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.

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

206,344 subscribers

197,815 Aufrufe • vor 1 Jahr •via X (Twitter)

Wissenschaft & Technologie Bildung Gesundheit & Wellness

Anya Rossi• Live Now

Private livecam show

11 Kommentare

Profilbild von 宝玉

宝玉vor 1 Jahr

另外他们首次展示了自主 SWE 智能体，也就是一个完全自主干活的 AI 软件工程师，你只要下指令，不需要手把手的教它，它就能独立去完成任务，演示视频中（见正文倒数第二段），可以直接后台修复 GitHub 上的 Issue，并且会实时更新进展，最后的 PR，人类可以反馈，还可以进行修改。这个功能要今年晚些时候才会开放，怀疑背后是 o3 模型。

Profilbild von 宝玉

宝玉vor 1 Jahr

更多详情可以看下面他们的博文：中文翻译：

Profilbild von 蛮荒椰子

蛮荒椰子vor 1 Jahr

目前我感觉像是进入了跟之前一样的IDE之争。早期我们用Eclipse，然后Jetbrains，最后VS Code也进来了，当所有的能力都趋于同质化（当功能足够强大后，很多用户就区分不出来好和坏了），都过了及格线了。

Profilbild von Oasis Feng

Oasis Fengvor 1 Jahr

感觉是把半年前发布的 GitHub Workspace 集成到 Copilot Chat 这个交互前端里来了。

Profilbild von ARK Electronics

ARK Electronicsvor 2 Jahren

Elevate your drone game with our USA-made, NDAA-compliant flight controllers! Trust in reliable technology that not only enhances your flights but also supports US drone manufacturing capability. 🇺🇸✈️ #USAMade #NDAA #drones #uav #uas #px4 #ardupilot #USA #unmanned #opensource

Profilbild von 不一样的我

不一样的我vor 1 Jahr

Copilot现在怎么收费的

Profilbild von LilinUnderdog

LilinUnderdogvor 1 Jahr

agent 支持读取整个项目吗？比如我下载个不熟悉的github仓库，它能帮我解读

Profilbild von ax.eth

ax.ethvor 1 Jahr

cursor 支持这种 agent 的吗，cursor 付费用户路过

Profilbild von 宝玉

宝玉vor 1 Jahr

早就支持了

Profilbild von ShīnChvën ✨

ShīnChvën ✨vor 1 Jahr

我好像用了很长时间了

Profilbild von 宝玉

宝玉vor 1 Jahr

是Cursor里面用吧？

Ähnliche Videos

GitHub Copilot大更新，增加了MCP支持，推出Copilot Agent模式，面向所有VS Code用户开放 1、Agent模式不仅仅是回答问题，而能主动执行任务，它可以理解更复杂的指令，跨多个文件进行修改，建议终端命令、调用工具等，可以自动识别或生成所需的文件，并执行必要的步骤实现开发目标，还能分析运行时错误并进行自我修复 2、提供了一个本地MCP服务器，这个MCP服务为agent模式提供了强大的功能，比如跨代码库搜索代码、管理issues 以及创建 PR等 3、增加了对Claude 3.5/3.7、Google Gemini 2.0 Flash、OpenAI o3-mini等的支持推出了GitHub Copilot Pro+订阅计划，$39/月 4、Copilot的代码审查Agent正式发布，新增了个"下一步编辑建议"功能 #AI编程助手 #GitHubCopilot

GitHub Copilot大更新，增加了MCP支持，推出Copilot Agent模式，面向所有VS Code用户开放 1、Agent模式不仅仅是回答问题，而能主动执行任务，它可以理解更复杂的指令，跨多个文件进行修改，建议终端命令、调用工具等，可以自动识别或生成所需的文件，并执行必要的步骤实现开发目标，还能分析运行时错误并进行自我修复 2、提供了一个本地MCP服务器，这个MCP服务为agent模式提供了强大的功能，比如跨代码库搜索代码、管理issues 以及创建 PR等 3、增加了对Claude 3.5/3.7、Google Gemini 2.0 Flash、OpenAI o3-mini等的支持推出了GitHub Copilot Pro+订阅计划，$39/月 4、Copilot的代码审查Agent正式发布，新增了个"下一步编辑建议"功能 #AI编程助手 #GitHubCopilot

