Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

Codex 5.6 写代码很强，但很多人只用对了一半。 90% 的人都忽略了：写代码和审代码，最好不要使用同一个对话。原对话已经知道你的目标和它自己的修改思路，很容易顺着原来的判断证明自己没问题。更好的方法是新开一个完全没有前文的任务，只给它当前代码变更和验收要求： “请以独立代码审查者的身份检查当前 Git diff。不要根据原开发思路替改动辩护，重点寻找功能回归、遗漏场景、错误假设、并发问题和测试盲区。暂时不要修改代码，先按严重程度列出问题，并提供对应文件和证据。” 提前发现问题，省下的不只是返工时间，还有后续反复修 Bug 消耗的 Token。一个 Codex 负责写，另一个没有参与开发的 Codex 负责挑错。

爱丽丝呀！

22,193 subscribers

17,120 Aufrufe • vor 22 Tagen •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

的人提了一个思路：用 AI 写代码之后，人应该审计划，不应该审代码。他的类比很准。写 C 语言的时候没人去检查编译器输出的汇编对不对，因为你信任编译器。AI 写代码也应该一样——你把精力花在计划对不对上，计划没问题就让它去生成。问题是 Claude Code 的计划是一大坨 Markdown，在终端里看得人眼花。他做了个 /visual-plan 技能，让 AI 用 MDX 组件输出计划：线框图、API 结构图、Schema 变更，都是可视化的，能拖能缩放。代码写完之后还有 /visual-recap，生成一份可视化变更总结。产品经理和设计师不用看代码 diff 也能看懂 AI 改了什么。

的人提了一个思路：用 AI 写代码之后，人应该审计划，不应该审代码。他的类比很准。写 C 语言的时候没人去检查编译器输出的汇编对不对，因为你信任编译器。AI 写代码也应该一样——你把精力花在计划对不对上，计划没问题就让它去生成。问题是 Claude Code 的计划是一大坨 Markdown，在终端里看得人眼花。他做了个 /visual-plan 技能，让 AI 用 MDX 组件输出计划：线框图、API 结构图、Schema 变更，都是可视化的，能拖能缩放。代码写完之后还有 /visual-recap，生成一份可视化变更总结。产品经理和设计师不用看代码 diff 也能看懂 AI 改了什么。

Vincent

12,896 Aufrufe • vor 2 Monaten

Codex 5.6 真的绝了用了这么久，最值得装的插件就这几个 👇 ① Browser AI 自动操作浏览器，点击、输入、端到端测试全能干，再也不用手动验证了 ② GitHub 和 Issue、PR 打通，丢个任务给它，从编码到审核全搞定，开发流程快到飞起 ③ Codex Security 自动扫代码漏洞和密钥泄露，还能给出修复方案，省了一堆安全问题 ④ Build Web Apps 描述想法就行，设计、开发、测试一条龙，全栈项目的时间能省一半 ⑤ Figma Figma 设计直接转代码，响应式自动搞定，设计稿和代码终于能对上了 ⑥ Sentry 线上报错自动分析，帮你定位问题还给出修复代码，线上问题不再头大但最绝的其实是「Sites」功能开发完直接在里面预览，一键公开分享还能用自定义域名这意味着什么？原型秒送客户看把这些组合起来用 Codex 就从单纯的「写代码 AI」变成了真的开发团队——设计、编码、测试、调试、上线全包

Codex 5.6 真的绝了用了这么久，最值得装的插件就这几个 👇 ① Browser AI 自动操作浏览器，点击、输入、端到端测试全能干，再也不用手动验证了 ② GitHub 和 Issue、PR 打通，丢个任务给它，从编码到审核全搞定，开发流程快到飞起 ③ Codex Security 自动扫代码漏洞和密钥泄露，还能给出修复方案，省了一堆安全问题 ④ Build Web Apps 描述想法就行，设计、开发、测试一条龙，全栈项目的时间能省一半 ⑤ Figma Figma 设计直接转代码，响应式自动搞定，设计稿和代码终于能对上了 ⑥ Sentry 线上报错自动分析，帮你定位问题还给出修复代码，线上问题不再头大但最绝的其实是「Sites」功能开发完直接在里面预览，一键公开分享还能用自定义域名这意味着什么？原型秒送客户看把这些组合起来用 Codex 就从单纯的「写代码 AI」变成了真的开发团队——设计、编码、测试、调试、上线全包

科技混子Chris

111,108 Aufrufe • vor 1 Monat

🚀 发现一个能让 Claude 变得更好用的开源神器只有一个65行的 Markdown 文件,GitHub 上已经冲到了 13万+ Star 灵感来自 Karpathy 说模型喜欢在不确定的时候瞎猜、把代码写得过度复杂、还会悄悄改掉不该碰的东西。这个项目把给AI 编程总结了4条铁律： 1、想清楚再动手，不懂就问，绝不瞎猜 2、用最少的代码解决问题 3、精准修改，需求之外的代码一行不动 4、先写测试用例，跑通再说这几条约束下来，Claude 写代码更稳，还能省 token

🚀 发现一个能让 Claude 变得更好用的开源神器只有一个65行的 Markdown 文件,GitHub 上已经冲到了 13万+ Star 灵感来自 Karpathy 说模型喜欢在不确定的时候瞎猜、把代码写得过度复杂、还会悄悄改掉不该碰的东西。这个项目把给AI 编程总结了4条铁律： 1、想清楚再动手，不懂就问，绝不瞎猜 2、用最少的代码解决问题 3、精准修改，需求之外的代码一行不动 4、先写测试用例，跑通再说这几条约束下来，Claude 写代码更稳，还能省 token

阿西_出海

42,846 Aufrufe • vor 3 Monaten

Codex 5.6 真的绝了用了这么久，最值得装的插件就这几个 👇 ① Browser AI 自动操作浏览器，点击、输入、端到端测试全能干，再也不用手动验证了 ② GitHub 和 Issue、PR 打通，丢个任务给它，从编码到审核全搞定，开发流程快到飞起 ③ Codex Security 自动扫代码漏洞和密钥泄露，还能给出修复方案，省了一堆安全问题 ④ Build Web Apps 描述想法就行，设计、开发、测试一条龙，全栈项目的时间能省一半 ⑤ Figma Figma 设计直接转代码，响应式自动搞定，设计稿和代码终于能对上了 ⑥ Sentry 线上报错自动分析，帮你定位问题还给出修复代码，线上问题不再头大但最绝的其实是「Sites」功能开发完直接在里面预览，一键公开分享还能用自定义域名这意味着什么？原型秒送客户看把这些组合起来用 Codex 就从单纯的「写代码 AI」变成了真的开发团队——设计、编码、测试、调试、上线全包

