我超越，无限逼近我们设定的理想状态。
Anthropic公司最近干了一件挺事，他们把研究对象对准了自己，调查了132位公司内部工程师和研究人员，做了53次深度访谈。
目的就是为了想搞清楚一个问题：AI到底是怎么改变他们自己工作的？
这个视角很特别。
因为他们的今天，可能就是很多行业的明天。
这份报告读完，我感受到的不是恐慌，而是一种很复杂的情绪。
从数据上来看，一年前，这些工程师在日常工作中使用Claude的比例是28%，觉得效率提升了20%左右。
现在，使用比例到了59%，效率提升感知涨到了50%。
相当于一年时间，两个指标都翻了一倍多。
但有趣的是效率提升的具体表现。
你以为是同样的活儿干得更快了对吧？不完全是。
调查发现，在各类任务上，时间节省其实没那么夸张，但产出量的增加非常明显。
而且27%的Claude辅助工作，是那些一直想做但优先级不够高的事情。
比如给代码写更完善的文档，比如做一些提升工作体验的小工具，比如重构那些虽然能跑但结构很烂的代码。
但人人都在变成全栈，代价是什么？
一个后端工程师描述了他用Claude做UI的经历。
他说设计师看到成品的时候惊了，问他这是你做的？
他回答说不是，是Claude做的，我只是指挥了一下。
这听起来很美好，每个人都变成了多面手，原来不敢碰的东西现在敢碰了。
但报告里有一个词让我印象很深：skill atrophy，技能萎缩。
一位工程师说，他以前自己去调试一个难题，虽然花时间，但会顺便读很多文档和代码。
这些东西当时看起来跟问题没关系，但其实你一直在构建对整个系统的理解。
现在Claude直接帮你定位问题了，这种附带学习就没了。
有些困难是学习过程中必须经历的，绕过它你虽然省了时间，但也错过了真正的成长。
这里有一个很微妙的矛盾。
现在的AI还不能完全信任，你需要监督它的输出，尤其是在重要的工作上。
但监督AI的能力，恰恰来自于你自己动手干活积累的经验。
一位安全工程师举了个例子，Claude给出的某个方案看起来很聪明，但他一眼就看出这是那种聪明过头的危险方案，是资深人士才能识别的陷阱。
他说这种判断力，只有做过很多年才有。
如果新人从一开始就依赖AI，他们怎么培养这种判断力？
报告里把这叫做paradox of supervision，监督悖论。
你越用AI，你监督AI的能力可能越弱。但你越不用AI，你的效率又跟不上。
这个困境目前没有标准答案，有些工程师的应对策略是刻意练习。
就算知道Claude能搞定，偶尔也强迫自己不用它，保持手感。
报告的结尾，抛出了一个有意思的视角。
软件工程一直在朝更高抽象层次发展。
最早的程序员要手动管理内存，要写汇编语言，甚至要用物理开关输入指令，后来有了高级语言，很多底层操作自动化了。
一位员工建议想当工程师的人：学会让AI写代码，然后把精力放在更高层面的概念和模式上。
这个建议有道理，但也有人指出，每一次抽象层级的提升都有代价。
当大家都用高级语言之后，大多数程序员就不再深入理解内存管理了。这种丢失的知识，有时候在关键时刻会变成问题。
读完这份报告，我总结了几条对普通人有用的insight：
1、效率提升的红利期是真实的，但那些被省下来的时间，要有意识地投入到AI还做不好的事情上。比如建立人际关系，比如发展判断力，比如理解系统的底层逻辑。
2、刻意保持一些不用AI的练习，因为你需要保持监督AI的能力。
3、重新思考工作的意义。如果你的满足感来自于亲手完成某件事，那要想清楚这种满足感以后从哪里来。如果你的满足感来自于结果和影响力，那AI其实是你的加速器。
4、关注人的连接。技术在让协作变得更高效的同时，也在稀释那些低效但有温度的交流。这部分不会自动补回来，需要你主动去维护。
Anthropic这份报告的价值不在于给出答案，而在于它呈现了一种真实的复杂性。
这群站在AI前沿的人，他们既兴奋又焦虑，既享受效率又担心失去什么。他们没有确定的未来图景，只有一种共识：要保持适应能力。
https://web.okjike.com/u/9ca2b1fd-086e-4fbe-a1f8-b641f8f4b9d1/post/6937c2d9b756b2fd2ad2a853
目的就是为了想搞清楚一个问题：AI到底是怎么改变他们自己工作的？
这个视角很特别。