AIGCLINK

39,185 Aufrufe • vor 1 Jahr

当接手一个新项目，面对大量没有注释说明的代码，要去理解当中业务处理逻辑，既耗时又耗力。最近在 GitHub 上发现了 Davia 这个开源工具，可用它为我们的代码库生成直观可视化的文档。只需指向项目路径并描述要生成什么文档，它就会自动分析代码并实时生成文档页面。 GitHub：除此之外，还支持类似 Notion 的编辑体验，以及可交互的白板图表，瞬间让让代码结构和逻辑一目了然。通过克隆代码到本地，安装相关依赖后，配置 API 密钥即可使用，支持 Anthropic、Google 等主流 AI 模型服务商。

当接手一个新项目，面对大量没有注释说明的代码，要去理解当中业务处理逻辑，既耗时又耗力。最近在 GitHub 上发现了 Davia 这个开源工具，可用它为我们的代码库生成直观可视化的文档。只需指向项目路径并描述要生成什么文档，它就会自动分析代码并实时生成文档页面。 GitHub：除此之外，还支持类似 Notion 的编辑体验，以及可交互的白板图表，瞬间让让代码结构和逻辑一目了然。通过克隆代码到本地，安装相关依赖后，配置 API 密钥即可使用，支持 Anthropic、Google 等主流 AI 模型服务商。

GitHubDaily

32,647 Aufrufe • vor 7 Monaten

我看到有人在让“Claude Code”自己开新进程 `claude -p `实现多任务，其实没必要，有更简单的办法。这个简单办法就是让它自己开子 Agent。Claude Code 现在有 18 个工具，最特殊的一个工具叫 Task，它本质就是一个 Claude Code 的克隆工具，只不过是作为 Claude Code 的一个工具。如果你懂递归的话就很好理解。如果你不懂递归，可以这么理解：Claude Code 是个 AI 程序员，它可以用一堆工具，其中最神奇的一个工具叫 Task，就是克隆一个自己的分身去干活！这样做有什么好处呢？就是可以并行多任务，还可以控制上下文，让子任务更专注。举例来说，你粘贴一段错误代码让 Claude Code 去 Debug，并且还让它写测试代码覆盖这个错误。Claude Code 会先调用 TodoWrite 这个工具写一个 TODO List。把任务分成 3 步： - [ ] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖这一步完了后它会起一个 Task，这个 Task 就是专门根据错误信息去找到相关代码的位置，那么这个子任务只需要接受错误信息找上下文，它不管怎么解决 Bug，也不管怎么写测试覆盖。主任务就会等这个子任务完成，子任务完成后，主任务就调用 TODO Write 更新 TODO List。 - [x] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖然后调用 TodoRead 工具看下一步要干嘛，现在有充足上下文了，它可以再起一个子任务去根据错误信息和代码修复 Bug，等修复 Bug 的子任务完成了，再回到主任务，继续更新 TODO List，继续读取下一个 Item 最后再启动一个子任务去写测试，测试子任务也完成了，返回结果到主任务，这时候调用 TodoRead 一看任务都处理完了，最后根据前面的任务情况给你一个总结摘要，表示任务都完成了。 Claude Code 真的没有做什么工程上的优化，什么上下文压缩、临时存储，都没有的！就是简单粗暴： 1. 把用户问题、系统提示词、能用到的工具一股脑发给 Claude，问下一步该干嘛 2. Claude 就返回说现在你要到 TodoWriter 工具 3. Claude Code 就去调用 TodoWriter 工具，本质上也是一个 AI 请求，最后返回生成的 Todo List 4. 然后 Claude Code 把工具返回结果和前面的所有消息继续发给 Claude，Claude 返回说你现在要去起一个新的 Task 去收集代码了 5. 然后 Claude Code 就起一个新的 Task，把错误信息和要求收集相关代码的任务说明、系统提示词、环境说明、能用到的工具一股脑发给 Claude，问下一步该干嘛 - 在新的 Task 里面，就是不停的问 Claude 该用啥工具，然后发送工具结果和前面所有历史消息 - 任务完成后，返回任务结果 6. 然后 Claude Code 把子 Task 的结果和前面历史信息一起发给 Claude 问下一步干嘛 7. 就这样循环直到 Claude 认为任务完成了所以你经常看到 Claude Code 在那几十分钟上下文也没爆掉，因为它会启动子任务，这样上下文就分摊到子任务中了，主任务中只是保留子任务完成后的内容。

