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. 先给出一些简单的需求，然后让工具生成 PRD，requirements 和 todo。
   2. 然后仔细阅读这三个文档，把不需要的功能精简，把需要的功能加上去。
   3. 然后就让工具严格按照 todo 执行。每一步都要 git commit，看情况切换分支；
   4. 每一个需求实现之后都要求写单元测试，大的模块完成之后，再写更复杂的测试；
   5. 每一个大模块写完之后，都要工具进行抽象，降低复杂度，提高可读性。
4. 我先后使用了 ChatGPT，Google Gemini，Cursor，ChatGPT Codex，Kiro，和 Claude 来生成代码：
   1. 以上是按照我使用的先后顺序排序。Google Gemini Pro 2.5 是第一个让我觉得 wow 的代码生成工具，这种震撼堪比当初第一次使用 ChatGPT；
   2. 目前看来效果最好的是 Claude，其次是 Cursor。
   3. Claude 的基本工作模式是收到 prompt 之后，先进行规划，然后严格按照它的规划工作，如果中间遇到其他支线问题，它会加入规划，然后再执行。结束这个支线任务之后，它会继续回到原先规划的主线上。基本上不需要人工干预。
   4. 当然 Claude 很贵。我目前购买的是最便宜的套餐，基本上每个小时都会遇到用量限制，平均不到半小时，最快的是十分钟就用完。看了下，基本上每小时的 quota 大概在 50k tokens。更要命的是，这个限制是动态的，有一次我被限制之后，四个小时后才恢复；
   5. 所以搭配着 Cursor 使用还不错，开了 Auto 模式之后，基本没有遇到 Cursor 的用量限制。大块的任务交给 Cursor，小修小补可以交给 Cursor；
   6. Amazon 的 Kiro 其实是很不错的概念。给定 prompt 之后，它会先生成详尽的 PRD，开发需求和开发计划。然后 Kiro 就会严格按照开发计划工作。其实这也是一般软件工程师的工作模式。只可惜 Kiro 现在只能调用 Claude 3.7 的模型，效果大打折扣。
   7. ChatGPT Codex 拿来做代码审核很不错，提交 prompt 之后，它会自动从 Github 拉取代码，然后执行 prompt。我经常出门前提交 prompt，让它以一个架构师的角度来审核整个项目。然后把它的建议丢给 Claude 或者 Cursor 去加工；
5. 总体而言 Claude 和 Cursor 的代码生成质量不错。但是生成的时候，他们是直线思考，只会线性地生成，不太会抽象，不太会复用代码。所以经常需要指导他们去做抽象，去复用代码。否则项目会变得非常冗余。更关键的是，不错抽象的代码会耗费更多的 tokens，也就是更费钱费时间。所以 pruning 非常关键。
6. 很多声音会觉得，这些工具的出现会让程序员这一职业变得没落，其实我倒是很乐观：
   1. 这些工具的出现，实际上解决了怎么写的问题，效率质量都比我自己写要高得多；
   2. 所以我的价值不在于怎么写，而在于写什么，如何写得更有价值；
   3. 如果没有这些工具，这个项目恐怕要写很久。我曾经试着重构一个重要功能，让 Claude 估算了一下，至少是一个熟练程序员两周的工作量，而我指导 Claude 写，不到半天就完成了；
   4. 对于初级程序员来说，这些工具也是好消息，因为可以大大加快学习进度。我在这一个月里学到的后端知识，比我前几年做 EM 学到的都多；
   5. 当然程序员的领域知识变得更加重要。很多工具都号称可以让一个令编程基础的人拿来编程。这话说得有一定道理，但是一个毫无经验的人拿这些工具写出来的代码，和一个有经验程序员拿这些工具写出来的代码，质量效率肯定都没法比。当然，不同人写代码有不同的需求，我们也不能拿一个模子来套用。
   6. 至少说，程序员这一职业并不会因为 AI 工具的诞生而消亡，反而因为这些开发成本被大大降低，会有更多的需求出现，会对程序员有更高的要求。

