程序员变成技术管理者，理解这5句话： 1. 人很难一次性把需求说明。所以需要反馈和确认，以及迭代。 2. 人不可靠。和大模型一样有幻觉，甚至更严重。 3. 人们被习惯支配，所以需要固定节奏和纪律。 4. 组织是人构成的一台精密机器，所以需要角色和职责边界、通过交付物咬合。 5. 人有懒、短视等弱点，但有创造力等优点。所以通过机制约束弱点，激发优点。 被坑过无数次才会懂。

《编程的原则》 │ ├─ 根本前提 │ ├─ 没有银弹：复杂性无法被单一技术消灭 │ ├─ 代码即设计：代码是最真实、可执行的设计 │ └─ 代码会变：未来修改是常态 │ ├─ 核心价值 │ ├─ 交流：代码写给人看 │ ├─ 简洁：消除多余复杂性 │ └─ 灵活：让修改不破坏整体 │ ├─ 基本准则 │ ├─ KISS：保持简单 │ ├─ DRY：不要重复 │ ├─ YAGNI：不要预写未来 │ ├─ PIE：表达意图 │ ├─ SLAP：统一抽象层次 │ ├─ OCP：隔离变化点 │ └─ Naming：认真命名 │ ├─ 架构技法 │ ├─ 抽象、封装、信息隐藏 │ ├─ 打包、关注点分离、分治 │ ├─ 策略/实现分离 │ └─ 接口/实现分离 │ ├─ 质量视角 │ ├─ 高内聚、低耦合 │ ├─ 正交性、可逆性 │ ├─ 可测试、可靠、可复用 │ └─ 技术负债、代码坏味 │ ├─ 行动习惯 │ ├─ 童子军规则 │ ├─ 无我编程 │ ├─ 小步前进 │ ├─ 先清晰后优化 │ └─ 自动化与复用 │ └─ 风险警示 ├─ 布鲁克斯法则：后期加人可能更慢 ├─ 康威定律：组织塑造架构 ├─ 破窗效应：坏代码会扩散 ├─ 熵增原理：不维护就腐坏 ├─ 第二系统综合征：第二版易功能膨胀 └─ 牦牛剃毛：不要偏离原问题

有位老哥把自己几十年的工程实战经验一股脑塞进了这个开源项目，直接冲上GitHub热榜第一，狂揽12.4万Star。 作者是前Vercel工程师，参与过Next.js早期开发，整理了16个和Claude协作的实战技巧，一条命令装完。 最绝的是Grim这个skill——让AI反过来审问你，顺着决策树一条条确认需求，搞清楚你要什么再动手。就42个词，被人称为“token回报率最高的提示词”。 还有专治代码跑不起来的skill，强制AI先写必败测试，再写最少代码让它过，经典红绿循环，AI想偷懒都没机会。 地址：github.com/mattpocock/skills

github.com/hyhmrright/brooks… 非常非常棒!尽量避免了 AI 造屎山的问题, 不明白为何 star 数那么少 比其他那些吹的神乎其神的 skills 好太多了

赚钱很简单啊 把YouTube的视频用Codex二创下 搬到小红书都能赚不少钱！

如果只推荐一个付费外链，我推荐： There's An AI For That。每次新站只要上这个的当天，用户付费都基本能赚回来。

一位资深的谷歌工程师悄悄发布一份 421 页的文档，在国内没看到什么人分享。 它叫《Agentic Design Patterns》，完全免费，比花几百块购买的 AI 课程可能都要好。 这是一份颇为全面系统性的 AI 构建指南，而且全程带代码，可直接用于生产环境。 链接：drive.google.com/file/d/1-5h…

.@GoogleDeepMind's Gemma 4 - 12B is available on Ollama! Chat: ollama run gemma4:12b-mlx Hermes Agent: ollama launch hermes --model gemma4:12b-mlx Claude Code: ollama launch claude --model gemma4:12b-mlx and more 👇👇👇 (Note, this currently works via MLX)

Gemma 4 12B can now run locally on just 8GB RAM via Dynamic GGUFs. Google's new model, Gemma 4 12B Unified supports image, audio and 256K context. You can run and train the model via Unsloth Studio. GGUF: huggingface.co/unsloth/gemma… Guide: unsloth.ai/docs/models/gemma…

AI Coding 时代最大的谎言是 软件编写成本趋于零 真实情况是 软件 DEMO 成本趋于零

刷X各国时间线，画风差异太明显： 韩国区：全是半导体投研、搞钱方法、中美AI竞争分析……又深又专业，卷王本王 日本区：日常骂中国、骂中国游客；女号一发颜色内容，流量直接起飞 西班牙区：我的天……他们搞黄色的水平已经达到人类巅峰了，彻底服气 法国区：找工作、抱怨找不到工作、骂政府官僚……整条时间线都散发着浓浓怨气