Codex 5.6 真的绝了用了这么久，最值得装的插件就这几个 👇 ① Browser AI 自动操作浏览器，点击、输入、端到端测试全能干，再也不用手动验证了 ② GitHub 和 Issue、PR 打通，丢个任务给它，从编码到审核全搞定，开发流程快到飞起 ③ Codex Security 自动扫代码漏洞和密钥泄露，还能给出修复方案，省了一堆安全问题 ④ Build Web Apps 描述想法就行，设计、开发、测试一条龙，全栈项目的时间能省一半 ⑤ Figma Figma 设计直接转代码，响应式自动搞定，设计稿和代码终于能对上了 ⑥ Sentry 线上报错自动分析，帮你定位问题还给出修复代码，线上问题不再头大但最绝的其实是「Sites」功能开发完直接在里面预览，一键公开分享还能用自定义域名这意味着什么？原型秒送客户看把这些组合起来用 Codex 就从单纯的「写代码 AI」变成了真的开发团队——设计、编码、测试、调试、上线全包

暖暖爱AI

102,106 Aufrufe • vor 1 Monat

Codex 最新动态：从 GPT‑5.6 与 Ultra 模式，到多智能体并行协作、计算机与浏览器操作、应用截图理解、行内代码和文档修改，再到一键发布 Sites、跨项目管理以及完整的 PR 工作流。 Codex 已不只是一个“帮你写代码”的工具，而是能够拆解复杂任务、操作和测试应用、协调多个项目、处理 Bug 与代码审查，并协助完成发布的开发伙伴。无论你想提高日常开发效率，还是探索更自动化的 AI 编程方式，这支视频都能帮你快速掌握 Codex 的新能力和实际应用场景。本视频由 baocut 翻译

Codex 最新动态：从 GPT‑5.6 与 Ultra 模式，到多智能体并行协作、计算机与浏览器操作、应用截图理解、行内代码和文档修改，再到一键发布 Sites、跨项目管理以及完整的 PR 工作流。 Codex 已不只是一个“帮你写代码”的工具，而是能够拆解复杂任务、操作和测试应用、协调多个项目、处理 Bug 与代码审查，并协助完成发布的开发伙伴。无论你想提高日常开发效率，还是探索更自动化的 AI 编程方式，这支视频都能帮你快速掌握 Codex 的新能力和实际应用场景。本视频由 baocut 翻译

宝玉

37,498 Aufrufe • vor 1 Monat

【Plus订阅用户——无限额度的神级工具】 Plus 的 Codex 5 小时额度完全不够用？先别急，交给这个神级工具，让你的plus额度也够用很多 Plus 用户不是不会用 Codex，而是把规划、执行和审查全塞给 Codex，让它变得太“全能”。先让它通读仓库、自己想方案，再写代码、跑测试，最后还要重新读取全部上下文，审查自己刚才做过的改动。等到 5 小时额度窗口开始紧张，真正需要 Codex 动手的工作，可能才刚刚开始。如果你也经常觉得 Plus 的 Codex 额度不够用，我更建议先优化任务分工，而不是继续压缩提示词，或者把所有步骤都塞进同一次调用。我现在使用的工作流是 Codex with ChatGPT： ChatGPT → PLAN Codex → EXECUTE / TEST ChatGPT → REVIEW 简单来说：ChatGPT 负责把问题想清楚，Codex 负责把改动做出来。第一步是 PLAN。在进入 Codex 之前，先让 ChatGPT 网页版明确： • 这次到底要解决什么问题？ • 哪些内容属于本次范围，哪些明确不改？ • 可能涉及哪些文件和依赖？ • 需要运行哪些测试？ • 什么结果才算完成，出问题怎样回滚？计划至少要回答这五件事：改什么、不改什么、碰哪些文件、怎样测试、什么结果才算完成。没有边界的“帮我优化一下整个项目”，往往才是最消耗额度的用法。第二步是 EXECUTE / TEST。规划完成后，再把清晰的施工单交给 Codex。此时 Codex 不需要重新做一轮开放式研究，而是专注它最擅长的本地工作： • 编辑文件 • 运行 Shell 和项目命令 • 使用 Git 检查改动 • 执行测试 • 根据真实错误继续修复给 Codex 的不再是一道没有边界的研究题，而是一项可以直接执行、可以测试、可以验收的任务。一轮调用最好只有一个明确闭环：修改 → 测试 → 报告结果第三步是 REVIEW。代码完成后，我不会只让执行者重新通读整个仓库，然后告诉我“看起来没问题”。 ChatGPT 会通过只读连接，按需查看相关文件、diff 和测试记录，再从原计划出发做一次独立审查： • 改动有没有超出范围？ • 测试是否真的覆盖了目标？ • 有没有隐藏失败或未经验证的结论？ • 文档、实现和最终结果是否一致？只有发现具体问题时，才向 Codex 发回最小修复任务。这套分工的关键不是让两个 AI 重复干活，而是让每一层只负责自己最合适的事情。在当前这个视频工程里就有一个真实例子：ChatGPT 审查时发现首帧工作台遮挡了标题；Codex 随后把 `.workspace` 的位置从 `top:128px` 调整到 `430px`。基线检查有 10 个重叠错误，修改后 Layout 变为 0 issues，最后再由 ChatGPT 读取事务 diff 和验证记录完成复核。这就是完整闭环：发现问题 → 明确修改 → 本地执行 → 运行检查 → 独立复核对于 Plus 用户，这套方法最直接的作用，不是把官方额度变多，而是减少 Codex 执行通道里的重复阅读、开放式探索和自我复盘。普通任务可以先在 ChatGPT 网页版锁定范围，再让 Codex 本地执行；完成后，只让审查层按需读取必要的 diff 和测试记录。这样能把更宝贵的 Codex 调用留给真正需要编辑、命令和测试的步骤。如果你是 Pro 用户，还可以把最困难的架构规划、跨文件风险分析和最终审查，交给 ChatGPT 网页版中最高能力的 Pro 模型选项；复杂推理由 Pro 负责，本地执行仍由 Codex 完成。具体模型名称和开放范围可能调整，以你账户里的模型选择器为准。需要说明的是：这不是增加官方额度，也不会解除 5 小时窗口，更不是绕过平台限制。它做的事情更朴素：不再让 Codex 同时扮演产品经理、架构师、程序员和审计员，而是让每一次调用都有明确范围、明确任务和明确验收标准。 Codex with ChatGPT 使用只读连接，按需读取完成规划和审查所需的工作区内容；不是一次性上传整个仓库，也不会把写文件、删除文件或执行 Shell 的权限交给 ChatGPT。如果你也在用 Plus，最近又经常撞到 5 小时额度限制，可以试试先把任务分工做好，再开始下一次编码。项目地址：安装后可以直接对 Codex 说： “使用 Codex with ChatGPT 完成首次配置并应用。” #Codex #ChatGPT

