CryptoHunter retweeted
如果你是一个资深的软件工程师或架构师, 现在去找一份和你的背景相似的纯技术类的工作,肯定是会比较困难的。
如果必须要去找工作,我的建议是不要去找纯技术的岗位, 而是去找「AI 产品经理」这样的岗位, 带着你的资深技术的背景,然后加强自己的产品能力,比如需求的洞察、客户的沟通、团队的协调与组织的能力等等。
总结一下来就是要有能力把产品从需求端一直到实现端全栈打通的能力。
这不是全栈工程师,这是全能型的工作者。
实际上 AI 把编码的工作接管了, 我们这些原先在技术底层的人必须要向栈顶移动。
CryptoHunter retweeted
给国内失业人员一个活路,务必进入制造业,甚至是外贸制造业。三架马车只剩下外贸产业一骑绝尘,2026年10月单月出口总值:2.79万亿元人民币,增长 28.7%。看过“大明王朝1566”的都知道,财政来源决定了行业的发展,从古至今无非“税人”,“税地”,“税资产”。税人不可能,工资就那么一点,高工资还影响出口。“税地”,房地产经济已经熄火了。“税资产”,房价崩了,收房产税估计难度也大。消费就不说了,没钱消费不可能提起来。所以结论就是外贸,这是目前唯一的引擎,国外需要中国的低价商品,中国也需要国外的市场,这是经济循环的必然。当然你如果说国内14亿人消费潜力和体谅很大,这个正确,但是再把“大明王朝1566”和历史书看一遍,提消费就的提高工资,提高了工资会导致啥,这就涉及到个人对历史的理解能力了。总之,从经济学角度说,离钱越近,越能赚到钱,所以外贸制造业,无论你是啥行业,在当下就业难的情况下都可以去尝试。稳住当下,学好英语,坐待时机。
CryptoHunter retweeted
AI 写代码,真的别太信它那句“已经完成”
代码交了,单测也全绿。
结果打开网页一试,购物车能加东西,结账却卡住了……
Claude Code 团队最近分享了他们的验收方法。现在团队约 90% 的代码都是 Claude 写和审的,但验收还真不能只靠它跑几个单测。
🛒 比如做购物网站,就让 AI 自己打开浏览器,从加购物车、结账,一直走到订单确认页。
中间哪一步没跑通,就回去修。
具体做法是在项目的 `.claude/skills/` 里放一个 `verify` Skill,把启动程序、操作步骤、通过条件都写清楚。
以后 Claude 提交代码前,先自己跑一遍验收。
连续三轮还过不了,就停下来交给真人处理。
下次它再说“已经完成”,先让它自己去下个测试单,看它还敢不敢这么说 😂
你在Meme圈摸爬滚打这么久,见过哪个真正赚到钱的大佬,是每天盯着几十个指标、画各种均线找百倍币的?没有。
刚刚刷到一个大佬分享的Meme筛选法,我看完直接拍大腿。这套方法没有任何花里胡哨的复杂策略,核心就两个字:**极简**。
在Meme市场,越复杂的策略越容易让你犹豫,越简单的规则反而越能一刀切掉垃圾盘。大佬的逻辑很通透,普通人想抓百倍,别去猜哪个故事能火,先学会怎么活下来、怎么把噪音过滤掉。
极简不代表盲目冲,而是只看最致命的几个数据。比如合约安不安全、筹码集不集中、车头进没进场。把这几个硬指标过一遍,是金狗还是土狗,一目了然。
这套方法你不用到处去找,工具一拉就清清楚楚。我平时用的GMGN,安全面板、聪明钱动向、筹码分布全在一个页面里:
gmgn.ai/r/6KxYIQs3
别再拿自己辛辛苦苦盯盘的精力去赌了。大道至简,把这套极简过滤法刻在脑子里,收藏起来,下次按买入键之前,先过一遍这个标准。
CryptoHunter retweeted
土豆姐 Lauren 这篇《用 Grok Bot 做自动化》发布不到半天,已经超过 100万 浏览量。我做了两张长图,完整概括了重点内容。
你会发现,每次土豆姐讲 Grok Bot,讲的都是方法论框架,不会细到替你把每一句指令词都写好。
这是因为!Grok Bot 是一个带记忆、能调用工具、能持续迭代的 personal agent!
