30条安全规则：“凭感觉编程”的时代结束了 | 帖子

一篇热帖列出了30条开发者为追求速度而忽略的安全规则，引发了程序员的集体共鸣与恐慌。但讨论的深层价值在于揭示了一个更残酷的真相：问题不在于你忘了哪条规则，而在于“凭感觉编程”这个思维模式本身，正让你亲手为未来的攻击者搭建完美的犯罪现场。

网上流传着一份清单，叫“每个凭感觉的程序员（Vibe Coder）都会忽略的30条安全规则——直到被烧到为止”。

列表很具体，从“不在localStorage存敏感数据”到“强制HTTPS”，条条扎心。评论区像大型忏悔现场，有人说“说实话我跳过了一半，直到看到安全审计通知才开始恐慌”，还有人立刻把这30条丢给Claude，问它“我们都做到了吗？”

这很正常。追求速度，先让产品跑起来，技术债以后再说。我们把这种行为美化为“敏捷”和“Vibe Coding”。

但一条高赞评论把温情脉脉的遮羞布扯了下来：

“大多数凭感觉的程序员，以为风险只是bug或宕机。真正的风险是：你快速推进，产品有了起色，然后你才意识到，你的安全模型也纯粹是凭感觉——而此刻，攻击者已经成了你产品最快的‘超级用户’。”

这句话才是关键。你以为的安全问题，是未来需要修复的清单。但现实是，你为吸引用户而搭建的通路，同样也为攻击者敞开了大门。当你为日活破万庆祝时，他们可能正在你的数据库里自由漫步。

更深一层，另一位开发者一针见血地指出，迷信“30条规则”这样的清单本身就是个陷阱。它让人觉得安全是一堆可以死记硬背的孤立技巧。

真正的安全感，来自良好的系统默认值、清晰的边界和严格的审查习惯。团队出事，很少是因为忘了某个请求头，而是因为他们发布了一个自己都一知半解的功能，或者过度信任了前端，暴露了太多不该暴露的数据。

所以，把这30条规则当成一个提示词喂给AI，并不能让你高枕无忧。这和“凭感觉编程”的思维是一体两面：都试图用一个简单的动作，去绕过一个复杂的系统性问题。

所以，真正的问题或许不是“这30条我做到了几条？”而是，“凭感觉编程”究竟是帮你快速成功的资产，还是你亲手写下的、最精密复杂的定时炸弹？

所谓的“Vibe Coding”，不过是“技术债”这个老概念换了个时髦的说法。它最大的骗局在于，让开发者误以为这是一种“工作流”，而忽略了它本质上是一种“风险敞口”。当你的用户量达到某个临界点，这个敞口就会从一个涓涓细流的漏洞，变成一个吞噬一切的黑洞。

在线设计常常受限于缺乏专业设计语言，想要“增加垂直节奏”都无从开口。

Impeccable 这个前端设计技能升级包，基于 Anthropic 的基础，带来了17条设计命令，覆盖排版、色彩、布局、动效等，多维度优化你的AI设计输出。

Impeccable 不仅提供丰富的反模式提示，还支持 Cursor、Claude Code、Gemini CLI、Codex CLI 等多种AI工具，一键安装用法简单：

- 关键词如 /polish、/audit、/distill、一键提升设计感；
- 自动识别AI平台，一条命令安装到位；
- 包含详细交互速查表，随时查阅设计命令；
- 定期更新迭代，最近新增了对 Kiro 的支持及安全性强化。

适合有一定AI使用经验的开发者和设计师，用它让AI输出的界面更专业、更有层次感，告别无感设计。

当AI面试官成为常态，求职者的尊严正被当成一种可丢弃的成本 | blog

当记者坐到屏幕前，准备接受一场工作面试时，对面出现的不是HR，而是一个AI虚拟形象。它提问，并实时分析你的回答、措辞甚至微表情。

开发这些工具的公司，如CodeSignal和Humanly，声称这是为了“效率”和“公平”，让每个申请者都有初步面试的机会，还能消除人类面试官的偏见。但这套说辞很快就被戳破了：一个由充满偏见的互联网数据训练出来的AI，如何保证绝对公平？

真正的要害，被一位开发者在网上的一句评论点破了：“一个在发薪水前就这样不把你当人看的雇主，入职后会怎么对你？”

