jane @sleepytissuebox

Snowflake PostgreSQL に Performance Insights ダッシュボードを構築する｜Ka Tei #SnowflakeDB zenn.dev/snowflakejp/ar… #zenn

轰轰烈烈的大蒸馏时代要暂时告一段略了 support.claude.com/zh-CN/articles…

昨天资深程序员卡颂大佬 @kasong2048 引用我推文时提了一个很关键的点：AI 审代码挑出来的很多问题往往不是编码失误，而是需求没对齐导致 AI 只能脑补。 顺着这个思路，我在这篇帖子里系统梳理了一下怎么让 AI 编程真正走在正确的轨道上，建立一套系统让整个事情从“整点东西玩玩”变成“可靠的系统工程”。 整件事的核心其实就是三件事。目标对齐（定义你程序的终点）、路径探索（找到通往重点的路径）、循迹前行（确保走在正确的路上） ps: 这篇帖子的知识密度非常大，深度总结了我在大厂实习和日常AI开发中的流程管理实践，希望能对大家有所启发。 1️⃣ 目标对齐 ⚠ 这一步的核心目标是定义好你程序最后要到达的重点在哪里。 很多时候我们丢给 AI 的 Prompt，往往是一个带着个人偏见的半成品解法。 比如你跟 AI 说“帮我做个支持微信登录和购买会员的功能”，你以为需求已经交代清楚了，但你实际业务里藏着的“支付超时怎么回退库存”、“微信回调重复通知如何做幂等校验”、“多端登录时 Token 如何刷新”等一大堆隐性上下文，AI 根本看不到，只能基于训练集的概率分布在解空间里硬猜，结果做得跟你想的不一样又让人恼火。 图灵奖得主 Fred Brooks 早就说过：“构建软件系统最困难的单一环节，就是精确决定要构建什么。” 没有哪个环节做错会对系统造成如此致命的破坏，事后也最难纠正。 需求工程（Requirement Engineering）的核心本质就是两件事： 消除隐性假设：把那些你以为大家都默认，但其实谁都没写明的边界条件、灰色地带和异常流提前逼出来。 建立唯一事实来源：把脑子里模糊的想法，固化成一份精确的规格说明（Spec）。 🛠️ 落地实践：grill-me，grill-with-docs (来自matt pocock/skills) 它们的本质都是苏格拉底式需求获取（Socratic Elicitation）。核心思想是让AI 先别急着敲代码，先扮演严苛的架构师反过来“拷打”你：“并发边界是多少？”“第三方服务挂了怎么降级？”“数据冲突怎么处理？”直到把所有隐藏假设剥离干净，自动落成一份清晰的产品和技术规格文档。 2️⃣ 路径探索 ⚠ 这一步的核心目标是找到通往程序终点的可能路径。 需求确定之后，通向目标的路径往往不止一条。而且每条路往下走，还会分出各种各样的技术分支。 很多时候某条路能不能走，不仅要看能不能实现，还得放在你当前工程的具体局限下去权衡。我通常会看这四个维度： 实现的复杂性：初始交付的技术门槛高不高？ 维护的复杂性：未来会不会变成技术债？模块耦合度有多大？ 时间与资源成本：第三方依赖贵不贵？开发周期赶不赶？ 方案的可逆性：如果走不通，调头推倒重来的代价有多大？ 但现实往往更复杂。方案选出来后，你也未必百分之百确定它可行，必须先去探索——也就是大家常说的先 probe（探一下），探通了才敢继续踩油门。 因为通往最终需求的路径本身就是一个拓扑网络，中间充满分支和不确定性，所以一开始必须有宏观的架构规划。