这与过去聊天窗口式 LLM 不同,那会更多的是「如何写好 prompt」。当你进入 personal agent 的世界后,prompt 的精细程度边际收益会快速下降。
更重要的是,如何让它理解你的工作方式,积累具体场景的 know-how,并管理好 Bot 之间的协作。
作为超级个体来说,用好 AI 的关键就在于「具体场景的 know-how + 长期记忆 + 协作关系」。
这正是土豆姐这篇文章强调的——
使用 Grok Bot,真正拉开差距的是:「厘清目标、再拆解过程、把隐含的判断逻辑和约束条件讲清楚、建立反馈闭环、最后用 routine 触发。」
这些都高度依赖具体场景和个人工作方式,通用模板很难直接套用。你需要在实际交互中,把自己的判断标准一点点教给 Bot,再通过反馈,把结果从能用磨到出色。
重点还是去「做」,然后学会「正确地做」。
CryptoHunter retweeted
Gemini 4 Hydrogen+Ego Lite浏览器=自动化绝杀。
Gemini 4 Hydrogen速度快,Ego Lite省token效率高。
快上加快,好上加好,妙上加妙。Nice!!!
CryptoHunter retweeted
你做的 Agent 一出问题,是不是先想着换个更强的模型?
阿里云开源的《AI Agent Handbook》专门讲了这件事:先分清 Model 和 Harness 各管什么,别把问题全算到模型能力头上。
这本手册是从他们 2025 年 9 月那本《AI 原生应用架构白皮书》重新整理来的,改成开源维护,作者说每周会收录新的实践。内容来自阿里云自己、云上企业客户和开源社区开发者落地 Agent 的经验和教训,按架构、构建、运行、治理、调优整个生命周期排。
写 Agent 的人主要看构建篇、运行篇和调优篇:上下文、状态、工具、沙箱、轨迹,最后讲评估怎么做成闭环。另外附了一份 2026 Agent 开发者调研报告,讲企业里的 Agent 在上生产、选型、治理和评估上各做到了哪一步。
有一条可以直接抄:任务系统要能持续推进、中断后能恢复,还要能验证到底做完没有。团队评审 Agent 方案时拿这条去对,能挑出不少问题。
仓库 9 月就建了,今天一天多了 69 个星,总共 3400 出头,Apache-2.0 许可。在线版读着更舒服,还配了一套代码测试题,读完可以测测自己能拿几分。
CryptoHunter retweeted
Anthropic 发现:Agent 不是越多越好。有客户把多 Agent 改成单 Agent 后,运行速度提升了约 2 倍。
Anthropic 最新分享了 Agent 架构设计经验。
核心观点:能用一个主 Agent + Skills + Tools 解决的任务,没必要拆成多个子 Agent。
原因很直接:
减少上下文损失:多个 Agent 交接时容易遗漏信息
降低成本和延迟:减少重复推理和模型调用
按需加载:Skills 和 Tools 用到时再加载
统一任务状态:主 Agent 掌握完整上下文,随时调整计划
但子 Agent 仍适合独立验证、并行任务和需要隔离上下文的场景。
Anthropic 的建议是:先建立端到端评测,再逐个合并子 Agent,用实际效果决定保留哪些。
关键不是 Agent 数量,而是任务成功率、成本和延迟。
原文:claude.com/resources/article…
你们现在更倾向多 Agent 分工,还是一个主 Agent 按需调用 Skills?