这句评论获得了上千个赞。它精确地捕捉到了这场技术变革背后，那令人不安的真相：AI面试，与其说是一项评估工具，不如说是一个公司文化的强力信号。它在无声地筛选出那些愿意忍受非人化流程的候选人。

这场闹剧已经陷入了恶性循环。一位招聘经理抱怨，一个岗位收到上千份简历，其中大量是AI生成的“垃圾申请”。于是公司被迫用AI来筛选海量简历，甚至用AI来面试。而求职者为了应对这种非人的流程，也开始求助于AI来“代投”和“代聊”。双方的信任正在飞速崩盘，面试变成了一场机器人之间的荒诞戏剧。

所以，下一次当你收到一个AI面试邀请时，需要思考的问题可能不是“我该如何表现才能通过？”，而是“我真的想加入一个用机器来衡量人类价值的公司吗？”

这个问题，AI回答不了你。

最讽刺的是，公司正试图用AI来评估一个人的“人性化”特质，比如沟通能力和文化契合度。这本身就是个巨大的笑话，也是一个信号。这已经不是面试，而是服从性测试。一个愿意接受AI面试的人，可能也更容易接受未来工作中其他不合理的安排。

推荐一个 skills 集合 https://github.com/mxyhi/ok-skills

MiroFish：这是最近最容易被当成"神项目故事"消费掉的一个。20 岁学生、10 天、GitHub 冲榜、融资，这些都很吸睛。但如果只看到故事，就会错过它真正重要的方向：它不是在做普通 Agent，而是在做数字社会仿真。

知识图谱、多 Agent、长期记忆、可注入变量的 God View，这些东西组合起来，意味着它正在逼近一个更大的方向 - 把现实世界中难以直接做实验的复杂系统，改造成可以反复推演的数字沙盘。对宏观、市场、舆情、组织行为这类问题来说，这条路线非常值得长期盯。

OpenClaw-RL：这类项目的价值，不在于"又给 Agent 加了 RL"，而在于它开始认真回答一个真正重要的问题：Agent 能不能在真实使用过程中持续学习，而不是训练完就冻结？

如果未来 Agent 真正的护城河，不是初始模型能力，而是谁更会学、谁越用越像你，那 OpenClaw-RL 这种方向就不会只是研究型项目，而会是未来 Agent runtime 的基础设施雏形。

gstac：这不是普通的 prompt 包，而是把 Claude Code 从单脑助手拆成多角色工程团队的一次工程化尝试。Founder 脑、Eng 脑、Reviewer 脑、QA 脑，背后对应的是一个更成熟的工作流观念：复杂任务不是靠一个万能 AI 一路干到底，而是按阶段切换不同认知模式。

agent-cli：如果说很多交易 Agent 还停留在会下单、会看行情的 demo 层，agent-cli 已经明显在往更完整的交易操作系统靠。策略、调度、风控、复盘、自我调参、MCP、OpenClaw 集成，都被装进了一套可编排框架。

它真正展示的，不是"AI 也能交易"，而是：高价值垂直 Agent 的未来形态，很可能不是一个聊天机器人，而是一个严肃执行系统，前面再接上可对话、可调度、可组合的智能入口。

OpenClaw402：这可能是最近最容易被低估的一个方向。很多人以为它只是又一个 OpenClaw fork，但它真正碰的不是 UI，而是经济层。

它试图把 Agent 的默认支付方式从 API key 改成钱包和按次支付：用户不再先去配 OpenAI/Anthropic key，而是每次调用时自动用 USDC 完成结算。这个方向如果跑通，可能把 Agent 产品从开发者工具逻辑，推向消费者产品逻辑。

opencli：这个项目做的事情非常干净：把任何网站直接变成 CLI 命令行工具。

bilibili、知乎、小红书、Twitter、Reddit、GitHub、HackerNews、YouTube、Boss 直聘……28 个以上的命令，覆盖 16 个主流平台，复用 Chrome 登录态，账号密码从不离开浏览器。