先规划好整个体系大概长什么样，既能在宏观上统一各个细小的实现分支，也能在后续某个分支调整时，把对整个系统的冲击降到最低。 在动手前，借鉴 ADR（架构决策记录） 的思路：明确写下“背景-决策-后果与代价”，先定拓扑，再定具体实现。 🛠️ 落地实践：wayfinder + research + prototype (来自matt pocock/skills) wayfinder：负责全局拓扑规划与路径导航，把不同的架构路线拆解、对比； research：当某个分支可行性存疑时，自动触发技术探针（Spike），去检索最新文档、测试第三方 API 边界； prototype：借鉴《程序员修炼之道》里的示踪弹（Tracer Bullets）思路，用极简代码端到端打通一条核心通路，用最小系统验证这个方案到底能不能闭环。 3️⃣ 循迹前行 ⚠ 这一步的核心目标是保证自己走在正确的轨道上不偏离。 进入编码阶段，很多人用 AI 容易陷入“盲盒式开发”——一轮接一轮地把需求抛给 AI，闭着眼睛连续点 Accept，完全不记录中间改动了哪些模块与底层设计，直到某天系统突然崩溃，你和 AI 都不知道这堆逻辑到底是怎么长成现在这样的。 这种缺乏治理的开发很容易遇到两个失控点： 上下文漂移（Context Drift）：对话轮次一多，AI 就会逐渐忘掉早期的架构约束，甚至拿着过时的旧方案在上面乱改。 局部测试陷阱（False Green）：AI 写的单元测试全绿，但真正拼起来时，整个系统完全跑不通。 🛠️ 落地实践①：活文档与变更追溯 to-spec, to-ticket (来自matt pocock/skills) , docs-by-versions (来自github.com/DrErwin/docs-b…,本人自制) 开发中的每一个改动都必须有迹可循： · 每次要做方案调整（增加新需求或改动已有需求），改动前要进行变更影响分析，先评估会波及哪些模块和接口， · 对于新增的需求，如果不涉及对原有系统的更改，走to-spec, to-ticket的常规需求开发流程 · 对于要修改已有系统的改动，需要开一张变更单（CR），再to-ticket，执行 🛠️ 落地实践②：建立最小可用的 E2E 验收 在 AI 编码场景下，纯 TDD（测试驱动开发）有一个被广泛诟病的硬伤：AI 极其擅长为了让测试断言通过而硬凑代码，经常写出很多打补丁式的垃圾逻辑，彻底牺牲了代码结构的合理性。 所以必须结合 BDD（行为驱动开发） 的思路： · 后端和数据库交互，交给自动化的 API 契约测试。 · 前端和交互界面，AI 往往不会主动去写健全的 UI 自动化。这时必须由人类开发者把自己代入真实用户，梳理出关键用户流程，写一个覆盖完整体验流程、最小可用的端到端集成验收测试（E2E Smoke Test），作为交付的物理硬指标。 4️⃣ 总结 这三步不是孤立的技巧，而是一套环环相扣的工程闭环： · 定义目标（起点）：如果目标没扣死、隐性假设没剥离，后面走得再快也是在错误方向上狂奔； · 找到路径（骨架）：如果只看眼前、不去探清路径网络与架构分支，执行时就会频繁撞墙、反复推倒重来； · 保证实施（护栏）：如果缺乏变更追踪和端到端验收，就算目标和路线再完美，对话轮次一多也会在执行中悄然失控。 目标、路径、执行，三环紧扣。把这套工程约束建起来，AI 才能真正从单点修修补补的玩具，变成可以交付复杂工程的可靠生产力。