#ClaudeCode #Agent #AI #Skills
今晚别刷Netflix了。
去看这个SpaceX AI工程师Lauren Tan的1小时免费masterclass。
这是我见过最清晰、端到端讲透怎么从0到100搭出GrokBot agent团队和自主循环的课。
从给bot真实工作,一路到每月4000个PR的工作流、个人软件工厂、最小自检循环,再到能省token的代码库护栏。
不管你是从没认真跑过多agent,还是已经在用GrokBot,看完都会把很多“原来如此”的点一次打通。
真正核心就这几层:
1给agent真实岗位,而不是一直当聊天机器人(自己的账号、预算、任务)
2从单agent进化到loop和工厂,才能真正放量到每月数千PR
3最小也最关键的循环:教会agent自己跑代码、检查结果、验证工作
4代码库护栏比prompt更重要,把约束写进架构和CI,省token也更可靠
5到了一定阶段,agent就能自己合并PR,人只看产物不看diff
大多数人花好几个月才拼出的全景图,这节课直接给你画完。
把时间空出来,这可能是你这个月最值的一堂课。
CryptoHunter retweeted
Claude Code 团队约 90% 的代码由 Claude 来写、来审。Addy Osmani 这篇新文章讲的是,到了这个比例,他们怎么让 Agent 拿出证据证明自己改对了。
我觉得最值得抄的有两个做法。
一:是改动碰不到判它的规则。Code Review 读的 REVIEW.md 永远取自主分支,不读 PR 里的版本。新的提交门禁也会先开 observe 模式跑一段,把误拦看清楚了再强制执行。
二:是一份 39 条的可靠性清单,每条都写明从 diff 里怎么识别、背后是哪次事故。Claude 读完 diff 只查触发到的那 3~10 条,谁都不用把历史事故背下来。
想同时跑很多个 Claude,前提是验证这一层足够可靠。这篇把这层当成正经系统来做,挺值得做 Agent 工程的朋友细读。
原文:claude.dev/blog/how-the-clau…
CryptoHunter retweeted
🚨Codex 的兄弟们赶紧停手!
千万别再用 Astra 的低配模式去省额度了,纯纯大冤种行为!
OpenAI 自己的数据都打脸了:GPT-6.2 Sol 的高配模式,在 11 项测试里干翻了 Astra 低配整整 8 项,而且成本一样甚至更低!
就拿 FrontierCode 2.0 来说,Sol 拿了 44 分,Astra 低配才 38。
听劝,直接切到 6.2 Sol 的高配或超高配,又快又好还省钱!!!
CryptoHunter retweeted
未来最赚钱的公司,不一定是员工最多的,而是最会用AI的。
把公司改造成一家AI驱动的公司,核心就这30条:
一、先给公司装上大脑
用Obsidian建立个人知识库,把经验、判断、决策全部沉淀下来。
每天用语音记录想法,让AI自动整理成文档,不要让好点子烂在脑子里。
建立公司知识库,客户、产品、报价、合同、销售话术全部集中管理。
用飞书妙记记录会议,AI自动提炼结论、待办和责任人,敏感录音先取得必要同意。
建立事实库,明确哪些信息是真的,哪些内容AI不能编。
建立个人风格库,喂给AI你最好的50篇内容,让它学会你的表达方式。
用GitHub管理重要文件,每次修改都有记录,出了问题还能回滚。
给AI设置长期记忆,不要每次对话都从零开始。
二、把员工经验变成AI技能
把公司所有业务流程列出来,优先改造最耗时间、最容易出错的环节。
让老员工边操作边讲解,AI负责整理成标准SOP。
一个任务对应一个AI技能,别指望一条万能提示词解决所有问题。
直接使用成熟的Skills,能复用就别从头开发。
用MCP连接邮箱、CRM、数据库,让AI不仅能回答,还能执行任务。
用n8n设置自动触发:新客户来了自动建档,订单完成自动跟进。
给AI配置浏览器操作能力,让它处理部分没有API的后台工作。
三、组建一支AI员工团队
用Claude Code、Codex等工具开发内部系统,减少重复外包。