【Plus订阅用户——无限额度的神级工具】 Plus 的 Codex 5 小时额度完全不够用？先别急，交给这个神级工具，让你的plus额度也够用很多 Plus 用户不是不会用 Codex，而是把规划、执行和审查全塞给 Codex，让它变得太“全能”。先让它通读仓库、自己想方案，再写代码、跑测试，最后还要重新读取全部上下文，审查自己刚才做过的改动。等到 5 小时额度窗口开始紧张，真正需要 Codex 动手的工作，可能才刚刚开始。如果你也经常觉得 Plus 的 Codex 额度不够用，我更建议先优化任务分工，而不是继续压缩提示词，或者把所有步骤都塞进同一次调用。我现在使用的工作流是 Codex with ChatGPT： ChatGPT → PLAN Codex → EXECUTE / TEST ChatGPT → REVIEW 简单来说：ChatGPT 负责把问题想清楚，Codex 负责把改动做出来。第一步是 PLAN。在进入 Codex 之前，先让 ChatGPT 网页版明确： • 这次到底要解决什么问题？ • 哪些内容属于本次范围，哪些明确不改？ • 可能涉及哪些文件和依赖？ • 需要运行哪些测试？ • 什么结果才算完成，出问题怎样回滚？计划至少要回答这五件事：改什么、不改什么、碰哪些文件、怎样测试、什么结果才算完成。没有边界的“帮我优化一下整个项目”，往往才是最消耗额度的用法。第二步是 EXECUTE / TEST。规划完成后，再把清晰的施工单交给 Codex。此时 Codex 不需要重新做一轮开放式研究，而是专注它最擅长的本地工作： • 编辑文件 • 运行 Shell 和项目命令 • 使用 Git 检查改动 • 执行测试 • 根据真实错误继续修复给 Codex 的不再是一道没有边界的研究题，而是一项可以直接执行、可以测试、可以验收的任务。一轮调用最好只有一个明确闭环：修改 → 测试 → 报告结果第三步是 REVIEW。代码完成后，我不会只让执行者重新通读整个仓库，然后告诉我“看起来没问题”。 ChatGPT 会通过只读连接，按需查看相关文件、diff 和测试记录，再从原计划出发做一次独立审查： • 改动有没有超出范围？ • 测试是否真的覆盖了目标？ • 有没有隐藏失败或未经验证的结论？ • 文档、实现和最终结果是否一致？只有发现具体问题时，才向 Codex 发回最小修复任务。这套分工的关键不是让两个 AI 重复干活，而是让每一层只负责自己最合适的事情。在当前这个视频工程里就有一个真实例子：ChatGPT 审查时发现首帧工作台遮挡了标题；Codex 随后把 `.workspace` 的位置从 `top:128px` 调整到 `430px`。基线检查有 10 个重叠错误，修改后 Layout 变为 0 issues，最后再由 ChatGPT 读取事务 diff 和验证记录完成复核。这就是完整闭环：发现问题 → 明确修改 → 本地执行 → 运行检查 → 独立复核对于 Plus 用户，这套方法最直接的作用，不是把官方额度变多，而是减少 Codex 执行通道里的重复阅读、开放式探索和自我复盘。普通任务可以先在 ChatGPT 网页版锁定范围，再让 Codex 本地执行；完成后，只让审查层按需读取必要的 diff 和测试记录。这样能把更宝贵的 Codex 调用留给真正需要编辑、命令和测试的步骤。如果你是 Pro 用户，还可以把最困难的架构规划、跨文件风险分析和最终审查，交给 ChatGPT 网页版中最高能力的 Pro 模型选项；复杂推理由 Pro 负责，本地执行仍由 Codex 完成。具体模型名称和开放范围可能调整，以你账户里的模型选择器为准。需要说明的是：这不是增加官方额度，也不会解除 5 小时窗口，更不是绕过平台限制。它做的事情更朴素：不再让 Codex 同时扮演产品经理、架构师、程序员和审计员，而是让每一次调用都有明确范围、明确任务和明确验收标准。 Codex with ChatGPT 使用只读连接，按需读取完成规划和审查所需的工作区内容；不是一次性上传整个仓库，也不会把写文件、删除文件或执行 Shell 的权限交给 ChatGPT。如果你也在用 Plus，最近又经常撞到 5 小时额度限制，可以试试先把任务分工做好，再开始下一次编码。项目地址：安装后可以直接对 Codex 说： “使用 Codex with ChatGPT 完成首次配置并应用。” #Codex #ChatGPT

18168

31,994 Aufrufe • vor 12 Tagen

Codex 5.6 最值得养成的收尾习惯：把长对话压缩成项目交接文档，能节省大量 Token！长期项目对话一旦过长，就会充斥失效决定和报错垃圾，导致 AI 频繁重复扫描代码、重踩旧坑，浪费大量 Token。分享一个我在用的提示词，能省不少无效token： “当前阶段即将结束。请创建或更PROJECT_STATUS.md，把本次工作沉淀成一份可以继续执行的项目交接文档。文档需要包含：当前目标、已完成内容、关键技术决策、修改过的核心文件、测试与验证结果、已知问题、尝试过但失败的方案，以及下一步开发顺序。请结合当前代码、Git 变更和测试结果核对内容。只保留后续开发真正需要的信息，不记录无关讨论，不猜测未确认的结论，也不要写入密码、密钥等敏感信息。” 下次继续项目时，第一句话只需要输入： “请先阅读 PROJECT_STATUS.md，确认当前进度、已知问题和下一步，再继续开发。” 这个习惯真正有价值的地方，是它会让 AI 少读取冗长上下文，少重新分析已经确认的方案，也不会轻易再走一遍之前踩过的坑。更重要的是，这份交接文档不绑定某一次 Session，也不绑定某个平台。你可以把同一个项目交给 Codex、Claude Code、Cursor甚至下一个开发者继续执行。