keyboard_arrow_left Previous keyboard_arrow_right Next

卡颂 @kasong2048

a month ago

这是个很有洞察的观点，我想提出些不同的观点： AI Coding 能力已经很强了，很多 Review 出来的 bug 并不是由于编码失误产生的，而是因为「需求没有完全对齐，AI 必须脑补完整需求，导致实现与需求产生偏差」

56 16 108 64K 100

𝗧𝗵𝗲 𝟰 𝗟𝗮𝘆𝗲𝗿𝘀 𝗼𝗳 𝗮𝗻 𝗔𝗴𝗲𝗻𝘁 𝗦𝘆𝘀𝘁𝗲𝗺 𝗘𝘅𝗽𝗹𝗮𝗶𝗻𝗲𝗱 An agent burns tokens, declares the task complete, and then fails the tests. That is often an architecture problem, not a prompting problem. When an agent underperforms, the usual reflex is to rewrite the prompt or switch to a stronger model. But many failures actually come from the system around the model, and different problems need to be solved at different layers. 𝟭. 𝗟𝗼𝗼𝗽: repeats until evidence says stop The loop is the smallest unit of agency. The agent acts, checks the result, and either stops or tries again. The important part is how completion is decided. A reliable agent should not stop simply because the model believes the work looks correct. It should stop when there is external evidence, such as a passing test, a successful build, a validated output or another measurable condition. Without this verification loop, an agent can confidently declare success while the task is still incomplete. 𝟮. 𝗚𝗿𝗮𝗽𝗵: decides what runs next A loop decides whether execution should continue. A graph decides where execution should go next. It defines branches, retries, specialist-agent handoffs, fallback paths and shared state. Once a workflow has multiple possible routes, the graph makes those routes explicit, inspectable and controllable. This is what turns repeated execution into a structured agent workflow. 𝟯. 𝗛𝗮𝗿𝗻𝗲𝘀𝘀: gives the model an operating environment The model provides reasoning, but the harness determines what that reasoning can actually do. It defines the tools, APIs, files, memory, permissions, context, logging and execution environment available to the model. That distinction matters because model capability and agent capability are not the same thing. A model may understand exactly how to solve a task, but if the required tool, data source or permission is not exposed through the harness, the agent still cannot complete it. A better prompt cannot compensate for a missing capability. 𝟰. 𝗠𝗲𝘁𝗮-𝗵𝗮𝗿𝗻𝗲𝘀𝘀: governs multiple agent harnesses This layer becomes important when teams are using Claude Code, Codex, internal agents and specialised domain agents together. Each may have its own tools, sessions, policies, permissions and execution environment. A meta-harness creates a common layer across them for orchestration, governance, isolation, shared policies and movement of context or workflows between different agents. Omnigent is one open-source implementation of this layer, designed to provide a governed environment across different agent harnesses. 𝗧𝗵𝗲 𝗱𝗶𝘀𝘁𝗶𝗻𝗰𝘁𝗶𝗼𝗻 𝗶𝘀 𝘀𝗶𝗺𝗽𝗹𝗲: Loop makes the work verifiable. Graph makes the workflow structured. Harness makes the model operational. Meta-harness makes multiple agent environments governable. A stronger model can improve reasoning, but reliable agents depend just as much on the architecture built around the model.

Introducing TimesFM-3, a state-of-the-art time series foundation model that enables accurate multivariate time series forecasting in a single forward pass, significantly outperforming other forecasting models across major benchmarks. More on the blog →goo.gle/4x5WGpD

My friend applied to 150 tech jobs in two years. No MIT. No Stanford. Last month SpaceXAI offered him $850,000. I asked him how he broke in from zero. He sent me the exact video that helped him to get in. SpaceXAI engineer's 1-hour course on "Coding with AI Agents in 2026". Lauren Tan (Ex-Cursor) shows you exactly how to build AI agents like Grok Bot from scratch. After this course you could turn AI agents into better engineers than humans. I watched it last night. Halfway through, I realized I could break into an AI lab in days, not years. Bookmark this and read the article below.

Roan @RohOnChain

a month ago

Grok Bot is the best AI agent right now It gives you an army of agents that can do work for you 24/7 If you set it up correctly, you gain super powers In this article, I cover how to use Grok Bot to make a Market Making Bot like Hedge Funds. x.com/i/article/2093…

42 50 346 705K 1K

This is the best site on the internet to learn how LLMs actually work. Free. Completely. 0xkato.xyz/how-llms-actua… Bookmark this site. Then read this ↓

Rahul @sairahul1

a month ago

Most developers are learning AI wrong You don't need another prompt engineering course You need to learn how production AI agents actually work - orchestration, RAG, evals, context engineering, inference, and more I put together the entire course here: x.com/i/article/2093…

28 109 463 618K 2K

我愿称之为AI界的天花板，codegraph，63.1k star真不是白给的 1️⃣ 给代码库建知识图谱，AI读代码前先把结构摸透，回答问题时不用翻遍整个仓库。我自己跑了下，Claude Code理解项目速度肉眼可见地快了。 2️⃣ 代码一改图谱自动同步，不用手动重建索引...这玩意儿最骚的是，大改文件后增量更新秒级完成，不用等半天重新扫描。 3️⃣ 实测token消耗能砍掉三到四成，工具调用次数也少了一截...装完插进Cursor和Codex就能用，本地跑不传代码。 开源协议宽松，商用也没问题，感兴趣的试试。 这项目背后逻辑其实挺狠的——作者应该是把AI coding的上下文管理思路整个重做了一遍，等于把"每次问答都重新读代码"变成了"查预建好的索引" 按63k star的增速，社区里已经有大佬拿它接私活做代码审查工具，一个月多赚几千块。 同类产品里目前没见谁把本地化和同步做这么细的。 你们平时用AI写代码，token烧得最狠的场景是啥？ 🔗 github.com/colbymchenry/c… #AI #AI工具老炮