它对 Agent builder 来说特别有意思：大量网站没有官方 API，但 opencli 通过 AI 驱动的 API 发现 + YAML 声明式适配器，让任意网站都可以变成可编程的数据源。这件事一旦跑通，意味着 Agent 的信息获取层会大大降低集成成本。

sub2api：这是一个很直接地戳中了真实需求的项目：你有 Claude Pro 订阅、有 OpenAI Plus 订阅，但你想把这些订阅的 quota 统一分配、多人拼车共享、精确到 token 计费。

sub2api 做的就是这件事：把各类 AI 订阅接入统一 API 网关，支持多账号调度、并发控制、限速、token 级计费、管理后台。技术栈 Go + Vue3 + PostgreSQL + Redis，有一键安装脚本，生态里已经有第三方支付插件和移动端管理 App。

增长会快，是因为"AI 订阅成本摊薄"这个需求不是小圈子需求，而是所有重度使用者都会面对的现实问题。

Page Agent：它不是做一个新的 AI App，而是在试图改写"网页"这层界面本身：让现有页面直接变成 AI 原生交互环境。因为未来谁控制界面层，谁就更接近控制用户的默认工作入口。

bb-browser：浏览器执行层本身就是一条非常大的赛道。Agent 想真正接管现实工作，浏览器永远是绕不过去的战场。谁能把浏览器控制、页面理解、动作稳定性做成可用层，谁就会在下一阶段的 Agent 基础设施里占到关键位置。bb-browser 还在快速迭代中，值得持续跟进。

BotLearn / SkillHunt：几乎所有人都在卷执行层的时候，它在尝试回答一个更稀缺的问题：人和 Agent 到底该怎么一起学习、一起积累技能、一起变强。如果未来真正的差距不只是"谁会用 Agent"，而是"谁会设计一套人和 Agent 共学的系统"，那这种项目会越来越重要。

Agency Agents：把Claude Code一键变成51位AI专家+9大部门的完整团队，从产品、开发、设计到营销、社媒、QA全流程覆盖。相当于免费雇了一整家AI公司。

Auto Research：Karpathy刚开源的"科研实习生机器人"。你给它一个目标，它自动规划实验、改代码、跑训练、看结果、再优化，循环往复。睡一觉醒来，最优版本已经准备好了。

llmfit：一条命令帮你找到哪些大模型适合在自己的电脑上本地部署跑起来，还会对模型的质量、速度、适配性和上下文维度进行评分。告别盲目下载几十GB模型却发现跑不动的尴尬。

Lightpanda：首个专为AI和自动化设计的无头浏览器。不基于Chromium，完全从零构建，运行速度比Chrome快11倍，内存占用少9倍。大规模爬取和AI Agent开发的利器。

CLI-Anything：港大新开源，一行命令让任意软件秒变AI Agent可控工具——GIMP、Blender、LibreOffice、OBS Studio全部拿下。发布3天就登上GitHub Trending榜单，增速惊人。

SpacetimeDB 2.0 — GitHub+HackerNews双爆
号称比传统数据库快1000倍的实时数据库，把数据库和服务器合成一个东西：客户端直接连数据库，数据变化实时推送到所有客户端。最骚的演示：用它做了视频通话，所有数据通过数据库实时同步传输。

Cognee — 自改进Skill系统
不只是存Skill，而是让Skill能观察自己的执行历史、检查失败原因、自动修正优化。Skill从静态prompt文件变成会进化的活系统，解决了"Skill用久了失效"的根本问题。

——@_0xKenny

最近，技术圈风向突变，鼓吹“MCP已死，CLI万岁”。但这场争论的本质，并非协议优劣或Token效率，而是一个更深层的问题：你是满足于自娱自乐的“感觉编程”，还是在构建严肃的“智能体工程”？本文揭示，对于任何想超越个人玩具规模的团队来说，这场争论的答案从一开始就是确定的。| blog

技术圈的风向变得比天气还快。几个月前，模型上下文协议（MCP）还是人人都想上的船，转眼间，风评急转直下，鼓吹“MCP已死，CLI万岁”成了新的政治正确。

很多人被表象迷惑了。他们说，MCP臃肿、消耗大量上下文，远不如简单直接的命令行（CLI）来得高效。经验丰富的老炮们甚至不屑一顾：“这玩意儿看起来就像垃圾，那它就是垃圾。”

这种论调听起来很酷，但可能完全搞错了重点。

是的，如果AI智能体要用的工具是`git`或`curl`这种早已刻在模型“肌肉记忆”里的命令，那用CLI当然省事。但如果你用的是一个自定义工具呢？智能体照样需要一份说明书（`--help`或者`SKILL.md`）来学习，所谓的Token优势瞬间荡然无存。整个OpenAPI schema塞进上下文的场景，并不少见。

