写了个 大模型应用开发的教程，公开免费

“因为自己淋过雨，所以想给别人撑把伞”，只为了像我一样的工程师/产品入门大模型开发 少走点弯路。

面向小白，尽量通俗易懂且实用。

在考虑搞一个 Agent IDE 了， conductor 好用，但是创建 worktree 的速度也太慢了，每次等半天才能分配任务。codex 客户端很不错，但是不支持多人协作。 symphony 支持多人协作，界面又太拉了，对接的 Linear 也不算是 Agent 友好的界面。目前没找到一个比较好的解

OpenAI 的 harness 那篇文章预定今年的年度文章了。 （Karpathy 的 autoresearch 也启发了我）

刚参考这个思路试了下：让 AI 去做一个 普通音频转微信语音 的功能，我只负责给详细的验收条件和想到可能要用到的所有 context。
然后我就眼睁睁看着它自己跑了一个小时：自己跑通流程，打开测试后台去跑测试；中间遇到前置条件不满足、跑不通的地方，AI 还会主动发消息提醒我排查问题，直到最后成功把语音发了出来。不仅如此，它甚至能自动监听线上服务的部署，部署完直接帮我做线上自动化测试……
看到最后语音成功发送的那一刻，真的是汗毛立起来了。

相信今年的一个必然趋势：可验证的结果驱动 AI + 给 AI 充分的基建与上下文权限（比如公开日志、Metrics、文档、测试甚至生产环境权限）。
这种“以终为始”的结果+约束驱动模式，非常像一种 Agent 维度的、加强版的“反向传播”（或者类似 DSPy 的 GEPA）。只不过中间执行迭代和纠错的，变成了更智能的 Agent， 2026可能真的是 AI review 取代 人工 review 的一年了。

我不喜欢 Openclaw, 说一下我的理由，以及开源我的实现思路。

5.3 codex真的在编程上把 Claude 4.6按在地上打了

Most people try to turn AI into a rule executor.

A few treat it like a reasoning system:
give intent, give context, then step back.

Ironically, less control → better results.

Scalability starts where micromanagement ends.

建议所有做文科类推理的任务，试试 gemini flash 或 pro

招全栈开发了， 招点有趣的人

目前在上海做 AI 销售，有兴趣的可以聊聊

看了 DeepMind 纪录片后印象最深的是 哈萨比斯的带鱼屏，买了一个后，发现是有史以来最爽的投资

好的 context engineer，在于在调用大模型之前，对 context 预先计算过。

这个计算是指，将冗余或者需要二次推理的信息进行计算为更精准的方式。

例如：用户问「多久之后发生？」
别告诉模型“今天是11月5日，活动是11月8日”，
而是告诉它“还有3天发生”。

人类靠压缩记忆提高效率，AI 也一样，大部分 Agent 开发没有对 context 或者信息做比较好的整理，AI 也没有想的那么智能，越少 AI 在 context 中的推理次数，调用结果越稳定。

Long context ≠ Long-term reasoning

近期越来越感觉到在这个时代，每个人都应该培养一种与 AI 共生的直觉感。

这种直觉，是在提问时能清晰表达、知道这次提问需要补足的上下文是什么

也是在 AI 回答不理想时，敏锐察觉到——问题出在缺失了哪些信息。