My thoughts on the strategic logic of AWS's acquisition of DuckLabs last week; what it means for open-source DuckDB and MotherDuck; and speculation on what AWS may have paid. x.com/i/article/2094…

Goldmine for Software Engineers! 📌 If you're learning System Design and/or AI Engineering, then bookmark this repo right now. github.com/systemdesign42…

一个 skill，让你做出顶级审美的图表。 我开源的 Lieflat Charts 已经在 GitHub 2k star 啦～它是一套数据可视化与报告生成 skill，可供 Moxt、Claude Code、Codex 等 AI agent 使用。 它由统一的字体、留白、线条和动效建立视觉语法，有60多种图型，覆盖柱、线、面积、直方图等基础图型，还有热力图、小提琴图、环形关系图、桑基图等复杂图型，部分还支持交互。 色彩上，以黑白灰单色为基础，也支持青瓷蓝、椰林绿、编辑红三种色系，后续还会尝试更多丰富配色～ 这个skill 的原理是用 html 来做图表，好处很明显，有很丰富的动效，可以无缝衔接到 html 做的 PPT 中。如果需要 PPT 格式，也可以让 agent 转成动图贴进 PPT 里。 使用非常简单，装好后把你的数据或者想要可视化的主题告诉agent，agent 会选择合适的图表类型，自动出图。如果你需要出报告，目前也有报告模式，可以一键产出数据可视化报告。 感谢 @moxt_ai 让我做出这么好看的图表！ #datavisualization #charts #skill #dataviz #html #aidesign

x.com/i/article/2094…

Esta skill convierte tu proyecto en un diagrama de arquitectura que da gusto enseñar. Un HTML interactivo con modos claro/oscuro, movimiento y export nítido a PNG/SVG. También ilustra flujos de trabajo, estados y secuencias: → github.com/tt-a1i/archify

我开始做自己的Design Skills 了🎨 今天在Demo day上分享了3个，大家都很喜欢！ 先发一个我特别喜欢的：Mono-color Skill。 它不是简单地“把图片变成单色”，而是把一整套编辑设计语言 + 复古印刷质感 + 克制的视觉规则，封装成了一个可以反复调用的 Skill。 它会自动遵循这些设计原则👇 👉 默认使用一种油墨色，必要时加入克制的双色套印 👉 大量，有意识的留白 👉 强烈的Typography和编辑排版感 👉 Halftone/颗粒/套印偏移等复古印刷质感 👉 图片/文字/版式作为一个完整视觉系统重新构图 你可以直接告诉它： “帮我做一张关于城市骑行的海报。” 也可以上传自己的照片，让它转换成这种带有复古印刷感的Editorial Visual。 它的使用场景也特别多👇 📌 活动海报 / Event Poster 输入活动主题，时间和地点，快速生成一套有设计感的宣传视觉。 📌 社交媒体 / 小红书 / X 配图 不想每次发内容都用千篇一律的 AI 图，可以快速做出有统一风格的视觉。 📌 品牌branding探索 用更克制的色彩与编辑感视觉，快速建立品牌的高级感与独特气质。 📌 音乐 / 播客 / Playlist 封面 这种单色 + Editorial的语言特别适合做带情绪和文化感的 Cover 📌 Zine / Magazine / Editorial 文章头图, 杂志跨页，都可以用同一套语言延展。 📌 个人照片再创作 直接上传自己的照片，把普通摄影转换成复古印刷海报。 📌 Moodboard / 概念探索 设计前期不用急着做完整方案，先快速生成一组视觉方向，看哪一种感觉最对。 为了保证生成效果稳定 我还加入了很多design system来约束：颜色/字体/组件/构图/风格，欢迎大家试试看，给我反馈！