Codex 5.6 最值得养成的收尾习惯：把长对话压缩成项目交接文档，能节省大量 Token！长期项目对话一旦过长，就会充斥失效决定和报错垃圾，导致 AI 频繁重复扫描代码、重踩旧坑，浪费大量 Token。分享一个我在用的提示词，能省不少无效token： “当前阶段即将结束。请创建或更PROJECT_STATUS.md，把本次工作沉淀成一份可以继续执行的项目交接文档。文档需要包含：当前目标、已完成内容、关键技术决策、修改过的核心文件、测试与验证结果、已知问题、尝试过但失败的方案，以及下一步开发顺序。请结合当前代码、Git 变更和测试结果核对内容。只保留后续开发真正需要的信息，不记录无关讨论，不猜测未确认的结论，也不要写入密码、密钥等敏感信息。” 下次继续项目时，第一句话只需要输入： “请先阅读 PROJECT_STATUS.md，确认当前进度、已知问题和下一步，再继续开发。” 这个习惯真正有价值的地方，是它会让 AI 少读取冗长上下文，少重新分析已经确认的方案，也不会轻易再走一遍之前踩过的坑。更重要的是，这份交接文档不绑定某一次 Session，也不绑定某个平台。你可以把同一个项目交给 Codex、Claude Code、Cursor甚至下一个开发者继续执行。

爱丽丝呀！

145,143 Aufrufe • vor 1 Monat

Codex 5.6 装上这个 Skill，能少写 90% 废代码很多人用 Codex，需求一丢进去，AI 就开始给你堆组件、装依赖、写一大堆根本用不到的代码。token 越烧越多，代码反而越难维护。这个 GitHub 项目叫 ponytail。它会在 Codex 写代码前先强制判断：这件事真的需要写吗？项目里有没有现成代码？标准库能不能解决？浏览器原生能力能不能解决？能不能只写一行？只有这些路都走不通，才写最少、真正能跑的代码，在也不会出现垃圾代码了。比如你让 AI 做日期选择器，普通 Agent 可能给你装库、写组件、加样式；ponytail 会直接告诉它：浏览器本身就有。安装提示词，直接复制给 Codex： “请帮我安 plugin marketplace add DietrichGebert/ponytail，然后执行 codex plugin add ponytailyossy。安装完成后打开 /hooks，检查并信任 Ponytail 的两个 lifecycle hooks，最后提示我重启 Codex 并新开一个会话。以后所有编码任务默认启用 full 模式；需要更强力地减少过度设计时，使用 yossy ultra。” 少写无用代码 = 少花 Token + 更快交付 + 更少 Bug

Codex 5.6 装上这个 Skill，能少写 90% 废代码很多人用 Codex，需求一丢进去，AI 就开始给你堆组件、装依赖、写一大堆根本用不到的代码。token 越烧越多，代码反而越难维护。这个 GitHub 项目叫 ponytail。它会在 Codex 写代码前先强制判断：这件事真的需要写吗？项目里有没有现成代码？标准库能不能解决？浏览器原生能力能不能解决？能不能只写一行？只有这些路都走不通，才写最少、真正能跑的代码，在也不会出现垃圾代码了。比如你让 AI 做日期选择器，普通 Agent 可能给你装库、写组件、加样式；ponytail 会直接告诉它：浏览器本身就有。安装提示词，直接复制给 Codex： “请帮我安 plugin marketplace add DietrichGebert/ponytail，然后执行 codex plugin add ponytailyossy。安装完成后打开 /hooks，检查并信任 Ponytail 的两个 lifecycle hooks，最后提示我重启 Codex 并新开一个会话。以后所有编码任务默认启用 full 模式；需要更强力地减少过度设计时，使用 yossy ultra。” 少写无用代码 = 少花 Token + 更快交付 + 更少 Bug

govin.eth | G哥

50,603 Aufrufe • vor 14 Tagen

这两天看到的收获很大的一篇论文《AlphaCodium：引领代码生成新境界，从提示工程到流程工程》，它提出了一种新的生成代码的方法，比传统的直接基于Prompt生成代码的方式准确率更高。它用的测试集是CodeContests ，这是由 Deepmind 推出的一项挑战性编程数据集。相对来说还是很权威的。以 GPT-4 为例的话，准确率从19%提升到了44%。它的原理有些复杂，但是如果你有过LeetCode刷题经验，相对比较好理解一些。普通人刷 LeetCode，上来就做，这样有可能得到答案，也有可能做不出来，这就类似于你把题目直接丢给GPT-4，让它直接给出答案，准确率相对要低一些。高手刷LeetCode，会有个做题的流程，同样的水平，做出来的概率会大一些。高手做题时会大概分成几个步骤： 1. 先把题目中的要点一条条列出来，确保不会遗漏任何重要信息 2. 通常LeetCode会提供 1 个或多个测试用例，仔细看测试用例，分析为什么给定的输入能得到给定的输出 3. 在写代码前，列出几种可能的解决方案，例如暴力算法、递归、动态规划，每一种方案写下思路和伪代码 4. 对于列出来的几种方案进行评估，选出最佳方案 5. 可能还会补充一些测试用例帮助事后验证 --- 以下部分是迭代过程： 6. 根据选中的解决方案写代码，如果代码不能运行则修改代码直至能运行 7. 将代码提交到LeetCode的测试集去验证，如果无法通过所有测试，则修改错误，如果通过到第8步 8. 用第 5 步生成的测试用例验证代码，如果运行不通过则继续优化代码这里留个思考题：如果第8步出错，怎么判断是代码有问题还是自己生成的测试用例有问题？而 AlphaCodium 就是完美遵循了以上的步骤来解题，只不过每一步都是由大语言模型帮助完成！这给了我一些启示： 1. 不必寄希望于将复杂的任务在一个 Prompt 中完成，拆分成若干子任务成功概率会高一些 2. AI 可以借鉴人类的优秀实践，例如高手是如何解决编程难题的，让 AI 按照高手的步骤去一步步做 3. AI 的潜力还有很大挖掘空间完整的文章参考：中文译文：

