AI探索指南

  1. 作为每天消耗10亿token的一名coder,今天分享8个我自用的claude code使用技巧功能,让你的效率翻倍

    作为每天消耗10亿token的一名coder,今天分享8个我自用的claude code使用技巧功能,让你的效率翻倍
    1. CLAUDE.md — 给 AI 立规矩
    这是整个项目的"宪法"
    你在根目录放一个 CLAUDE.md,写上:项目用什么技术栈、代码风格要求、命名规则、什么能做什么不能做
    Claude 每次启动都会先读这个文件,相当于把你的开发规范刻进它的 DNA
    我的 CLAUDE.md 只有 3 段:项目目标、技术栈声明、不可妥协的验证要求
    记住:只写会导致 Claude 犯错的规则,不要写废
    2. Skills — 把重复的说一次就够了
    你是不是每次都要跟 Claude 说"先写测试再写代码""改完代码记得跑 lint"
    Skills 就是把这些可复用的工作流打包,Claude 会根据你的任务自动加载
    比如我有个 /fix-bug skill:自动执行 "复现问 → 定位代码 → 修复 → 跑测试 → 提交" 全流程
    社区有个神级 skill 叫 Superpowers,GitHub 上 4 万星,集成了 TDD、代码审查、重构等十几种最佳实践工作流
    核心认知:Skills 跑在当前对里,成本低、响应快,是你第一个该用的扩展
    3. Plan Mode — 别让 Claude 乱冲
    Claude 最大的问是:你说"实现这个功能",它就直接开干,结果方向跑偏
    Plan Mode 的逻辑是:先规划,再执行
    工作流变成:Research(调研)→ Plan(计划)→ Execute(实现)→ Review(审查)
    我现在的习惯是:只要任务超过 30 分钟,先进 Plan Mode,让 Claude 把步骤列出来,我确认了再让它干
    这个习惯让我的返工率直接降了 60%
    4. Hooks — 给 AI 上保险
    Skills 是"建议",Hooks 是"强制执行"
    Hooks 是 shell 脚本,在 Claude 调用工具前后自动触发
    比如我设置了:
    每次写代码前,自动检查分支是否正确
    每次提交前,强制跑 ESLint + 单元测试
    如果要执行危险命令(删除文件、修改配置),必须先问我
    本质:Claude 可以商量绕过 CLAUDE.md 的规则,但 Hooks 是架构层面的拦截,绕不过去
    5. Subagents — 让 AI 分身去干活
    当你需要同时做多件事(比如一边写代码,一边做代码审查),就用 Subagents
    Subagent 是独立的 AI 工作者,有自己的上下文、工具权限、记忆
    我常用的场景:
    主 Agent 写功能代码
    Code-reviewer subagent 负责审查代码质量
    Test-runner subagent 跑测试并报告结果
    它们互不干扰,结果统一汇总给你
    关键点:Subagents 适合需要并行工作或隔离上下文的场景,成本比 Skills 高,但隔离性更强
    6. Plugins — 团队共享配置
    当你的 Skills、Hooks、Subagents 调试好了,怎么让团队其他人也用上
    Plugin 就是一键打包分发的机制
    你把配置打包成 Plugin,团队成员安装后,所有人的 Claude Code 行为完全一致
    这解决了"我这儿能跑,你那儿不行"的问
    7. 并行 Worktree — 真正的效率倍增器
    最被低估的技巧:用 Git Worktree 开 3-5 个 Claude 会并行工作
    每个会独立分支、独立任务:
    Session 1 写新功能
    Session 2 修 bug
    Session 3 写文档
    它们同时跑,互不影响,最后分别提交 PR
    我现在一天能并行推进 4 个功能模块,以前只能串行做
    8. Chrome 扩展 — 让 Claude 看到浏览器
    Claude Code 默认只能操作本地文件,但你的工作有一半在浏览器里(看文档、测试页面、查后台)
    装上 Chrome 扩展后,Claude 可以:
    直接看到浏览器渲染的页面
    验证自己写的前端代码是否符合要求
    自己发现问并修复
    场景:让 Claude 写一个落地页,它写完后自动打开浏览器检查效果,发现标太小、颜色不对,自己改,改完再检查,直到符合要求
    你只需要在最后验收,中间的调整循环它自己完成
    @aigc1024

  2. 尼玛,我才知道鲸鱼兄弟中国行有这么多肮脏事

    尼玛,我才知道鲸鱼兄弟中国行有这么多肮脏事
    昨天我看Hunter
    发朋友圈说自己离开中国了。
    我感到很奇怪,因为我记得他还有几场活动,好像在武汉还是那里?
    现在咋突然走了?
    结果刚才我看到朋友给我发的微信聊天截图👀
    原来Hunter突然离开中国这事,没那么简单。
    按照他本人在群里的说法,他好像被当成摇钱树了。
    第一,有很多部署官方的微信群,叫DeepSeekTui,或者声称代表DeepSeekTui、代表他的群,都不是他本人确认的。
    第二,他自己建的官方群就叫「whalebrothers」鲸鱼兄弟。
    第三,他明确说自己「been taken advantage of」我被人利用了。
    更重的是,后面有人安慰他,他直接回了一句:
    「It’s really Mark Shan who’s the issue.」
    这都是Mark Shan的问!
    我不知道这里面到底发生了什么。
    但一个第一次来中国、语言不通、行程被多人协调、活动被多方安排、群组和身份还被各种人拿去代表的外国嘉宾,最后突然决定离开,这里面显然不只是「个人情绪」四个字能解释。
    现在最该解释的其实很简单:
    谁在用Hunter的名义建群?
    谁在说自己代表Hunter?
    谁在用DeepSeekTui这个名字做背书?
    谁把Hunter的中国行程从一个社区活动扩展成了多地巡回?
    谁在中间对外收钱、拉赞助、拉资源?
    Hunter本人到底知不知道这些安排?
    他为什么会说自己被利用?
    他又为什么会点名Mark Shan?
    看起来他不是突然跑路。
    他更像是发现自己被人当成了一张牌,终于意识到不对劲,然后直接离场。
    他本人已经把说到这个程度了。
    该出来解释的人,最好出来解释。
    PS:知情人可以来补充一下哈。
    @aigc1024