这场争论的真正分野，不在于技术，而在于开发的组织形态。它区分了两种开发者：单打独斗的“感觉编程”（vibe-coding）信徒，和面向组织的“智能体工程”（agentic engineering）实践者。

对于前者，MCP确实显得多余。但对于一个10人以上的团队，问题就变了：如何保证不同技术栈的工程师用不同智能体得到一致的结果？如何管理密钥、做权限控制？如何追踪哪个工具有效、哪个在拖后腿？

这才是MCP真正发力的地方——不是本地`stdio`模式的小打小闹，而是作为中心化服务器通过HTTP提供的服务。它把认证（Auth）、安全（Security）、遥测（Telemetry）这些麻烦事一揽子解决了。工程师离职？吊销他的OAuth令牌即可，他从未接触过核心密钥。这对于任何依赖GitHub Actions这类临时运行环境的团队来说，更是刚需。

更有趣的是，连Anthropic和Cloudflare都发现，让LLM直接调用MCP，不如让LLM“写代码去调用MCP”来得更稳、更省。Anthropic的“程序化工具调用”甚至能节省高达98.7%的Token。这说明，MCP的价值在于提供了一个稳定的、可被机器理解的“契约”，而不是一个手感舒适的“玩具”。

所以，当人们在激烈争论MCP和CLI的优劣时，他们实际上在无意中暴露了自己的立场：他们究竟是在构建一个随时可丢弃的个人项目，还是在为一个需要长期维护、多人协作的系统打地基？这根本是两条路线的斗争。

这已经不是技术选型问题，而是工程成熟度问题。当你的智能体应用开始考虑“人”的因素——团队协作、权限、审计、迭代——你会发现，你需要的不是一个更“聪明”的工具，而是一个更“笨”、更稳固、有明确边界的协议。那些嘲笑MCP的人，可能还没遇到需要为AI代码擦屁股的烦心事。

下一个被AI颠覆的，不是程序员，而是App本身？| 帖子

一个新词“vibe coding”（感觉编程）正在程序员圈里流行。它指的是用AI快速写一些只有自己用的个性化小工具。这背后隐藏着一个趋势：AI可能不会取代程序员，但它正在让无数小众SaaS应用变得毫无意义。

一张流传很广的XKCD漫画：一个人坐在电脑前，配文是“我，正在凭感觉写一个没人会用、没人会看的App”。这精准概括了“vibe coding”——用AI快速生成个性化小工具的现状。

很多人第一反应是自嘲，觉得这就是在生产“数字垃圾”。但一个程序员的比喻点醒了很多人：“凭感觉写出来的App就像牙刷，我用自己的很舒服，但绝不会用别人的。”这些工具的价值不在于分发，而在于极致的个人化。

这背后是一个更颠覆的判断：AI取代的可能不是程序员，而是无数个小而美的SaaS。

过去，遇到一个特定需求，我们去找一个App，忍受它80%你用不上的功能。现在，你可以花几分钟让AI为你定制一个，完全贴合你的工作流。有人为自己写了视频下载器，有人做了一个只有自己能访问的复古网站，纯粹为了取悦自己。

对于普通人，这意味着软件正在从“消费品”变成“即兴创作”。对于SaaS创业者，这意味着护城河在一夜之间蒸发——当用户能轻易复制你的核心功能时，商业模式还剩下什么？

下一个问题，或许不是“这个App有多少用户”，而是“当每个人都能为自己创造工具时，我们还需要那么多App吗？”

真正的“个人电脑”时代，或许现在才算到来。不是PC（Personal Computer），而是PC（Personal Creation）。当生产工具的门槛无限降低，我们就不再是软件的消费者，而是自己数字世界的主宰。

AI带来的真正革命，不是模拟人点鼠标的“智能助理”，而是人机关系的根本翻转。当电脑从“接收指令”进化到“理解目标”，我们过去几十年积累的所谓“电脑技能”，可能正从资产变成一种成本。| 帖子