一个AI负责调研,一个负责执行,一个负责检查,分工比单打独斗重要。
复杂任务用强模型,简单重复任务用便宜模型,别把钱全烧在Token上。
每个AI任务都记录成本、耗时、错误率和实际收益。
建立AI质检机制,关键输出必须经过测试,重要决策由人审批。
把常用工作做成自动化流水线:需求→执行→测试→审核→交付。
客户每提出一个重复需求,就考虑能否做成可复用的内部工具。
四、让AI帮公司持续进化
每次项目交付,把成功经验、失败原因、客户反馈写回知识库。
每天自动汇总客服工单、销售数据、用户评论,发现新的问题和机会。
每周让AI分析业务表现,提出改进方案,由负责人决定是否执行。
每个月重新计算各项业务的投入产出,砍掉低效流程,加码高利润业务。
五、让AI直接参与赚钱
用AI做市场调研、竞品分析、客户画像,先找到真实需求再花钱。
用AI筛选潜在客户、准备个性化方案,让销售把时间花在成交上。
用AI批量测试广告文案、图片和视频,依据真实转化数据优化投放。
把每次成功交付沉淀成案例、模板和产品,再复制到下一个客户、下一个行业。
⸻
我最近做企业AI落地,感受越来越深:
很多老板花几十万买AI工具,员工还是每天复制Excel、手动整理客户、重复开会、反复写报告。
买了一堆先进工具,工作方式却停留在十年前。
真正厉害的公司,不是每个员工都会用ChatGPT,而是把公司过去十年积累的经验、客户数据和业务流程,变成一套能持续工作的AI系统。
别人买得到同样的模型,却买不到你积累的客户经验、业务数据和行业判断。
未来企业之间拼的,不只是员工数量,而是谁能让10个人完成过去30个人的重复性工作,同时创造更大的价值。
AI不是拿来聊天的,是拿来重新设计整家公司赚钱方式的。
CryptoHunter retweeted
Claude Code 团队分享了他们如何验证生成的代码。
文章提到目前约 90% 的代码由 Claude 编写和 Review。随着 AI 参与的开发越来越多,如何让 Agent 自己验证结果,成为提升交付效率的关键。
文章里有几个值得借鉴的实践:
1. 优先投入三类测试
E2E 测试:验证真实用户操作流程,让 Agent 实际运行应用,通过浏览器、截图和执行记录定位问题。
Property Testing:通过随机生成大量输入,检查幂等性、数据一致性等必须满足的约束。
Differential Testing:用相同输入对比新旧实现,适合重构、迁移和性能优化,避免引入行为差异。
2. 给 Agent 配置专门的 Verify Skill
在项目的 .claude/skills/ 下建立验证 Skill,定义如何启动应用、执行测试和检查结果。
让 Agent 完成修改后能够自己运行、发现问题并修复,形成完整的反馈闭环。
3. Code Review 规则按需触发
团队维护了 39 项可靠性检查规则,每项都有明确的触发条件。Agent 根据代码 Diff 选择相关规则,通常只需要检查 3~10 项。
这样既能利用历史故障经验,也能避免每次 Review 都执行一大堆无关检查。
4. 自动修复要有边界
检查失败后,Claude 会尝试自行修复。如果连续三轮仍未通过,就交给人工处理。
5. 验证机制本身也需要验证
Review 规则从基准分支读取,避免代码修改自己的检查标准。
新增质量门禁先运行 Observe 模式,确认误报情况后再开启强制拦截。
根据真实线上故障、回滚和 Review 漏检持续改进规则。
定期清理无效测试和冗余规则,防止验证成本持续膨胀。
最值得借鉴的是团队对 Agent 工作方式的调整:
开发者逐渐从逐行检查 AI 代码,转向定义验收标准、建立验证工具,并根据实际执行结果判断代码是否可以交付。
Claude writes better code when it can verify its work. Checks that used to be expensive, like tests, benchmarks, and end-to-end runs, are now cheap.