我们已经开通了微信支付和支付宝支付，如果你想及时读到 DPS 的全文，不妨直接付费订阅：

一键使用微信或者支付宝订阅 DPS

关于支付的详情介绍，可以访问这一页面。

Recap

Joan Westenberg 明白，时间不会积累，也不会再生。时间不能借出去收利息，只能用或者不用：

1. 对她来说，成为“时间亿万富翁”始于一个前提：她的每一个小时，原本就属于她自己。只是她忘了，账户的主人是谁。
2. 在金融领域，套利是利用市场失效来获利。而在生活里，时间套利就是用同样的方法，去利用注意力的差价。
3. 每一个自动化的 SOP，每一个由虚拟助理管理的任务，每一次被委派的决定，都是时间套利。每一个明天不再需要她亲自做的决定，都是时间套利。
4. 她明白，你没法在一个专门用来分散注意力的系统里，把效率优化到极致。唯一的做法，就是退出那个系统。
5. 所谓“时间亿万富翁”，如 Graham Duncan 所说，就是生命中还剩十亿秒的人。这大约等于 31 年。

Pedro Tavares 发现，添加新软件的边际成本正在接近零，尤其是有了大语言模型（LLMs）。但理解、测试以及信任这段代码的代价呢？比以往任何时候都高。

1. 他不确定，作者是否完全理解自己提交的内容。
2. 他注意到，生成的代码引入了不熟悉的模式，或者打破了既有的惯例。
3. 在他看来，真正的瓶颈过去是、现在依然是：代码审查、通过指导和结对编程进行知识传递、测试、调试，以及协调与沟通所带来的人力成本。
4. 最终，他发现我们陷入了这样一种局面：代码生产变得更简单，但验证却更复杂，这并不一定让团队整体运转得更快。
5. 他回忆，开发者们过去常常拿“复制粘贴工程师”开玩笑，但 LLM 所带来的速度与规模，却让这种复制粘贴的习惯被进一步放大。

Joan Westenberg 发现：高效，其实是深度的敌人。而所有有趣的事物，都藏在深度里。

1. 她每周会留出整整一天，不使用 AI。
2. 那一天，她坚持用自己大脑生成内容，用自己的语言表达，而不是依赖任何外部支架。
3. 就在那时，她意识到自己一直缺失的东西：原创思考所带来的满足感。
4. 现代生活让人习惯性地逃避这种状态。因此，坐在模糊与不确定里，不急于转移注意力，本身就是一种激进的自我找回。
5. 每一条思路最终都走进了死胡同，或者落入陈词滥调。但这正是重点。她正在学习如何与一个问题待在一起，即使它迟迟不给答案。

Tiago Forte 的目标不是要在尝试的每件事上都成为专家，而是要高效地分辨出什么值得投入，什么不值得：

1. 他认为，第一阶段是让自己在新的领域中建立方向感。他把自己的内容摄取时间看作一个需要主动配置的投资组合。
2. 他会重新分配已有的内容摄取时间（不增加额外时间，只是把原本就花在其他内容上的时间引导过来）。
3. 他领悟到一个关键点：仅仅是通过接触，他就会开始自动学习。他的大脑在不需要刻意思考的情况下，就会开始建立心理模型，识别出模式。
4. 他会主动向别人征求推荐。他会在社交媒体上发帖寻求资源，或者向朋友圈打听。个人推荐往往是很强的信号，尤其当同一个名字被多次提到时。
5. 他明白，最好的内容往往是人与人之间分享的，而不是算法推荐出来的。

Phil Schmid 认为真正的 AI 编程应该是上下文编程：

1. 他引用 Tobi Lutke 的说法：“提示工程的艺术，在于为任务提供足够的上下文，使 LLM 有可能成功解决问题。”他认为 Tobi 说得很对。
2. 随着智能代理（Agents）的兴起，加载到「有限工作记忆」中的信息，变得比以往更加重要。
3. 他观察到，决定一个智能代理成功还是失败的关键，不再是模型本身，而是你为它提供的上下文质量。如今，大多数代理失败，原因不是模型失灵，而是上下文失误。
4. 在他看来，廉价的演示和“神奇”代理之间的差距，就在于你提供的上下文质量。
5. 在他的理解中，代码的主要任务，不是去“思考如何回应”，而是去“收集 LLM 为达成目标所需要的信息”。