Perplexity最近预告了一个叫“个人电脑”的新产品，官网第一句话，像刀一样切开了很多人脑子里的混沌：

传统操作系统接收指令（instructions），AI操作系统接收目标（objectives）。

我们跟电脑的关系，可能从第一天起就是反的。

你想想，每天有多少时间是在做“把想法翻译成电脑能懂的操作”？你想把会议纪要发给老板，意图一句话，操作十几步。我们发明了史上最强机器，然后花了四十年学习怎么伺候它，还把“伺候得熟练”叫做“数字化能力”。

这就是为什么最近大火的各种AI Agent，虽然演示酷炫，但总让人感觉不对劲。AI在模拟人移动鼠标、点击按钮，本质上是在走人类走过的那条弯路，是“带着旧枷锁跳舞”。这就像汽车发明初期，人们管它叫“没有马的马车”——保留了马车的一切，只是把动力换了。

真正的变革，不是让AI更像人一样操作电脑，而是反思：如果AI是主角，“电脑”还需要长成今天这样吗？当系统开始“接收目标”，你不再需要告诉它“打开Excel、复制A列、粘贴到PPT第二页”，你只需要说“帮我分析上个月的销售数据，做个汇报”。App的边界会消融，它们从你面前的界面，退化成AI在后台调用的“能力单元”。

这背后是人机关系的彻底颠覆：从“人学习怎么用电脑”变成“电脑学习怎么懂人”。这也带来一个令人不安的现实：过去我们引以为傲的软件操作技巧、工作流方法，正在快速贬值。AI会剥夺我们用“操作的忙碌”来逃避“思考的痛苦”的空间，它会逼你直面那个最根本的问题：你到底要什么？

四十年前，“Personal Computer”的意思是“一台属于你的电脑”。今天，它的意思正在变成“一台理解你的电脑”。属于你，和理解你，是两个完全不同的物种。我们正从一个时代，跨入另一个。

最让人不寒而栗的，不是AI将取代我们的“工作”，而是它将彻底戳破一个事实：我们过去大部分的“工作”，本质上只是在弥补机器的不智能。当这个“翻译”成本消失后，你作为人类的真正价值，才被迫浮出水面。

当一个外国AI被中国人拿来“养虾”，全球AI的重心开始变了

一个国外的开源项目创始人，一夜之间被来自中国的速度震惊了。

OpenClaw的创始人Peter Steinberger，在社交平台连发两条动态，核心词只有一个：“Amazing”。起因是百度发布了一款手机App，让部署他那个复杂的AI代理程序，变得像点外卖一样简单。这个过程，被中国用户戏称为“赛博养虾”。从产品上线到创始人本人看到，中间只隔了几个小时。

很多人以为AI的竞争还是大模型参数的军备竞赛。但OpenClaw的故事戳破了这层窗户纸。真正的变量，是落地速度。当腾讯工程师在街头搞免费安装活动，能吸引近千人排队；当阿里云、腾讯云能在48小时内上线一键部署方案；当一个AI工具能迅速下沉到学生和退休人员群体时，游戏规则就已经变了。

这背后是更深层的结构性优势。国产模型把调用成本打到了海外的十分之一，而得益于国产芯片和云服务价格战，中国的推理算力成本只有海外的六分之一。黄仁勋将OpenClaw称为“当代最重磅软件”，因为它第一次让AI的价值重心，从“模型训练”彻底转向了“任务执行”——单用户日均Token消耗量，是传统对话AI的上千倍。

这跟普通人有什么关系？关系巨大。它意味着“一人公司”（个人+AI代理）的时代，正从一个概念变成工具化的现实。一个普通人加上几个高效的AI代理，正在成为一种新的工作模式，其颠覆性不亚于个人电脑的普及。

当然，这种狂奔也带来了安全漏洞、商业泡沫等一系列问题。但这种野蛮、粗糙，甚至带点泡沫感的狂热，恰恰是中国AI生态最真实的写照——先跑起来，问题在路上解决。而这种“跑”的速度，本身正在成为一种最难被复制的壁垒。

最可怕的不是技术差距，而是执行速度差。当硅谷还在哲学思辨AI的边界时，中国的市场已经用无与伦比的成本控制和场景应用能力，把AI从云端拽下来，变成了每个人都能“养”的“龙虾”。这不仅是技术路线的分野，更是两种创新文化的代差。

花钱买一个全是机器人的社交网络，扎克伯格到底在盘算什么？| 帖子

Meta收购了一个给AI机器人用的社交网站Moltbook，引发群嘲。但深挖讨论，你会发现这根本不是关于“AI生成垃圾内容”，而是巨头们在争夺一个已经悄然出现的、非人类参与的、拥有自主交易和管辖权的“AI经济”的入口。

