最新内容
把一个任务拆给多个 AI 编程 Agent，看起来很自然：一个人摸清模块边界，一个人改实现，一个人补测试。但只要它们指向同一个工作树，最麻烦的并不是“谁更聪明”，而是协作状态没有共同来源。两个 Age...
当一个功能要改接口、补测试、查回归时，把几个 Claude Code 或 Codex 终端同时打开看起来很有效率。真正麻烦往往在十分钟之后：谁在等待你的确认？谁已经改了同一个文件？哪个会话明天还能接着...
把数据库接给 Claude Code、IDE 助手或其他 AI Agent，最常见的做法是给它一个“执行 SQL”的工具。这能很快跑通，却很容易在第二步失控：Agent 不知道软删除记录该不该排除、不...
AI 编程 Agent 最让人沮丧的时刻，往往不是它写错代码，而是它已经解决过同一个问题，却在新会话里从头再来一遍。JWT 刷新失败、迁移脚本的边界、某个文件为什么不能改——这些结论本来藏在 Clau...
让 Claude Code、Codex 或 Gemini 连续完成一个多日任务时，最难的部分往往不是下一段代码，而是重新建立上下文：上次做到了哪里、为什么放弃某条路线、哪些验证尚未做完、目前有没有隐患...
在终端里向模型问“把这个目录的日志按日期归档”“找出最近两小时失败的任务”，通常比记住一串 find、awk、xargs 更快。但把自然语言直接变成可执行 Shell，又恰好踩在自动化最危险的边缘：模...
让 AI 编程 Agent 在终端里完成一次任务并不困难；真正困难的是让它持续运行、能接收消息、能调用 MCP 工具，还不会在你离开键盘后把权限边界悄悄扩大。一个接入 Telegram、Discord...
本地运行模型，最容易走进一个看似合理、实际代价很高的流程：先看到某个大模型的评测，再去猜自己的 Mac、显卡或工作站能不能跑。最后往往会在显存、统一内存、量化版本、上下文长度与速度之间反复试错。 To...
团队同时使用 Claude Code、Codex 和 Gemini CLI 时，真正难管的通常不是某一次提示词，而是工程边界：不同成员装了不同版本；MCP 服务要重复配置；一次任务里的研究、实现和测试...
“代码合并了，文档下周再补”几乎是每个团队都会积累的技术债。问题往往不在于没人会写 Markdown，而在于文档系统和开发流程是两套系统：代码在 Git、审查在 Pull Request、部署在 CI...