  3. demo越惊艳的机器人公司,死得越快?

    demo越惊艳的机器人公司,死得越快?
    现在很多具身团队的路径其实已经很固定了——
    大部分是硬件出身,先把自研硬件跑通;然后搭一套采集、训练、部署的管线;再拿开源模型去猛戳场景、戳数据、戳任务;做出一个能看的demo;再接一些简单的科研订单或演示性交付;最后把主线慢慢转向融资。
    @aigc1024

  4. 具身智能从去年的只跳舞一场单机器人就能收六七千,到现在群控和编排功能都不是什么新鲜事,普通人对机器人表演的阈值被越来越拉高

    具身智能从去年的只跳舞一场单机器人就能收六七千,到现在群控和编排功能都不是什么新鲜事,普通人对机器人表演的阈值被越来越拉高。除了会跳舞,还要能走上台走下台,相互之间走位,还要能有语音模型接入豆包和企业知识库和游客做交互,市场也在随着注意力变化对机器人厂商提出更高难度的需求。就像gpt3.5刚推出那会儿一样,模型强但又不足够强,所以催生出来很多专门做模型agent的公司并迅速的融到资,具身智能目前也处于这样的一个阶段:本体能力和大脑小脑能力已经处于相对完备的阶段,但是面向具体的场景,本体厂商、模型公司还缺少相对应的垂类数据和场景认识,所以会催生出大量的如同2223年agent公司的中间集成商公司。但在模型能力完善之后,这类公司也会迅速被替代。
    某租赁平台的技术能力在业界一直是出了名的不太行,但是资本运作能力和渠道运营能力出奇的好。现在又是几亿元到手,就算技术能力不行这钱砸下去也能变行。但是具身智能又和llm大模型有区别:具身智能需要线下交付,llm可以完全依赖线上,所以有线下的因素加入之后,渠道运营能力会否成为这个租赁平台区别于韭菜agent公司的关键因素会是个很有意思的问。
    @aigc1024

  5. Andrej Karpathy 最新的视频,我看了两三遍

    Andrej Karpathy 最新的视频,我看了两三遍。比较认同的一个观点是:Vibe Coding 可以提升下限,而Agentic Engineering 可以提升上限。这两个概念都是他创建的,最近我的思考是有了AI Coding 实现一些初级的软件更容易了,但是要实现高质量的软件产品,依旧需要卓越的设计和工程能力,这是工程师们的晋级方向。
    比较受启发的一个观点是:他引用了别人的一句(看第一遍时以为是他说的,心想这人怎么这么擅长创造金句),你可以外包你的思考(Thinking),但无法外包你的理解(Understanding)。他这里所说的思考是指一些信息收集、信息处理的工作。但真正做些一些事情,是需要很深的理解这到底是什么,为什么会这样,在这个基础上,才能做出好的设计。
    原始视频:https://youtu.be/96jN2OCOfLs?si=ULShNSmSTeZatiIF
    @aigc1024

  6. Andrej Karpathy 最新的视频,我看了两三遍

    Andrej Karpathy 最新的视频,我看了两三遍。比较认同的一个观点是:Vibe Coding 可以提升下限,而Agentic Engineering 可以提升上限。这两个概念都是他创建的,最近我的思考是有了AI Coding 实现一些初级的软件更容易了,但是要实现高质量的软件产品,依旧需要卓越的设计和工程能力,这是工程师们的晋级方向。
    比较受启发的一个观点是:他引用了别人的一句(看第一遍时以为是他说的,心想这人怎么这么擅长创造金句),你可以外包你的思考(Thinking),但无法外包你的理解(Understanding)。他这里所说的思考是指一些信息收集、信息处理的工作。但真正做些一些事情,是需要很深的理解这到底是什么,为什么会这样,在这个基础上,才能做出好的设计。
    原始视频:https://youtu.be/96jN2OCOfLs?si=ULShNSmSTeZatiIF
    @aigc1024

  7. 5月北京&深圳|一场给 AI创业者的线下小局👀

    5月北京&深圳|一场给 AI创业者的线下小局👀
    AI Next社区第一场线下「疯享会」来了。
    我们想做得简单一点:
    不办那种听完很燃、回去没变化的活动。
    也不做只有观点、没有产品的圆桌。
    就是把一群正在做 AI 产品的人放到一起,只聊一件事:
    你正在用 AI 解决什么具体问?
    看产品,
    互相提问,
    试产品,
    聊下一步。
    你可以带三样东西来:
    一个正在做的 AI 产品;
    一个只有你能讲的真实故事;
    一个最近真的想不明白的问。
    两场活动:
    📍北京|5.19 周二 18:30|中关村
    📍深圳|5.22 周五 18:30|腾讯滨海大厦
    适合已经有产品、用户反馈,或者真实卡点的 AI Nativer。
    闭门局,想来可以这里留「北京」或「深圳」。
    @aigc1024