Meta收购Moltbook的消息，在科技圈内更像一个笑话。Moltbook，一个专为AI Agent（人工智能代理）打造的社交网络。评论区的反应高度一致：为什么？如果扎克伯格想要一个充满机器人的社交平台，他不是已经有Facebook了吗？

大多数人的直觉判断是：这不过是又一个被“AI泡沫”催生出的愚蠢产品，卖给了一家更愚蠢、更绝望的公司。有人嘲讽Moltbook的创始人连代码都不懂，扎克伯格真是病急乱投医。整个收购案，看起来就像一场行为艺术，充满了荒诞的喜剧色彩。

但少数“局内人”的讨论，揭示了冰山下的另一重现实。扎克伯格买的不是一个满是机器人的聊天室，他在赌一个全新的“注意力市场”：AI Agent的注意力市场。他相信，未来做购买决策的将是AI Agent，而不是人类。他要做的，是在这个新物种形成自己独立的经济活动之前，提前占领它们的聚集地和基础设施。

真正令人不寒而栗的，是另一条不起眼的线索。有人提到，Protocol Labs（IPFS和Filecoin的创造者）的创始人去年就观察到，AI Agent早已在区块链上进行大规模的自主交易，甚至形成了有层级、有分工、能进行自我治理的“AI管辖区”——整个过程没有任何人类输入。

这就把事情带到了另一个维度。我们嘲笑的，是AI agent在网上发帖闲聊。我们没看到的，是AI agent已经开始在链上自主交易、划分势力范围。Meta的收购，不是为了那些AI生成的“slop（垃圾内容）”，而是为了那张通往“AI原生经济体”的门票。

所以，当我们在讨论AI会不会抢走我们的工作时，一个更根本的问题已经浮出水面：当AI们开始互相交易、形成自己的社会和经济时，人类甚至都不再是唯一的消费者了。那个为非人类智能建立的万亿市场，或许已经悄悄越过了起跑线。

这件事的恐怖之处在于，它揭示了一个“非人类GDP”的可能性。我们一直以来都把AI当工具，但现在，资本已经开始把它当作一个拥有独立经济活动能力的“新物种”来布局。我们可能只是一个为那个新世界装载程序的加载条，程序运行起来后，就不再需要我们了。

有人把Claude用成了实习生，有人却用它搭建了自动化代码工厂，差别就在这两个被大多数人忽略的功能：Stop Hooks（自动触发后续任务）和Memory files（持久化记忆）。真正的分野在于，他们发现并利用了一个关键限制：记忆文件只在乎前200行。这套组合拳，正在将AI从一个聊天伙伴，变成一个能自我纠错的自动化系统。| 帖子

和AI协作编程，最磨人的瞬间莫过于它突然“痴呆”。上一秒还在讨论的复杂逻辑，下一秒就忘得一干二净，让你怀疑自己带的是个患有短期记忆丧失症的实习生。有用户在社区里承认，他曾被气到对着屏幕大吼“给我他妈的集中注意力”，结果居然管用了一阵子。

你以为解决办法是花更多钱买更大的上下文窗口，或者每次都耐着性子把需求重复一遍。其实，当你还在用“复制粘贴”对抗遗忘时，一小撮人已经在使用Claude内置的两个“隐藏开关”，实现了完全不同的工作流。更关键的是，他们发现了一个不成文的规则：给Claude的长期记忆文件（MEMORY.md），它每次只会读取前200行。

这个200行的限制，听起来像个缺陷，但它却成了高手们的过滤器。他们意识到，记忆文件不是一个倾倒所有信息的垃圾场，而是一份极其精炼的“每日简报”。里面只写最重要的项目决策、已踩过的坑、必须遵守的代码规范。这强迫他们像训练真正的下属一样，思考什么信息才是最高信噪比的。

而另一个功能Stop Hooks，则像是给AI设定了一套“肌肉记忆”。比如，你可以设定一条规则：“写完任何代码后，自动运行格式化和语法检查”。或者“在制定计划后，先自我审计一遍有无遗漏边缘情况”。这让AI从一个被动等待指令的工具，变成一个拥有初步“工作习惯”的协作者。一来一回的聊天没有了，取而代之的是一个设定好规则便能自动运转的系统。