这两天看到的收获很大的一篇论文《AlphaCodium：引领代码生成新境界，从提示工程到流程工程》，它提出了一种新的生成代码的方法，比传统的直接基于Prompt生成代码的方式准确率更高。它用的测试集是CodeContests ，这是由 Deepmind 推出的一项挑战性编程数据集。相对来说还是很权威的。以 GPT-4 为例的话，准确率从19%提升到了44%。它的原理有些复杂，但是如果你有过LeetCode刷题经验，相对比较好理解一些。普通人刷 LeetCode，上来就做，这样有可能得到答案，也有可能做不出来，这就类似于你把题目直接丢给GPT-4，让它直接给出答案，准确率相对要低一些。高手刷LeetCode，会有个做题的流程，同样的水平，做出来的概率会大一些。高手做题时会大概分成几个步骤： 1. 先把题目中的要点一条条列出来，确保不会遗漏任何重要信息 2. 通常LeetCode会提供 1 个或多个测试用例，仔细看测试用例，分析为什么给定的输入能得到给定的输出 3. 在写代码前，列出几种可能的解决方案，例如暴力算法、递归、动态规划，每一种方案写下思路和伪代码 4. 对于列出来的几种方案进行评估，选出最佳方案 5. 可能还会补充一些测试用例帮助事后验证 --- 以下部分是迭代过程： 6. 根据选中的解决方案写代码，如果代码不能运行则修改代码直至能运行 7. 将代码提交到LeetCode的测试集去验证，如果无法通过所有测试，则修改错误，如果通过到第8步 8. 用第 5 步生成的测试用例验证代码，如果运行不通过则继续优化代码这里留个思考题：如果第8步出错，怎么判断是代码有问题还是自己生成的测试用例有问题？而 AlphaCodium 就是完美遵循了以上的步骤来解题，只不过每一步都是由大语言模型帮助完成！这给了我一些启示： 1. 不必寄希望于将复杂的任务在一个 Prompt 中完成，拆分成若干子任务成功概率会高一些 2. AI 可以借鉴人类的优秀实践，例如高手是如何解决编程难题的，让 AI 按照高手的步骤去一步步做 3. AI 的潜力还有很大挖掘空间完整的文章参考：中文译文：

宝玉

265,105 Aufrufe • vor 2 Jahren

Codex Plus 也能当 Pro 用，相当于token额度放大 20 倍大部分人用 Codex，还是让一个模型把读取项目、搜索资料、推理、改代码、测试全部做完，复杂任务一长，Plus 额度很快就被吃掉。真正省扩大额度的方式，不是继续压 Prompt，而是把 Reasoning 和 Execution 拆开 Luna 负责执行，Sol 负责重推理，具体流程： 1️⃣ Luna 先读取代码库、搜索资料、跑命令，把当前任务相关信息整理出来。 2️⃣ 再把目标、关键代码、核心约束、已尝试方案和问题点，压缩成 1～3K Token 的 Task Packet。 3️⃣ 把 Packet 交给 ChatGPT 5.6 Sol，只做架构判断、复杂推理、疑难 Bug 分析和方案设计。 4️⃣ Sol 输出结构化方案后，Luna 再回来修改代码、运行测试、修复问题并完成验证。直接让 Codex 自己配置： “请为当前 Codex 工作流建立“Luna 执行 + Sol 推理”的双模型模式。默认使用 Luna 负责读取代码库、搜索资料、运行命令、修改代码和测试验证；遇到复杂架构设计、跨模块决策、疑难 Bug 或需要深度推理的任务时，先把当前目标、关键代码、核心约束、已尝试方案和待解决问题压缩成 1～3K Token 的 Task Packet，再交给 ChatGPT 5.6 Sol 进行深度分析并输出结构化方案。拿到方案后由 Luna 继续执行修改、测试和验证。不要把完整项目上下文重复发送给 Sol，只提供真正影响判断的信息。” 配置完成后，可以直接拿一个复杂 Bug 测试： “分析当前项目登录模块偶发 500 的问题。先由 Luna 检查代码、日志、依赖和最近改动，把真正相关的信息压缩成 1～3K Token 的 Task Packet；再交给 Sol 判断最可能的根因、影响范围和修复方案；最后由 Luna 按方案修改代码、补测试并实际运行验证，直到问题解决。” 官方 Pro 是 Plus 20 倍额度，这种模型分工的思路，就是尽量让 Plus 的每一份额度都花在真正需要的地方。兄弟们可以自己测一下：单模型从头跑到底 VS Luna 执行 + Sol 推理，看看复杂任务到底哪个更省、更稳。

Codex Plus 也能当 Pro 用，相当于token额度放大 20 倍大部分人用 Codex，还是让一个模型把读取项目、搜索资料、推理、改代码、测试全部做完，复杂任务一长，Plus 额度很快就被吃掉。真正省扩大额度的方式，不是继续压 Prompt，而是把 Reasoning 和 Execution 拆开 Luna 负责执行，Sol 负责重推理，具体流程： 1️⃣ Luna 先读取代码库、搜索资料、跑命令，把当前任务相关信息整理出来。 2️⃣ 再把目标、关键代码、核心约束、已尝试方案和问题点，压缩成 1～3K Token 的 Task Packet。 3️⃣ 把 Packet 交给 ChatGPT 5.6 Sol，只做架构判断、复杂推理、疑难 Bug 分析和方案设计。 4️⃣ Sol 输出结构化方案后，Luna 再回来修改代码、运行测试、修复问题并完成验证。直接让 Codex 自己配置： “请为当前 Codex 工作流建立“Luna 执行 + Sol 推理”的双模型模式。默认使用 Luna 负责读取代码库、搜索资料、运行命令、修改代码和测试验证；遇到复杂架构设计、跨模块决策、疑难 Bug 或需要深度推理的任务时，先把当前目标、关键代码、核心约束、已尝试方案和待解决问题压缩成 1～3K Token 的 Task Packet，再交给 ChatGPT 5.6 Sol 进行深度分析并输出结构化方案。拿到方案后由 Luna 继续执行修改、测试和验证。不要把完整项目上下文重复发送给 Sol，只提供真正影响判断的信息。” 配置完成后，可以直接拿一个复杂 Bug 测试： “分析当前项目登录模块偶发 500 的问题。先由 Luna 检查代码、日志、依赖和最近改动，把真正相关的信息压缩成 1～3K Token 的 Task Packet；再交给 Sol 判断最可能的根因、影响范围和修复方案；最后由 Luna 按方案修改代码、补测试并实际运行验证，直到问题解决。” 官方 Pro 是 Plus 20 倍额度，这种模型分工的思路，就是尽量让 Plus 的每一份额度都花在真正需要的地方。兄弟们可以自己测一下：单模型从头跑到底 VS Luna 执行 + Sol 推理，看看复杂任务到底哪个更省、更稳。