我看到有人在让“Claude Code”自己开新进程 `claude -p `实现多任务，其实没必要，有更简单的办法。这个简单办法就是让它自己开子 Agent。Claude Code 现在有 18 个工具，最特殊的一个工具叫 Task，它本质就是一个 Claude Code 的克隆工具，只不过是作为 Claude Code 的一个工具。如果你懂递归的话就很好理解。如果你不懂递归，可以这么理解：Claude Code 是个 AI 程序员，它可以用一堆工具，其中最神奇的一个工具叫 Task，就是克隆一个自己的分身去干活！这样做有什么好处呢？就是可以并行多任务，还可以控制上下文，让子任务更专注。举例来说，你粘贴一段错误代码让 Claude Code 去 Debug，并且还让它写测试代码覆盖这个错误。Claude Code 会先调用 TodoWrite 这个工具写一个 TODO List。把任务分成 3 步： - [ ] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖这一步完了后它会起一个 Task，这个 Task 就是专门根据错误信息去找到相关代码的位置，那么这个子任务只需要接受错误信息找上下文，它不管怎么解决 Bug，也不管怎么写测试覆盖。主任务就会等这个子任务完成，子任务完成后，主任务就调用 TODO Write 更新 TODO List。 - [x] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖然后调用 TodoRead 工具看下一步要干嘛，现在有充足上下文了，它可以再起一个子任务去根据错误信息和代码修复 Bug，等修复 Bug 的子任务完成了，再回到主任务，继续更新 TODO List，继续读取下一个 Item 最后再启动一个子任务去写测试，测试子任务也完成了，返回结果到主任务，这时候调用 TodoRead 一看任务都处理完了，最后根据前面的任务情况给你一个总结摘要，表示任务都完成了。 Claude Code 真的没有做什么工程上的优化，什么上下文压缩、临时存储，都没有的！就是简单粗暴： 1. 把用户问题、系统提示词、能用到的工具一股脑发给 Claude，问下一步该干嘛 2. Claude 就返回说现在你要到 TodoWriter 工具 3. Claude Code 就去调用 TodoWriter 工具，本质上也是一个 AI 请求，最后返回生成的 Todo List 4. 然后 Claude Code 把工具返回结果和前面的所有消息继续发给 Claude，Claude 返回说你现在要去起一个新的 Task 去收集代码了 5. 然后 Claude Code 就起一个新的 Task，把错误信息和要求收集相关代码的任务说明、系统提示词、环境说明、能用到的工具一股脑发给 Claude，问下一步该干嘛 - 在新的 Task 里面，就是不停的问 Claude 该用啥工具，然后发送工具结果和前面所有历史消息 - 任务完成后，返回任务结果 6. 然后 Claude Code 把子 Task 的结果和前面历史信息一起发给 Claude 问下一步干嘛 7. 就这样循环直到 Claude 认为任务完成了所以你经常看到 Claude Code 在那几十分钟上下文也没爆掉，因为它会启动子任务，这样上下文就分摊到子任务中了，主任务中只是保留子任务完成后的内容。

宝玉

76,401 Aufrufe • vor 1 Jahr

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

阿绎 AYi

61,332 Aufrufe • vor 1 Monat

今天在Producthunt发现一个AI模型Kombai，可以理解Figma的界面设计并生成对应的前端代码，下面是他们官网的演示视频。从演示来看生成的代码还是不错的，它的优势在于他不要求设计稿的格式、层级和是否使用组件，无论你怎么嵌套和画出的界面它都能理解。这比之前通过传统工程化思路从设计稿生成代码要强多了。之前的一些工具要不是处理不了复杂样式，要不就是对设计师的设计稿格式有非常严格的要求。同时这个模型也支持通过自然语言生成前端界面的代码。官网链接：

今天在Producthunt发现一个AI模型Kombai，可以理解Figma的界面设计并生成对应的前端代码，下面是他们官网的演示视频。从演示来看生成的代码还是不错的，它的优势在于他不要求设计稿的格式、层级和是否使用组件，无论你怎么嵌套和画出的界面它都能理解。这比之前通过传统工程化思路从设计稿生成代码要强多了。之前的一些工具要不是处理不了复杂样式，要不就是对设计师的设计稿格式有非常严格的要求。同时这个模型也支持通过自然语言生成前端界面的代码。官网链接：

歸藏(guizang.ai)