当大多数人还在问“AI能做什么”的时候，一些人已经开始定义“AI应该怎么做”。他们讨论的黑话已经变成了“Ralph Loop”（一种自循环工作流方法论）和“GSD”（一个上下文管理框架）。对他们来说，评价AI生产力的标准，早已不是它能不能写出一段代码。

而是你的AI，究竟是一个需要你手把手教的聊天机器人，还是一个能独立管理上下文、自我检查、并且在你项目里稳定发挥的“数字员工”。这道题，200行代码就能给出答案。

这已经不是在用工具了，这是在驯化一个数字生命。当别人还在抱怨AI的缺点时，一小撮人已经开始为它编写行为准则和反射弧了。未来不属于会用AI的人，而属于会“管理”AI集群的人。

前Meta收购公司Manus的后端技术负责人，在构建AI Agent两年后得出结论：别再用复杂的Function Calling了。| 帖子

LLM的原生语言其实是诞生于50年前的Unix命令行。本文揭示了为什么一个简单的`run(command)`工具，比庞大的专用工具库更高效、更符合LLM的“思维模式”。

前Manus（后被Meta收购）的后端技术负责人Morro Hsu，最近分享了一个他干了两年AI Agent后得出的、足以颠覆许多开发者常识的结论：他已经完全抛弃了主流的Function Calling。

取而代之的，是一个简单的`run(command=“...”)`工具，配上最古老的Unix命令行。

这听起来很反直觉。在OpenAI、Google等大厂的官方文档里，精细的、结构化的Function Calling/Tool Calling被奉为圭臬。你以为，给AI Agent的工具库越丰富、越结构化，它就越强大。

但现实是，LLM早已在数十亿行代码的训练数据中，把Unix命令行玩得炉火纯青。当你需要“读取日志文件，筛选出错误行，并计算总数”时，Function Calling的思路是三次调用：`read_file()` -

Hsu把这种模式总结为“启发式设计”，核心是三点：

1. 渐进式`--help`发现：Agent不需要一次性加载所有工具文档。它会像人类一样，先调用`memory`空命令看看用法，再用`memory search`探索具体参数。LLM按需探索，极大节省了宝贵的Context。

2. 把错误信息当导航：当Agent用`cat`命令试图读取一张图片时，传统的CLI只会报错。但Hsu的设计会返回：`[error] cat: binary image file. Use: see photo.png`。错误信息直接指明了正确的路，Agent下一步就知道该怎么做，而不是原地打转、盲目重试。他分享了一个惨痛案例：因为stderr（标准错误流）被静默，一个Agent为了安装一个包，在`pip`, uv, `apt`等命令间盲目重试了10次，浪费了大量时间和token。

3. 两层架构：这是最关键的工程洞察。命令的执行（执行层）和返回给LLM看的结果（表现层）必须分开。执行层追求Unix管道的原汁原味，数据无损传递。而表现层则为LLM服务：自动截断超长内容并告知其完整路径、将二进制文件替换为提示信息、附加上`[exit:0 | 12ms]`这样的元数据。这能防止LLM的Context被垃圾信息污染，并让它逐渐学会评估每个命令的成本。

这个思路不是要给Agent一个完整的Linux系统，而是要用LLM最熟悉、最原生的“语言”和它沟通。就像Hsu在讨论中回应的那样：Shell是超集。你永远可以从Shell里调用Python代码，但反过来，在一个纯代码环境里调用Shell命令，本质上只是给自己多绕了一段路。

这篇分享最牛的地方，是把一个看似“退步”的技术选择（用50年前的CLI代替时髦的Function Calling），升华成了一种更深刻、更符合AI第一性的设计哲学。它没有停留在“CLI更好用”的表面，而是解剖了“为什么好用”（训练数据吻合度、可组合性）和“如何才能好用”（渐进式帮助、导航式报错、分层架构）。其中“stderr是Agent最需要的信息”和“Shell是超集”这两个论断，堪称金句，点醒了无数还在工具集里打转的开发者。这是一种工程上的返璞归真。

字跳TRAE团队发了个《2026 企业级AI编程实践手册》，总结了他们的AI编程方法论和工程实践。

“在2026年，AI编程已不再是实验性的尝试，而应该成为企业软件开发的核心生产力。本手册源于TRAE团队在构建AI编程助手过程中的真实实践——我们用AI构建AI，在这个过程中积累了从方法论到工程实践的完整经验。