govin.eth | G哥

172,900 Aufrufe • vor 13 Tagen

Claude 新的一篇博文《How Warp builds self-improving agents on Claude》，看了后还是挺有收获，它解决的是 Skill 的进化问题。这个问题我以前也研究过，我写了一个反编译 JS 代码的 Skill（ Agent 反编译的时候遇到新的场景解决了就自己更新自己的 Skill，效果还不错，能一直优化，就是 Skill 文件越来越大。我还研究过写作的自我进化 Skill，那个就一言难尽，因为它其实没有自己统一的标准，经常负优化，越写越糟糕。说回来 Warp 这个，Warp 是一个挺有名的终端工具，内部尝试借助 AI 做 Code Review。一开始让 Agent review 代码，效果并不理想，主要问题体现在 Agent 不了解你的项目，不知道你的团队规范，不知道历史经验教训，就算你指出来问题它下次还记不住。简单来说就是没有记忆。初期他们采取了很多补救措施： - 手动根据失败案例改系统提示词 - 完善项目的 AGENTS.md 文件（有意思的是这篇文章是 Claude 发的，但是用的是 AGENTS.md 而不是 CLAUDE.md，我记得 Claude 默认不支持 AGENTS.md 的😅）但效果并不理想，一方面它依赖于人主动去做，成本较高；另一方面团队成员在 Code Review 时人工在 PR 写的高质量评论完全没用上。所以他们搞了个解决方案，一个基础 Skill 负责做代码审查，一个改进 Skill 负责定期收集人类工程师在代码审查时的评论，尤其是对 Agent 审查结果的评论，根据人类工程师的评论去更新代码审查的 Skill。换句话说，它不是依赖于模型自己去改进自己，而是 Agent 根据人类对模型结果的标注（人类对代码审查的评论），去改进技能。只不过它把这个事做的摩擦力极低，不需要人手工去收集整理评论，不需要填写调查问卷，人只要自然的去代码下写评论，后面的事情都是 Agent 自动完成。这可能正是 Agent 的最佳实践方案之一：人负责高纬度的标注、评论、反馈这些事情，Agent 去做执行的工作，Agent 根据人类的反馈去改进 Skill。除此之外，他们还总结了一些最佳实践： 1. 写原则，不要写死规则。编写 skill 时，要像在指导一个聪明人，而不是在给计算机编程。在 Skill 中写“寻找重复代码”，比列出详尽的变量命名规则更有效。 2. 解释为什么。说明规则背后的理由，能让智能体针对问题进行推理，而不是机械执行僵化指令，也因此更容易举一反三。 3. 让反馈没有摩擦毫不费力。在人们原本工作的地方收集反馈，例如直接评论 PR 或 issue。同时让收集过程自动发生，不要增加额外的提交步骤。低摩擦才能让信号持续流动。如果反馈太麻烦，你就收不到反馈，也就无法改进 Skill。 4. 保持 Skill 精简，并使用渐进式披露。优秀的 skill 文件不会很庞大；它会引用资源文件和脚本，而不是一次性把所有内容都塞进上下文。 5. 反馈质量大于数量，但数量也有帮助。一位资深工程师给出的少量、详细且与领域相关的反馈，可能比大量草率反馈更有价值，因为简单的赞成／反对并不能说明“为什么”。即使样本量相对较小，只要反馈来自掌握领域知识的人，而且足够详细，你也能得到非常好的信号——这些知识是智能体通过其他方式根本无法获得的。话虽如此，优质信号的语料越多，效果越好。 6. 做好改进 Skill 的 Skill，可以用来改进其他 Skill。把改进 Skill（也就是前面提到的一个代码审查 Skill 一个改进 Skill）做好，收益不只限于眼前这套 Agent 循环，因为改进 Skill 在不同用例之间具有很高的复用性。除了领域专用知识这一部分，它其实是一套相当通用、可复用的机制。代码审查 Agent 的改进 skill，也可以应用到其他 Skill 的改进上。可能有人会担心：如果反馈本身是错的呢？ Warp 的做法是永远不让 Agent 盲目接受反馈。给它足够的上下文来做基本的合理性检查，限制谁的反馈有权影响技能更新（不是所有人的意见都同等重要），最后始终保留人在循环中审核改动。对于那些有明确标准答案的领域，比如代码是否通过了测试、部署是否成功，可以先建一个验证基准，让 Agent 自己对着基准跑。没有标准答案的领域，比如代码风格、文档质量，就靠领域专家的判断，不要开放给所有人随意反馈。