有旧车置换补贴以及5年免息，是不是更应该考虑全新的焕新版model y，而不是二手的2024款model 呢？

The AI Layoff Trap (AI裁员陷阱) 康奈尔的这篇论文把AI裁员这件事说的很透， 这是康奈尔大学（Cornell University）和沃顿商学院harton Schoo的两位经济学教授联合写的论文，一些结论和我的想法分享给大家。 这篇论文最厉害的地方是它没站任何一边， 没骂资本家黑心，也没说打工人活该， 只是用数学证明了：这是一个所有人都会掉进去的陷阱，没人能独善其身。 道理其实特别简单， 你开公司，用AI裁掉一半人， 成本降了30%，产品卖得更便宜，抢了更多市场。 这绝对是最理性的商业决策， 但如果所有公司都这么做呢？ 所有工人都失业了，收入没了，没人买东西了， 最后你成本降得再低，东西也卖不出去。 打工人没饭吃，你也赚不到钱，双方一起输。 最扎心的是，哪怕所有老板都清楚地知道这个结局，他们也停不下来。 因为这是一场军备竞赛，你不裁人，你的竞争对手会裁。 你不自动化，你的竞争对手会自动化，最后死的是你。 所以哪怕所有人都知道终点是集体毁灭，也只能硬着头皮往前冲。 已经不是道德问题能解释的了，属于博弈论的必然结果。 论文最让人后背发凉的部分，是它把我们能想到的所有解决方案，全部算了一遍，然后一个一个划掉： UBI没用， 资本所得税没用， 打工人持股没用 再培训没用， 企业之间协商也没用， 这些最多只能缓解一点症状，根本解决不了问题。 因为它们都没有触及最核心的驱动因素：竞争本身。 唯一能破局的，只有一种东西。 庇古自动化税。 简单说就是，你每用AI取代一个工人，就要交一笔税。 这笔税用来补偿你给整个社会造成的需求损失。 只有这样，企业在做自动化决策的时候，才会把所有人的成本算进去，才能把这场注定双输的军备竞赛，拉回到集体最优的水平。 当然，肯定有人会说，历史上每一次技术革命都有人喊失业，最后都创造了更多我们当时想象不到的新工作。 这话没错，但这次有个最大的不同：速度。 AI太快了，快到经济可能根本来不及消化这么多失业人口，快到新工作还没长出来，旧的就已经全没了。 咱们看现在已经发生的事： Block裁了40%，说AI让这些岗位多余， Salesforce把客服从9000人砍到5000人， 高盛说一个高级工程师现在能顶以前五个人的团队🥹 以上这些不是啥预言，都是正在我们眼前发生的事。 论文没说经济一定会崩溃，只是在提醒我们： 这一次，不能再等着市场自己调节了，如果我们什么都不做，这个陷阱真的会变成现实。

用好 Coding Agent，重点是两头，尤其是开头的部分，如果一开始就走偏了后面怎么改都改不好。 比如我要开发一个新功能，首先不是直接叫给 Agent 去写，会把需求简单整理一下，发给三个不同的 Agent（Codex、Claude Code、Cursor），打开 Plan 模式去帮我写 Plan，这里要用最好的模型。 都写完了之后我去看看谁的最好，以及其他版本有什么可取的地方。GPT 5.5 和 Claude Opus 4.7 并不是谁总是最好，选好了设计后，再把另外两个设计也发给它，让它借鉴一下。当然都不满意就要反复调整提示词多轮讨论。 如果是简单的 Plan，直接就可以开始做了。 如果是复杂的 Plan，让它设计成几个 Phases，每个 phase 说清楚要求和验证的方法，保存成一个 Markdown 文档，把相关的素材也都引用上。 偷懒一点就用 /goal 把 plan 文件发给它，让它按照 Phases 执行，担心 Agent 跑偏就每一步完成人工去审核一下，及时纠偏。 写代码有条件当然用最好的模型，但如果像节约成本，便宜一点的模型也是可以的，毕竟设计好了、有明确的验收标准，偏不到哪里去。 最后代码 Review 不需要太多 Agent 去，GPT-5.5 这种就够了，重点是看是不是符合设计要求以及代码质量有没有问题。 这其实很像一个几个高水平的架构师，一人出一套系统设计方案，你来拍板，然后交给程序员去执行，最后让高水平的程序员或者架构师 review 一下代码。

这就是所有 ToB AI 软件的最终形态，只要不是这样，就肯定设计错了。我说的。如果你会搞点儿VibeCoding，拿起我推荐的 Mastra 框架，上山下乡，走到小公司去，走到一切尚未正确拥抱AI的公司去，帮助他们把业务抽象成工具调用，让AI能够真正为他们干活，不赚钱我给你补。