78,671 Aufrufe • vor 2 Jahren

Copilot Voice，以后可以用嘴写代码了。在 VS Code 插件市场搜索 GitHub Copilot Voice，安装后，即可跟下面视频一样，用嘴编程😂，它支持打开文件、运行命令、定位到编辑器的具体位置等等，开通使用要求你付费订阅了 Github Copilot，不过它对认证的学生和开源有贡献的开发者是免费的。

Copilot Voice，以后可以用嘴写代码了。在 VS Code 插件市场搜索 GitHub Copilot Voice，安装后，即可跟下面视频一样，用嘴编程😂，它支持打开文件、运行命令、定位到编辑器的具体位置等等，开通使用要求你付费订阅了 Github Copilot，不过它对认证的学生和开源有贡献的开发者是免费的。

Barret李靖

60,422 Aufrufe • vor 2 Jahren

微软研发的 AutoGen 框架太强大了，它是一个多代理框架，利用它可以轻松定制一系列工作任务。举一个常见的例子：我们要实现一个爬虫程序，抓取并保存网页图片。如果把这个任务丢给 ChatGPT，它会直接返回一串可执行代码，但是代码通常会存在问题，例如执行报错、缺少依赖等，你需要反复跟 ChatGPT 对话来完善程序。当然，我们也可以设定一个复杂 Prompt，要求它调用 ChatGPT 的代码执行插件，如果存在报错，则继续修正程序。这个任务如果交给 AutoGen 来实现，将会变得无比简单，几行代码就可以搞定： 1）定义一个 Assistant Agent，它的任务是解决问题 2）定义一个 UserProxy Agent，它的任务是替代人询问问题，同时在本地执行程序这两个 Agent 都不需要给他们设置 Prompt。当我们把爬虫任务交给 UserProxy 后，它会理解任务，然后询问 Assistant 应该如何做，Assistant 会把操作过程告诉 UserProxy，接着 UserProxy 会根据指示在本地安装依赖，然后创建文件执行代码，如果执行出现错误，它会把详细报错提交给 Assistant，依次循环，直到可以获取到最终的结果。任务结束的时候，你会看到目标图片已经保存到本地磁盘了。利用这个框架可以做的事情非常多，它提供的能力也十分完善，可以在项目的 notebook 中找到很多最佳实践： P.S. 为了确保安全，还是建议你在 Docker 环境中执行程序，UserProxy 有一个 code_execution_config 配置，将 use_docker 配置为 True 即可；另外，它还有一个 human_input_mode 参数，设置为 NEVER，表示整个过程都不需要人参与，也可以设置为其他值，它会等待人的输入后再进行下一步操作，这个设计可以让人参与到任务执行过程，避免跑偏。

微软研发的 AutoGen 框架太强大了，它是一个多代理框架，利用它可以轻松定制一系列工作任务。举一个常见的例子：我们要实现一个爬虫程序，抓取并保存网页图片。如果把这个任务丢给 ChatGPT，它会直接返回一串可执行代码，但是代码通常会存在问题，例如执行报错、缺少依赖等，你需要反复跟 ChatGPT 对话来完善程序。当然，我们也可以设定一个复杂 Prompt，要求它调用 ChatGPT 的代码执行插件，如果存在报错，则继续修正程序。这个任务如果交给 AutoGen 来实现，将会变得无比简单，几行代码就可以搞定： 1）定义一个 Assistant Agent，它的任务是解决问题 2）定义一个 UserProxy Agent，它的任务是替代人询问问题，同时在本地执行程序这两个 Agent 都不需要给他们设置 Prompt。当我们把爬虫任务交给 UserProxy 后，它会理解任务，然后询问 Assistant 应该如何做，Assistant 会把操作过程告诉 UserProxy，接着 UserProxy 会根据指示在本地安装依赖，然后创建文件执行代码，如果执行出现错误，它会把详细报错提交给 Assistant，依次循环，直到可以获取到最终的结果。任务结束的时候，你会看到目标图片已经保存到本地磁盘了。利用这个框架可以做的事情非常多，它提供的能力也十分完善，可以在项目的 notebook 中找到很多最佳实践： P.S. 为了确保安全，还是建议你在 Docker 环境中执行程序，UserProxy 有一个 code_execution_config 配置，将 use_docker 配置为 True 即可；另外，它还有一个 human_input_mode 参数，设置为 NEVER，表示整个过程都不需要人参与，也可以设置为其他值，它会等待人的输入后再进行下一步操作，这个设计可以让人参与到任务执行过程，避免跑偏。

