ai

Daily Productive Sharing 1291 - Refactoring in Code Generation

One helpful tip per day:) Scott Werner 说,过去需要几个月才能完成的工作,现在用 Claude 几个小时就能写出来。它一个下午能写的代码,超过了他一周的产出。 1. 但问题在于:AI 不知道何时该停止添加功能。 2. 我们不得不将完整的子系统“拆出来”,赋予它们独立的存在。过去我们称之为“模块化”或“拆分”,现在这一过程必须以 AI 的速度进行。 3. 我认为,未来高级开发者的角色会转向模块级别的模式识别。不是判断“

Daily Productive Sharing 1289 - Nobody Knows

One helpful tip per day:) Scott Werner 认为我们正处于一个奇妙的中间地带:没人能假装自己是专家,因为整个局势始终在我们脚下不断变化: 1. 即使是全球最资深的 AI 编程搭档,也不过做了最多两年而已,那么我们全都是新手。也许会永远是新手,按照目前这种加速度的发展来看。 2. 你下了个提示,然后去过自己的生活。回来时,已经有一万行代码生成。你读五分钟,只回一句反馈。 3. 这个比例完全不对等:输入与输出、投入与成果、时间与进展,全部失衡。这打破了他对“工作应该是什么感觉”

DPS 周刊 201 - 一个月可能写五十万行代码?

过去一个月,我重新捡起了写代码,准确地说,我自己并没有写多少代码,绝大部分都由 AI 代劳。 1. 以上是 Cursor 的统计,一共生成了超过五十万行代码,平均下来,每天都超过一万行。这样的强度估计比我之前写的代码加起来都多; 2. vibe coding 也好,context coding 也好,spec coding 也好,都只是不同的叫法,整体的体验就像是在大型策略类游戏。我可以从写代码的角色中脱离出来,更像是一个架构师,一步步指引这些工具写出需求。 3. 目前看来最有效的策略是, 1.

Daily Productive Sharing 1283 - Overview of MCP

Philipp Schmid 介绍道,在 USB 等标准出现之前,连接外部设备需要各种各样不同的接口和自定义驱动程序。同样,把 AI 应用程序集成到外部工具和系统中,也曾是一个“M×N 问题”。 1. MCP 的目标是通过提供一个通用 API,将这个问题简化为“M+N 问题”。工具开发者只需要为每个系统构建 N 个 MCP 服务器,而应用开发者则只需为每个 AI 应用构建 M 个

Daily Productive Sharing 1282 - Reflections on OpenAI

One helpful tip per day:) Calvin French-Owen 刚刚离开 OpenAI,他回顾了在这家公司的经历: 1. 几乎所有在领导岗位的人,如今都在做和 2-3 年前完全不同的工作。 2. 当公司规模快速扩张时,所有事情都不可避免地会“崩坏”。 3. OpenAI 并不存在一种统一的“OpenAI 体验”,因为研究、应用和市场(GTM)运作在截然不同的时间节奏上。 4. OpenAI 有一个很特别的地方:所有事情,真的是所有事情,