Claude 新的一篇博文《How Warp builds self-improving agents on Claude》，看了后还是挺有收获，它解决的是 Skill 的进化问题。这个问题我以前也研究过，我写了一个反编译 JS 代码的 Skill（ Agent 反编译的时候遇到新的场景解决了就自己更新自己的 Skill，效果还不错，能一直优化，就是 Skill 文件越来越大。我还研究过写作的自我进化 Skill，那个就一言难尽，因为它其实没有自己统一的标准，经常负优化，越写越糟糕。说回来 Warp 这个，Warp 是一个挺有名的终端工具，内部尝试借助 AI 做 Code Review。一开始让 Agent review 代码，效果并不理想，主要问题体现在 Agent 不了解你的项目，不知道你的团队规范，不知道历史经验教训，就算你指出来问题它下次还记不住。简单来说就是没有记忆。初期他们采取了很多补救措施： - 手动根据失败案例改系统提示词 - 完善项目的 AGENTS.md 文件（有意思的是这篇文章是 Claude 发的，但是用的是 AGENTS.md 而不是 CLAUDE.md，我记得 Claude 默认不支持 AGENTS.md 的😅）但效果并不理想，一方面它依赖于人主动去做，成本较高；另一方面团队成员在 Code Review 时人工在 PR 写的高质量评论完全没用上。所以他们搞了个解决方案，一个基础 Skill 负责做代码审查，一个改进 Skill 负责定期收集人类工程师在代码审查时的评论，尤其是对 Agent 审查结果的评论，根据人类工程师的评论去更新代码审查的 Skill。换句话说，它不是依赖于模型自己去改进自己，而是 Agent 根据人类对模型结果的标注（人类对代码审查的评论），去改进技能。只不过它把这个事做的摩擦力极低，不需要人手工去收集整理评论，不需要填写调查问卷，人只要自然的去代码下写评论，后面的事情都是 Agent 自动完成。这可能正是 Agent 的最佳实践方案之一：人负责高纬度的标注、评论、反馈这些事情，Agent 去做执行的工作，Agent 根据人类的反馈去改进 Skill。除此之外，他们还总结了一些最佳实践： 1. 写原则，不要写死规则。编写 skill 时，要像在指导一个聪明人，而不是在给计算机编程。在 Skill 中写“寻找重复代码”，比列出详尽的变量命名规则更有效。 2. 解释为什么。说明规则背后的理由，能让智能体针对问题进行推理，而不是机械执行僵化指令，也因此更容易举一反三。 3. 让反馈没有摩擦毫不费力。在人们原本工作的地方收集反馈，例如直接评论 PR 或 issue。同时让收集过程自动发生，不要增加额外的提交步骤。低摩擦才能让信号持续流动。如果反馈太麻烦，你就收不到反馈，也就无法改进 Skill。 4. 保持 Skill 精简，并使用渐进式披露。优秀的 skill 文件不会很庞大；它会引用资源文件和脚本，而不是一次性把所有内容都塞进上下文。 5. 反馈质量大于数量，但数量也有帮助。一位资深工程师给出的少量、详细且与领域相关的反馈，可能比大量草率反馈更有价值，因为简单的赞成／反对并不能说明“为什么”。即使样本量相对较小，只要反馈来自掌握领域知识的人，而且足够详细，你也能得到非常好的信号——这些知识是智能体通过其他方式根本无法获得的。话虽如此，优质信号的语料越多，效果越好。 6. 做好改进 Skill 的 Skill，可以用来改进其他 Skill。把改进 Skill（也就是前面提到的一个代码审查 Skill 一个改进 Skill）做好，收益不只限于眼前这套 Agent 循环，因为改进 Skill 在不同用例之间具有很高的复用性。除了领域专用知识这一部分，它其实是一套相当通用、可复用的机制。代码审查 Agent 的改进 skill，也可以应用到其他 Skill 的改进上。可能有人会担心：如果反馈本身是错的呢？ Warp 的做法是永远不让 Agent 盲目接受反馈。给它足够的上下文来做基本的合理性检查，限制谁的反馈有权影响技能更新（不是所有人的意见都同等重要），最后始终保留人在循环中审核改动。对于那些有明确标准答案的领域，比如代码是否通过了测试、部署是否成功，可以先建一个验证基准，让 Agent 自己对着基准跑。没有标准答案的领域，比如代码风格、文档质量，就靠领域专家的判断，不要开放给所有人随意反馈。

宝玉

85,574 Aufrufe • vor 14 Tagen

AI 会取代哪些工作？我的工作里，哪些任务正在被 AI 接管？ AI 通常不是一次替代整个职业而是先替代其中最标准化的部分最容易被 AI 自动化的任务，通常有几个特点：数字化、重复、规则明确、结果容易检查所以普通人真正要做的，不是和 AI 比谁干活快，而是： 1️⃣ 拆工作分清哪些能交给 AI，哪些需要检查，哪些必须自己判断 2️⃣ 学会管理 AI 不只是会提问，还要会定目标、给背景、设标准、验收结果 3️⃣ 提升难替代的能力判断、沟通、协调、理解需求，以及对最终结果负责。未来更有价值的，不一定是“最会干活的人” 而是会发现问题、会使用 AI、还能对结果负责的人所以别问：“AI 会不会取代我？” 更应该问自己：“如果 AI 帮我做掉一半重复工作，我能不能用省下来的时间，做更有价值的事？” AI 最先淘汰的，不是某个职业而是一个职业里，长期没有升级的工作方式

AI 会取代哪些工作？我的工作里，哪些任务正在被 AI 接管？ AI 通常不是一次替代整个职业而是先替代其中最标准化的部分最容易被 AI 自动化的任务，通常有几个特点：数字化、重复、规则明确、结果容易检查所以普通人真正要做的，不是和 AI 比谁干活快，而是： 1️⃣ 拆工作分清哪些能交给 AI，哪些需要检查，哪些必须自己判断 2️⃣ 学会管理 AI 不只是会提问，还要会定目标、给背景、设标准、验收结果 3️⃣ 提升难替代的能力判断、沟通、协调、理解需求，以及对最终结果负责。未来更有价值的，不一定是“最会干活的人” 而是会发现问题、会使用 AI、还能对结果负责的人所以别问：“AI 会不会取代我？” 更应该问自己：“如果 AI 帮我做掉一半重复工作，我能不能用省下来的时间，做更有价值的事？” AI 最先淘汰的，不是某个职业而是一个职业里，长期没有升级的工作方式

Nana

20,378 Aufrufe • vor 17 Tagen

这个项目是我在开发另外一个复杂项目的副产物主要用来解决个人在终端用 Claude Code 编码中遇到的不便利的各种工程问题今天重大更新： - AI 误删文件或者做了许多修改不满意需要指定某一轮回退变更 - 不用切换App 艾特codex 帮你 fix 代码自动感知上下文演示视频👇 要参与测试留言多多反馈

这个项目是我在开发另外一个复杂项目的副产物主要用来解决个人在终端用 Claude Code 编码中遇到的不便利的各种工程问题今天重大更新： - AI 误删文件或者做了许多修改不满意需要指定某一轮回退变更 - 不用切换App 艾特codex 帮你 fix 代码自动感知上下文演示视频👇 要参与测试留言多多反馈