Dan Koe 认为，想要变得富有，唯一的办法就是：（1）把自己的时间价值定在一个近乎妄想的高额时薪；（2）对变富这件事抱有执念；（3）不给自己任何退路，除了变富。

1. 他很早就意识到，自己无法接受每天辛苦工作 8-10 个小时，只为了每年赚 8 万到 15 万美元，在一份毫无归属感、也毫不关心的工作里卖命，尤其是当他清楚看到，有人能做着有意义的工作，花更少的时间，却能赚到百倍的收入。
2. 那些无休止地将金钱道德化、精神化的人，根本无法想象一种生活：那就是自己不再被金钱所束缚。
3. 设定一个理想化的高时薪，其真正目的就在于：促使自己做出更好的决策，并训练大脑去捕捉那些能让自己置身更高杠杆位置的机会。
4. 如果你设定的理想时薪没有让你感到“不可能”，那说明定得还不够高——他是这样认为的。
5. 每一个专注投入的瞬间，都是在重新塑造大脑，以与自己想成为的人更接近。

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，都在 Slack 上完成，公司里根本没有邮件。
5. OpenAI 的文化 极其自下而上，尤其在研究领域。

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 MCP 客户端。
2. MCP 服务器是 MCP 世界和外部系统具体功能（API、数据库、本地文件等）之间的桥梁或接口。它们本质上是封装器，用于根据 MCP 规范暴露这些外部能力。
3. MCP 客户端是宿主应用（比如 IDE、聊天机器人等）的一部分，用于管理与特定 MCP 服务器的通信。
4. 任何“开放标准”都应该有一份规范，而 MCP 就拥有一份非常优秀的规范。他指出，仅凭这份规范，就打败了很多没有详细规范的竞争者。
5. Anthropic 并没有从零开始重新发明一切，而是借鉴了 Language Server Protocol（LSP），例如 JSON-RPC 2.0。

Andrew Bosworth 认为开发产品并不是单纯的创造之旅，而是发现用户需求的旅程：

1. 在最近与电影导演詹姆斯·卡梅隆的一次对话中，他提出了一个有趣的观点：电影制作人所进行的实验过程，与其说是在发明讲故事的方式，不如说是在探索观众更容易（或更不容易）投入到故事中的方式。
2. 他们亲眼见证并切身感受到了这些成功实验的效果，于是越来越多的电影人开始效仿，并在此基础上尝试新东西，电影语言因此变得更丰富、更深刻。
3. 人类并非都是一模一样的，他怀疑我们对讲故事的接受度，在整个群体中可能比对任何特定工具的自然倾向更具有普遍性，所以他并不想暗示所有产品都存在一个尚待发现的“理想形态”。
4. 但归根结底，这些能力最终都是用来探索消费者的偏好。
5. 如今，他所在的团队会使用“用户旅程”来确保他们的产品对于目标用户有清晰的定位：是谁在使用产品，他们有什么问题，以及产品将如何帮助他们。

Maalvika Bhat 认为创造不是诞生，而是谋杀——是为了可能之事而谋杀不可能之事：

1. 所谓“品味与技能的差距”指的是：你的品味（识别品质的能力）往往比你的技能（创造品质的能力）发展得更快。这种差距就是 Ira Glass 所说的“那道鸿沟”，它也正是创作者与消费者之间的分水岭。
2. 我们大多数人之所以停止画画，并不是因为缺乏天赋，而是因为判断的能力先于执行的能力出现了。
3. 但人类的创造力要求我们在“可以想象的”和“实际能做到的”之间跋涉。这是一种诅咒，也是祝福：我们拥有完美的幻象，也拥有向着它不断失败前进的能力。
4. 卓越来源于对不完美的亲密感，精通建立在与失败的熟识之上，通往完美之作的路径，恰恰是大量不完美之作的累积。
5. 当你想象实现目标时，大脑中负责奖赏的神经回路会像你真正完成目标时一样被激活。这种现象在神经科学中被称为“目标替代”。

Archive

一键使用微信或者支付宝订阅

本周的生产力日报集合就到此为止，如果你有什么建议，也欢迎留言告诉我们。如果想要收到最及时的推荐，不妨订阅我们的频道，或者付费解锁更多增值内容，我们下期见。

如果你喜欢的话，不妨直接订阅这份电子报 ⬇️