Barret李靖

517,222 Aufrufe • vor 2 Jahren

“软件工程正在发生变化，到 2025 年底，它将从根本上变得不同。” OpenAI 联合创始人 Greg Brockman 表示，Codex 是一个远程软件代理，它在你的代码库中并行运行，像队友一样编写代码。这个新模型是从 o3 优化而来，能够生成可合并的、真实可用的代码。

“软件工程正在发生变化，到 2025 年底，它将从根本上变得不同。” OpenAI 联合创始人 Greg Brockman 表示，Codex 是一个远程软件代理，它在你的代码库中并行运行，像队友一样编写代码。这个新模型是从 o3 优化而来，能够生成可合并的、真实可用的代码。

AI Will

19,329 Aufrufe • vor 1 Jahr

周末不想嘴代码了，准备看一下相关的教学视频。在看里面吴恩达的课程。发现有 AI 之后学习模式真的大变样，现在特别喜欢 Gemini 的 Live 模式，直接打开摄像头对着 PPT 就能一起讨论。它也不会嫌我烦，一直解释到我明白为止。🤓🤓🤓

周末不想嘴代码了，准备看一下相关的教学视频。在看里面吴恩达的课程。发现有 AI 之后学习模式真的大变样，现在特别喜欢 Gemini 的 Live 模式，直接打开摄像头对着 PPT 就能一起讨论。它也不会嫌我烦，一直解释到我明白为止。🤓🤓🤓

Penny777 🦊

17,475 Aufrufe • vor 5 Monaten

最近刷帖子，意外发现 Google 的 Code Wiki，感觉还挺好用的，属于那种“你用一次就会想把它塞进日常工作流”的东西。以前读代码慢，是因为项目复杂、历史包袱重；现在更离谱的是——Vibe Coding 一开，AI 堆代码的速度直接把人的理解能力碾过去。代码一天一个版本，文档呢？大概率还停在半年前。你让 AI 按文档跑，十次有九次报错，这不是你水平问题，是“文档天然会腐烂”的结构性问题。 Code Wiki 捅破的点很直接：既然没人愿意维护文档，那就别指望“人肉维护”，让 AI 来维护。它更像是长在仓库里的“活体 Wiki”：代码一有新的 commit，它就用 Gemini 去扫变更，把相关说明、模块介绍、关键逻辑的文档一起更新。对我来说这意义很大，因为它解决的不是“写得更漂亮”，而是“永远别过期”。文档不再是一个需要你记得去更新的负担，而是代码的自然副产物。它的可视化能力还不错，Code Wiki 能直接从代码关系里渲染出类图、时序图、依赖图、架构流转图这种“人类更容易理解”的表达方式。尤其是接手老项目、准备重构、或者经常研究开源项目——这类图的价值很高：大家不是在“逐行读”，而是在“先建立地图，再决定往哪里深挖”。它的交互是“可追溯”的。你在侧边栏问它问题，它会基于当前仓库给解释，而且能给出精确的代码引用，点一下就跳到文件和行号。这一下把 AI 最让人难受的“幻觉焦虑”降了不少：你不需要完全相信它的结论，你只需要顺着引用去核查——它更像一个“带证据链的讲解员”。一句话：在 Claude Code、Codex 这些工具把“生成”变得近乎无限便宜之后，我们真正稀缺的东西变了——不是产出，而是理解与判断。

最近刷帖子，意外发现 Google 的 Code Wiki，感觉还挺好用的，属于那种“你用一次就会想把它塞进日常工作流”的东西。以前读代码慢，是因为项目复杂、历史包袱重；现在更离谱的是——Vibe Coding 一开，AI 堆代码的速度直接把人的理解能力碾过去。代码一天一个版本，文档呢？大概率还停在半年前。你让 AI 按文档跑，十次有九次报错，这不是你水平问题，是“文档天然会腐烂”的结构性问题。 Code Wiki 捅破的点很直接：既然没人愿意维护文档，那就别指望“人肉维护”，让 AI 来维护。它更像是长在仓库里的“活体 Wiki”：代码一有新的 commit，它就用 Gemini 去扫变更，把相关说明、模块介绍、关键逻辑的文档一起更新。对我来说这意义很大，因为它解决的不是“写得更漂亮”，而是“永远别过期”。文档不再是一个需要你记得去更新的负担，而是代码的自然副产物。它的可视化能力还不错，Code Wiki 能直接从代码关系里渲染出类图、时序图、依赖图、架构流转图这种“人类更容易理解”的表达方式。尤其是接手老项目、准备重构、或者经常研究开源项目——这类图的价值很高：大家不是在“逐行读”，而是在“先建立地图，再决定往哪里深挖”。它的交互是“可追溯”的。你在侧边栏问它问题，它会基于当前仓库给解释，而且能给出精确的代码引用，点一下就跳到文件和行号。这一下把 AI 最让人难受的“幻觉焦虑”降了不少：你不需要完全相信它的结论，你只需要顺着引用去核查——它更像一个“带证据链的讲解员”。一句话：在 Claude Code、Codex 这些工具把“生成”变得近乎无限便宜之后，我们真正稀缺的东西变了——不是产出，而是理解与判断。