Go学长

48,254 Aufrufe • vor 6 Monaten

Codex 5.6 最强的隐藏技巧：不仅能省下 90% 的 Token，还能让 AI 少交半成品、少做无效返工！很多人Vibe Coding，第一句话就是：帮我把这个功能做出来。但结果常通常是半成品，因为它拿到的只是需求，不是交付标准。分享一条我反复调整后一直在用的提示词，直接开启 Codex 的交付工程师模式：暂时不要写代码。请先确认需求，最多向我提出 5 个决定方案方向的关键问题，每次只问一个；已有信息不要重复确认，非关键细节请自行做合理假设。提问结束后，把需求整理成一份精简、可验证的验收清单，覆盖核心流程、异常情况、空状态、加载状态和不同设备适配，并单独列出你的假设、本次范围以及明确不做的内容。等我确认后再开始开发。完成后必须实际运行项目，按照验收清单逐项验证并汇报结果；未通过的项目继续修改，直到达到验收标准。换成这种方式后，Codex 的产出质量会明显提升： 1️⃣ 在开发前补齐模糊需求，发现逻辑漏洞和遗漏场景。 2️⃣ 不再改完文件就交差，而是主动运行项目、检查页面、验证核心流程。 3️⃣ 方向提前对齐，避免反复推倒重写，节省时间和 Token。

Codex 5.6 最强的隐藏技巧：不仅能省下 90% 的 Token，还能让 AI 少交半成品、少做无效返工！很多人Vibe Coding，第一句话就是：帮我把这个功能做出来。但结果常通常是半成品，因为它拿到的只是需求，不是交付标准。分享一条我反复调整后一直在用的提示词，直接开启 Codex 的交付工程师模式：暂时不要写代码。请先确认需求，最多向我提出 5 个决定方案方向的关键问题，每次只问一个；已有信息不要重复确认，非关键细节请自行做合理假设。提问结束后，把需求整理成一份精简、可验证的验收清单，覆盖核心流程、异常情况、空状态、加载状态和不同设备适配，并单独列出你的假设、本次范围以及明确不做的内容。等我确认后再开始开发。完成后必须实际运行项目，按照验收清单逐项验证并汇报结果；未通过的项目继续修改，直到达到验收标准。换成这种方式后，Codex 的产出质量会明显提升： 1️⃣ 在开发前补齐模糊需求，发现逻辑漏洞和遗漏场景。 2️⃣ 不再改完文件就交差，而是主动运行项目、检查页面、验证核心流程。 3️⃣ 方向提前对齐，避免反复推倒重写，节省时间和 Token。

爱丽丝呀！

152,949 Aufrufe • vor 1 Monat

Codex 隐藏玩法：把你每天重复教 AI 的提示词，直接做成 Skill 90% 的人用 Codex，其实都在重复做同一件事：开一个新任务，把同一套要求再告诉它一遍。这些 Prompt 你可能已经复制粘贴了几十次。但其实，这种反复使用的工作方法，完全可以直接做成 Codex Skill。详细教程如下： 1️⃣先找一段你经常重复使用的 Prompt，比如我最近一直在用这类提示词： “执行任务前先检查需求漏洞和潜在风险，不要默认接受我的方案。涉及代码和结论必须验证，完成后按验收标准逐项检查。” 这类 Prompt 很好用，但最大的问题是：每开一个新任务，都要重新贴一次。 2️⃣直接让 Codex 把它做成 Skill把原来的 Prompt 发给 Codex，然后告诉它：请把上面这套工作方式整理成一个可重复调用的 Codex Skill。要求： · 明确这个 Skill 适合在什么情况下使用 · 把原来的要求整理成清晰的执行步骤 · 区分任务开始前、执行过程中和完成后的检查 · 保留必要的验证流程 · 删除重复和模糊的要求 · 不要改变原来的核心工作原则 Codex 就会把原来散乱的一段 Prompt，整理成一套完整的 Skill 工作流。以后这些规则就不用一直躺在聊天记录里了。 3️⃣ 后面直接调用这个 Skill 再开新任务时，不需要重新复制那一大段 Prompt。直接告诉 Codex：使用这个 Skill 完成当前任务。最后你的 Codex 里保存的，就不再是一堆 Prompt，而是你自己的一整套工作流。 Prompt 是教 AI 这一次怎么做。 Skill 是把你的工作方法直接固化下来，以后每个项目都能重复调用。

Codex 隐藏玩法：把你每天重复教 AI 的提示词，直接做成 Skill 90% 的人用 Codex，其实都在重复做同一件事：开一个新任务，把同一套要求再告诉它一遍。这些 Prompt 你可能已经复制粘贴了几十次。但其实，这种反复使用的工作方法，完全可以直接做成 Codex Skill。详细教程如下： 1️⃣先找一段你经常重复使用的 Prompt，比如我最近一直在用这类提示词： “执行任务前先检查需求漏洞和潜在风险，不要默认接受我的方案。涉及代码和结论必须验证，完成后按验收标准逐项检查。” 这类 Prompt 很好用，但最大的问题是：每开一个新任务，都要重新贴一次。 2️⃣直接让 Codex 把它做成 Skill把原来的 Prompt 发给 Codex，然后告诉它：请把上面这套工作方式整理成一个可重复调用的 Codex Skill。要求： · 明确这个 Skill 适合在什么情况下使用 · 把原来的要求整理成清晰的执行步骤 · 区分任务开始前、执行过程中和完成后的检查 · 保留必要的验证流程 · 删除重复和模糊的要求 · 不要改变原来的核心工作原则 Codex 就会把原来散乱的一段 Prompt，整理成一套完整的 Skill 工作流。以后这些规则就不用一直躺在聊天记录里了。 3️⃣ 后面直接调用这个 Skill 再开新任务时，不需要重新复制那一大段 Prompt。直接告诉 Codex：使用这个 Skill 完成当前任务。最后你的 Codex 里保存的，就不再是一堆 Prompt，而是你自己的一整套工作流。 Prompt 是教 AI 这一次怎么做。 Skill 是把你的工作方法直接固化下来，以后每个项目都能重复调用。

爱丽丝呀！

40,318 Aufrufe • vor 27 Tagen

GitHub Copilot 现在也支持 Agent 模式了，也就是你交代给它一项任务，包括改 Bug 或者开发新模块，不需要去特别说明相关的代码，它会自动去代码去找到合适的代码，并解决问题，就像你雇了一个工程师。需要先下载 VS Code Insiders，然后在 GitHub Copilot Chat 的设置中启用 Agent 模式（参考图4）。

GitHub Copilot 现在也支持 Agent 模式了，也就是你交代给它一项任务，包括改 Bug 或者开发新模块，不需要去特别说明相关的代码，它会自动去代码去找到合适的代码，并解决问题，就像你雇了一个工程师。需要先下载 VS Code Insiders，然后在 GitHub Copilot Chat 的设置中启用 Agent 模式（参考图4）。

宝玉

197,815 Aufrufe • vor 1 Jahr