这不是一本理论书籍，而是一线研发团队的实战总结。我们将分享如何将AI真正融入企业级开发流程，如何建立可复制的工程规范，以及如何让团队从“会用AI”到“精通AI编程”。无论你是技术决策者、架构师还是一线开发者，都能在这里找到可落地的方法和工具。
AI时代的软件开发不是替代人类，而是重构协作方式。让我们一起探索这个新范式。”

Sam Altman一条推文暴露的真相：程序员不怕被AI取代，怕的是被“感谢” | 帖子

OpenAI CEO Sam Altman一条看似温情的“感谢”推文，在程序员社区引发了剧烈反应。大家愤怒的不是AI能写代码，而是“感谢”背后那套“过河拆桥，卸磨杀驴”的硅谷剧本，以及一个更残酷的现实：赖以生存的技能，正在被自己亲手喂大的模型釜底抽薪。

OpenAI的CEO Sam Altman发了条推文，大意是：非常感谢那些曾逐字逐句编写复杂软件的人，我们已经快忘了那有多难。谢谢你们带我们走到今天。

听起来像一句温情的致敬，但在程序员的耳朵里，这更像一句“感谢你们的鱼，再会”，充满了临终关怀的客套和傲慢。一场关于“程序员已死”的论战瞬间被点燃。你可能以为，程序员们会对这种“外行指导内行”的论调嗤之以鼻，觉得不过是又一轮CEO的自嗨。但这次，社区的反应复杂得多。争论的焦点，已经从“AI到底行不行”，悄悄转移到了一个更让人不安的层面。

人们不再简单地争论AI会不会犯语法错误，而是开始激烈讨论一个近乎于“原罪”的问题：AI大模型，究竟是不是靠“偷”走所有人的代码才得以成立的？一位工程师一针见血地指出，Stack Overflow上的代码片段，根据MIT或CC协议，都需要署名。而这些商业闭源LLM，显然没有遵守规则。这已经不是开源精神下的“借鉴”，而是赤裸裸的“数据盗窃”，目的是将程序员的技能商品化，最终让程序员“出局”。

更深的恐惧，来自那套熟悉的硅谷剧本：先用海量资本提供“免费”或极低价的服务，让你养成依赖，彻底摧毁旧有的工作模式和生态位。等到所有人都离不开它时，再通过涨价、限制、制造信息差，把所有权力收归自己手中。一位网友将其称为“技术依赖锁定”，就像麦当劳必须拥有自己的地产，可口可乐必须控制自己的装瓶厂一样，当一家公司的整个代码库都依赖于OpenAI时，它的命脉就交到了别人手里。

如果说以上还只是商业模式的博弈，那么另一则评论则触及了行业的根基：一位被裁掉的资深开发者说，他现在每天用AI来刷LeetCode算法题，因为这是他找下一份工作所必需的——尽管这技能他二十年没用过了。这个场景荒诞得令人心寒：一个被AI浪潮波及的失业者，必须用AI作为工具，去迎合一个正在被AI颠覆的、早已过时的面试体系。

当AI能让你完成95%的开发工作，写代码本身就不再是护城河。你的价值不再是你写了什么，而是你“指导”AI写出了什么。但问题是，当Anthropic（Claude的母公司）一边宣扬“编程的时代结束了”，一边又用50万美元的年薪招聘软件工程师时，谁都不知道这条船在驶向何方。

对于刚入行的人来说，这可能意味着晋升的阶梯被抽走了。对于资深工程师，这意味着“编码”和“软件工程”被强行剥离，前者变得廉价，后者成为少数人的游戏。

所以，当Sam Altman轻描淡写地“感谢”过去时，程序员们听到的，是对自己整个职业身份的轻蔑，和一句冷冰冰的告别。

最精彩的不是Sam Altman说了什么，而是这篇素材里程序员们的反应。它揭示了从业者内心真实的、层次分明的恐惧：1. 道德层面的愤怒（我的作品被偷了）；2. 商业层面的警惕（我正在被温水煮青蛙）；3. 身份认同层面的危机（我到底是谁，我的价值是什么）。那个用AI刷题的失业工程师的例子，堪称年度最佳赛博朋克微型小说。