Here’s how the Claude Code team thinks about verification:
claude.dev/blog/how-the-clau…
CryptoHunter retweeted
Anthropic最新结论:大部分工作流不需要子agent了。
一个主agent + 技能按需加载,质量更高、更快、更便宜。
别把公司组织架构复制成一堆专用agent,那是在给自己加延迟和混乱。
模型现在够强,自己能规划、能检查,复杂分工反而拖后腿。
兄弟们,还在卷多agent的,该停一下了。
claude.com/resources/article…
CryptoHunter retweeted
翻了一下最近两个月,我用Agent干活最爱说的几句Prompt:
1. 从第一性原理出发,找到最本质原因,修复一下。
2. 先问一些不清晰的问题,对齐我的喜好,然后再出3版方案。
3.不要默认我提出的问题定义就是正确的。你先分析我真正想解决的底层需求,判断我有没有把症状误认为原因、把手段误认为目标。如果存在更值得解决的问题,直接指出来
4. 不要只考虑这个改动产生的直接效果。继续推演它的二阶、三阶影响,尤其关注对其他模块、用户行为、系统复杂度和长期维护成本的潜在影响。
5. 其他领域里有没有类似的方案,用跨领域的方式全面思考,找到最优解。
6. 先假设你当前认为最合理的方案是错误的。站在最强反对者的角度,寻找能够推翻它的证据、反例和边界情况。然后重新评估方案,看看有没有更好的解法。
7. 深入分析整个代码库的 Git 历史、关键 PR 和架构演变过程。找出哪些设计是有意为之,哪些是历史遗留,哪些是为了解决已经不存在的问题而引入的。识别可以安全移除的历史包袱。
8. 假设明天有一个完全不了解项目、但是能力很强的工程师来接手。请评估他理解整个项目需要付出的认知成本,找出那些命名混乱、抽象过度、职责不清晰、需要大量上下文才能理解的代码,并提出简化方案。
9. 全面分析最近XX天里的所有的PR,找出最慢的那几个,看看有没有导致卡顿、可以优化的地方。
10. 全面复盘最近XX时间的 Bug、返工、回滚和重复修改。不要只统计发生了什么,要分析这些问题背后有没有共同的根因。把能够预防的共性问题沉淀成项目规则、自动化或者Skill,避免我们反复支付同样的成本。
CryptoHunter retweeted
大家信不信?
熟练掌握土豆姐这套AI Coding工程方法
去北上广深找工作,月入低于3万,我给你补!!!
All Code Is Slop (Except Mine) 10条顶级干货:
1. AI Coding 最重要的,不是让AI写代码的速度越来越快,而是想办法让它一直能写出好代码。即使写错了,也能自己发现问题,自己改过来。
2. 代码库本身就是给AI投喂的知识库。代码库的质量,直接影决定AI生成代码的质量。让AI读屎山代码库,AI就直接写屎一样的代码。
3.不要总想着在靠提示词来告诉 AI 应该怎么做。能直接写进代码、变成硬性规则的,就不要只靠文字提醒。比如类型检查、Lint 规则、自动化测试。
4.不要以为AGENTS.md、CLAUDE.md是万能的。规则写得再多,Agent 也可能忽略,甚至理解过头。真正重要的约束,还是应该交给代码和工具。
5.不要让 Agent 只写代码。要让它写完后,自己启动项目、运行程序、看日志、调试bug。最好能像真人一样,打开页面,把整个功能操作一遍。
6.给 Agent 做一张产品功能地图。产品有哪些页面、每个页面有什么功能、用户怎么操作,都整理清楚。后续让AI测试功能的时候,就有依据,而不是靠猜。
7.接下来让AI写代码不是最重要的了,代码写出来只是第一步,能不能验证有没有问题,才是最重要的。土豆姐提到,有工程师每天70%的Token都花在验证上。
8.别一上来就搞多 Agent,也别急着把所有流程自动化。先把一个 Agent 的工作流程跑顺。如果一个 Agent 写出来的代码很垃圾很水,几十个Agent一起干活,只能干出一坨屎。
9.每次发现Agent搞错了,不要只是让它把这次问题改掉。最好想想,能不能从代码结构、规则或者测试上解决,让它下次根本没机会再犯同样的错误。
10.以后真正厉害的程序员,不是最会写代码、最会写提示词的,而是最懂怎么给AI搭环境、定规矩、做验证的人。
视频源地址:youtube.com/watch?v=O_zcc6Xl…




