keyboard_arrow_left Previous keyboard_arrow_right Next

x.com/i/article/2093…

这些年我在硅谷各种大厂加起来，面试的也有上百人了，最近我喜欢在一面考察一下 candidate 对 AI 推理内部流程的认知。浓缩成了一张图，建议收藏，如果彻底搞懂，不论是搞股市投资，还是想转 AI 肯定都有帮助 起因是：我的投研团队一位成员最近在从 SDE 转 AI infra，经常跟我聊职业发展的事，我跟他讲完全搞懂了这张图，AI 这扇门才算踏进了半只脚，仅仅是半只，未来道阻且长 你是否好奇，当你给 AI 发一句话，后面到底发生了什么？ 很多人以为，点下「发送」后，模型马上开始“吐字” 其实一条流式请求，先要经过： HTTPS / 鉴权 → 模板化和分词 → 路由、排队与 KV 容量 等 Prefill 处理完未缓存的 Prompt，首个 Token 才出现 之后才进入真正的循环 Decode + sampling → 增量反分词 → 封装成事件 / SSE 分块 → 客户端 所以 AI 推理这件事，不只是 GPU 算得快不快 首 Token 需要看如何均衡高并发排队和 Prefill，持续输出看 Decode，如何在有限的硬件资源（算力、存储）下服务更多人，需要优化 KV Cache 这里边门道很深。因此，我说搞懂这张图才算踏进了半只脚 今天下午坐在咖啡厅，我找了好多资料，帮我投研团队的成员规划了未来 12 周的学习路线 我在想要不要让ta开一个 X 的账号，把他每天学习的课程路径和好的资源都整理下来。如果他 12 周之后能找到不错的工作，相信大家跟完这个也可以

keyboard_arrow_left Previous keyboard_arrow_right Next

当很多公司都在哀嚎 AI 账单贵到用不起，Uber 刚发的这篇技术长文直接把全行业看傻了: 全公司 70% 的代码 PR 全由 Agent 接管，调用量半年狂飙近 10 倍， 但总 AI 账单被死死按在原地一分没涨，单次会话成本硬生生砍掉了 52%， 他们直接把软件工程做成了一座全自动的软件工厂，真的牛逼， 以前是人打开聊天框求 AI 帮一把， 现在 Uber 养了一整支托管 Agent 舰队: 审代码、修挂掉的 CI、分诊报警全是专职 AI 自动上班， 人变成了抽查质检的厂长，每天跑 3 万多次流水线任务 他们最狠的地方，是把 AI 账单拆成了一道极其冷酷的乘法题， 用量可以疯涨，但零价值的废 Token 必须被物理抹杀: 1️⃣ 规划用大脑，干活全用便宜子 Agent: 任务拆解用顶级大模型，具体搬砖的子任务全部默认切给轻量模型，这一招直接成了全厂杠杆最高的开关； 2️⃣ 把 5 分钟缓存改成 1 小时: 工程师去倒杯水开个会回来，上下文缓存依然在，原价 1 折直接续上，40 万 token 强制写摘要压缩，绝不把整本历史无限复印； 3️⃣ 别把一千种工具说明书塞进大脑: 1000 多个内部 MCP 工具统一走网关，模型要用时先搜索再按需挂载，绝不在开局就傻傻灌入 7 万 token 的工具定义； 4️⃣ Code-mode 砍掉话痨轮询: 跑 SQL 和批处理让模型自己写脚本去跑，只交回最终结果，避免一问一答的无效 ping-pong，单项 token 直接暴省 90%； 5️⃣ 2400 万节点知识图谱导航: 给 Agent 发一张包含全公司服务和事故的活地图，以前翻代码盲搜 20 分钟还报错，现在 38 秒精准定位 用量涨不可怕，浪费涨才可怕， 从人机对话迈向托管工厂舰队，大厂把 AI 真正落地的账本，算是彻底算明白了

Uber Engineering @UberEng

a month ago

x.com/i/article/2090…

63 777 5K 2.7M 14K

Skills 构建完整指南（33页） 这是 26 年看过最完整全面、质量最高的 Skills 构建指南，虽然是 26.01 发布的，应该还有朋友没看过。 强烈建议保存备用，时常拿出来系统学习一遍，会对 Skills 的构建、验证和使用过程有更深更系统的理解。 The Complete Guide to Building Skills for Claude resources.anthropic.com/hubfs/The-Comp…

マッキンゼーの "The state of AI in 2026: On the road to ROI"が公開されている。 ROI がタイトルにある辺り、業界のトピックなんだろうな。 mckinsey.com/capabilities/q…

各位程序员，这工具真建议人手一份，以后不用再对着满屏进程干瞪眼了。 有没有遇到过这种场景——服务器上跑着个进程，你死活不知道谁起的、为什么跑、是容器拉的还是服务拽的？ ps、top、lsof这些老家伙只告诉你“它在”，但就是不告诉你“它为啥在”。 witr就是冲这个问题来的。一行命令，直接把进程的来龙去脉全揪出来，谁起的、怎么起的、哪层系统管的，清清楚楚。 还有交互式TUI界面，不是糊弄人的那种，是真的能打。 🔗 : github.com/pranshuparmar/…