Stack Overflow 因为大家都用 AI 导致发帖量断崖式下跌，但它反而收入更高了 Stack Overflow 上个月只收到了 6866 个新提问，和 2008 年刚上线时差不多。曾经全球开发者离不开的问答社区，被 ChatGPT、Cursor、Claude 这些 AI 编程助手逼到了这步田地。马斯克 2023 年说的：“Death by LLM”，现在看来不算夸张。 但公司层面的故事完全是另一个走向。 Stack Overflow 的年收入反而翻了一倍，达到 1.15 亿美元。亏损也从 2023 财年的 8400 万美元收窄到 2200 万美元。论坛在死，公司在活，而且两件事的原因是同一个：AI。 钱从哪来？两条路。一是企业产品 Stack Internal，把社区十几年积累的几百万条问答做成 AI 知识库卖给企业用，目前有 2.5 万家公司在用。二是把数据授权给 AI 公司训练模型，走的是 Reddit 那条路（Reddit 2024 年光靠数据授权就赚了超过 2 亿美元）。 CEO Prashanth Chandrasekar 的说法是，2023 年问题量下降后他们发现，消失的基本都是简单问题，复杂问题还是会到 Stack Overflow 上问，因为没有别的地方能答。大模型需要高质量的人类数据来训练，而 Stack Overflow 恰好坐在一座这样的数据矿上。 这里有个耐人寻味的循环：开发者不再来论坛提问，转去问 AI；AI 需要 Stack Overflow 的历史数据才能回答好这些问题；但新的问答不再产生了，数据矿正在老化。 Stack Overflow 卖的是社区十几年积攒的信任和专业性，只是不知道这个矿还能挖多久！ 信息来源：sherwood.news/tech/stack-ove…

投资纳斯达克怎么止盈？我是这样干的。 每赚20%，平仓一半，再继续定投。 每次赚20%，就保持半仓，重新定投。 还记得2000年互联网泡沫，纳指回撤70％以上。 2008年回撤56%，所以一定要止盈。 同时在大趋势全面向下时，削减大部分仓位，保持20-30%仓位，同时暂停定投。 并增加黄金，债劵对冲。 资产组合，纳指30%，黄金30%，债劵

还没在Codex里配置好Agents.md的可以直接来抄大神Karpathy的作业了 65行的极简配置，内容精辟有效，完全可以作为你的Agents.md全局规则起点 具体怎么做： 直接把仓库里的这套规范复制到Codex App的全局自定义指令部分，后续配合下面文章的方法去不断扩充、迭代规则，你的Codex使用就已经超越了大多数人 仓库地址：github.com/multica-ai/andrej…

Google 把内部工程师的代码审查（Code Review）规范公开啦 这几乎是目前业界最顶级的标准 很多程序员只会写代码，但不知道怎么审代码，可以看看 Google 是怎么做的 1.双向指南：不仅教审查者怎么挑毛病，还教作者怎么写出容易通过的代码 2.术语科普：解释了 Google 内部常用的 LGTM（看起来不错）和 CL（变更列表）到底意味着什么 3.实战价值：这套规范不是理论，而是 Google 每一位工程师都在用的实际操作准则 如果你想提升团队的代码质量，或者想知道顶级大厂的开发门槛，这份文档必读！ github.com/google/eng-practi…

一起看看 Cursor 团队内部最常用的 Skills thermo-nuclear-code-quality-review，一位苛刻的代码质量审计员，它的设计目标是：在 PR 合并之前，识别那些"能跑、但让代码库变得更糟"的改动并拒掉它们。 在这安装 @cursor_ai Team Kit： cursor.com/marketplace/curso… 四条核心审计原则 1. 删除复杂性，而不是搬运复杂性 重构的常见反模式是把一坨复杂逻辑从 A 文件挪到 B 文件，调用栈变深，但总复杂度没降甚至上升。该 skill 要求改动产生净简化，而非位置转移。 2. 阻止超过 1000 行的文件 硬性上限。超过 1k 行的文件几乎必然意味着职责不清、难以测试、难以并行修改。这是一条"宁可错杀"的工程红线。 3. 标记薄包装层和泄漏的逻辑 · Thin wrappers：只是转发参数、没有实质行为的函数/类，徒增间接层。 · Leaked logic：本该封装在某层的业务规则散落到了调用方，破坏边界。 4. 拒绝"能工作但让代码更乱"的 PR 这是最关键的一条立场：功能正确 ≠ 可以合并。维护性是一等公民，与功能性同等重要。 两阶段、父子 Agent 协作的运行机制 阶段 1 — 父 agent 准备上下文（并行） · 一个 shell 子 agent 执行 git diff <base>...HEAD（默认 base 为 main） · 一个 explore 子 agent 抓取所有变更文件的完整内容 阶段 2 — 调用审计 agent 父 agent 把上面两份产物组装成带 ### Git / diff output 和 ### Changed file contents 两个标注段落的 prompt，传给 thermo-nuclear-code-quality-review 子 agent 执行审计。 这个设计有几个值得注意的点： · 审计 agent 本身不做信息收集，输入是结构化的、确定的，避免它在探索阶段被噪声干扰。 · 禁止嵌套子 agent（除非显式要求），强制单次、聚焦的判断。 · 只评判 diff 中看得见的东西，但当改动触及模块边界时要追踪跨文件影响——这避免了"只见树木"的局部审查。 Rubric 的兜底逻辑 Skill 明确写了一个 fallback：如果 cursor-team-kit 插件不在，就退化为一次"严厉的可维护性审计"，目标对齐： · 大胆简化（ambitious simplification） · 文件不无故膨胀超过 ~1k 行 · 不容忍随手加 if/else 让分支无序增长 · 显式类型与边界 · 规范的分层（canonical layers）