因为他们的今天，可能就是很多行业的明天。
这份报告读完，我感受到的不是恐慌，而是一种很复杂的情绪。
从数据上来看，一年前，这些工程师在日常工作中使用Claude的比例是28%，觉得效率提升了20%左右。
现在，使用比例到了59%，效率提升感知涨到了50%。
相当于一年时间，两个指标都翻了一倍多。
但有趣的是效率提升的具体表现。
你以为是同样的活儿干得更快了对吧？不完全是。
调查发现，在各类任务上，时间节省其实没那么夸张，但产出量的增加非常明显。
而且27%的Claude辅助工作，是那些一直想做但优先级不够高的事情。
比如给代码写更完善的文档，比如做一些提升工作体验的小工具，比如重构那些虽然能跑但结构很烂的代码。
但人人都在变成全栈，代价是什么？
一个后端工程师描述了他用Claude做UI的经历。
他说设计师看到成品的时候惊了，问他这是你做的？
他回答说不是，是Claude做的，我只是指挥了一下。
这听起来很美好，每个人都变成了多面手，原来不敢碰的东西现在敢碰了。
但报告里有一个词让我印象很深：skill atrophy，技能萎缩。
一位工程师说，他以前自己去调试一个难题，虽然花时间，但会顺便读很多文档和代码。
这些东西当时看起来跟问题没关系，但其实你一直在构建对整个系统的理解。
现在Claude直接帮你定位问题了，这种附带学习就没了。
有些困难是学习过程中必须经历的，绕过它你虽然省了时间，但也错过了真正的成长。
这里有一个很微妙的矛盾。
现在的AI还不能完全信任，你需要监督它的输出，尤其是在重要的工作上。
但监督AI的能力，恰恰来自于你自己动手干活积累的经验。
一位安全工程师举了个例子，Claude给出的某个方案看起来很聪明，但他一眼就看出这是那种聪明过头的危险方案，是资深人士才能识别的陷阱。
他说这种判断力，只有做过很多年才有。
如果新人从一开始就依赖AI，他们怎么培养这种判断力？
报告里把这叫做paradox of supervision，监督悖论。
你越用AI，你监督AI的能力可能越弱。但你越不用AI，你的效率又跟不上。
这个困境目前没有标准答案，有些工程师的应对策略是刻意练习。
就算知道Claude能搞定，偶尔也强迫自己不用它，保持手感。
报告的结尾，抛出了一个有意思的视角。
软件工程一直在朝更高抽象层次发展。
最早的程序员要手动管理内存，要写汇编语言，甚至要用物理开关输入指令，后来有了高级语言，很多底层操作自动化了。
一位员工建议想当工程师的人：学会让AI写代码，然后把精力放在更高层面的概念和模式上。
这个建议有道理，但也有人指出，每一次抽象层级的提升都有代价。
当大家都用高级语言之后，大多数程序员就不再深入理解内存管理了。这种丢失的知识，有时候在关键时刻会变成问题。
读完这份报告，我总结了几条对普通人有用的insight：
1、效率提升的红利期是真实的，但那些被省下来的时间，要有意识地投入到AI还做不好的事情上。比如建立人际关系，比如发展判断力，比如理解系统的底层逻辑。
2、刻意保持一些不用AI的练习，因为你需要保持监督AI的能力。
3、重新思考工作的意义。如果你的满足感来自于亲手完成某件事，那要想清楚这种满足感以后从哪里来。如果你的满足感来自于结果和影响力，那AI其实是你的加速器。
4、关注人的连接。技术在让协作变得更高效的同时，也在稀释那些低效但有温度的交流。这部分不会自动补回来，需要你主动去维护。
Anthropic这份报告的价值不在于给出答案，而在于它呈现了一种真实的复杂性。
这群站在AI前沿的人，他们既兴奋又焦虑，既享受效率又担心失去什么。他们没有确定的未来图景，只有一种共识：要保持适应能力。
https://web.okjike.com/u/9ca2b1fd-086e-4fbe-a1f8-b641f8f4b9d1/post/6937c2d9b756b2fd2ad2a853
想要系统性学习Deep Research的可以看看。该论文系统地梳理了Deep Research (DR) 这一新兴领域，旨在赋予大型语言模型（LLMs）类似于人类研究员的能力，使其能够通过自主规划、信息获取、记忆管理和深度推理来解决复杂的开放性问题 。
另外github仓库里还给出了相关论文的链接，方便直接查看。