sitin

43,028 Aufrufe • vor 3 Monaten

【Vibe Coding 实战心法】为什么你的 AI 搞不定 Polymarket 套利？揭秘跨模型“组合拳”开发流！告别死磕，掌握这套 AI 协作流，让 0 基础编程效率翻倍最近很多同学私信我，问得最多的一个问题就是：“我也想搞 Polymarket 的自动套利，思路都有了，但让 AI 写代码时总是报错，改来改去还是跑不通，是不是我不适合干这个？” 说实话，不是你不适合，而是你“打开方式”不对。今天我就把压箱底的经验拿出来，简单给大家避个坑。这不仅适用于 Polymarket，也适用于任何你觉得“AI 搞不定”的复杂项目。一、认清现实：AI 模型也是“偏科生” 首先，大家要有一个认知：目前的 AI 模型水平参差不齐，且各有所长。有的擅长逻辑推理（像数学教授）；有的擅长快速生成模板（像熟练工）；有的擅长创意交互（像设计师）。当你盯着一个 AI（比如只用 ChatGPT 或只用 Cursor 默认模型）死磕一个报错，就像是逼着体育老师教高数。如果一个问题你让 AI 尝试了 3 次以上还无法解决，立刻停手！不要死磕！解决方案是：换人（换模型），或者换脑子（找外援）。二、核心策略：跨平台“组合拳” (The Cross-Platform Flow) 既然单一模型搞不定，我们就要学会像“包工头”一样指挥不同的 AI 协同工作。我目前的Vibe Coding 黄金工作流是这样的，每一个环节都有明确的目的： 🟢 Google AI Studio 产品雏形 (Frontend/Visuals) 用法：我通常先用 AI Studio 来开发前端界面。它的上下文窗口大，且视觉理解能力强，能迅速把我要的 UI/UX 甚至简单的交互逻辑给“画”出来。 🔵 Cursor (Auto Mode) 基础逻辑 (Logic/Functionality) 用法：拿着前端的架子，转战 Cursor。利用 Cursor 的 Auto 模型开发后端的基本逻辑和功能模块。这是“盖楼”的阶段，让代码先跑起来。 🟣 Claude Code 深度优化 (Optimization/Fixing) 用法：遇到顽固 Bug 或者逻辑不够优雅时，我会把代码喂给 Claude Code。它的逻辑推理能力目前是顶尖的，非常适合做“外科手术”式的修复和性能优化。 🟠 OpenAI Codex 最终审核 (Auditing) 用法：最后，我会用 Codex 类的能力进行代码审查（Code Review），查漏补缺，确保安全性。总结： AI Studio 画皮，Cursor 铸骨，Claude 注入灵魂，Codex 最后的体检。一定要交叉使用，跨平台学习，这是解决复杂问题的关键。三、遇到死局怎么办？让 AI 去“抄作业” 在做 Polymarket 这种特定项目时，你经常会遇到像 redeem（赎回）或 clob（中央限价订单簿）对接这种深水区。很多时候 AI 搞不定，是因为它没见过最新的文档或特殊的 SDK 写法。这时候你哪怕把 Prompt 写出花来也没用。我的“必杀技”：如果 AI 持续报错，我给它的指令不再是“修复这个 Bug”，而是： “去 GitHub 上搜索关于 Polymarket redeem function 的最新 Python 实现方案，阅读并分析别人的代码，学习它是如何处理签名的，然后回来修改我的代码。” 让 AI 学会自我迭代： Search（搜索）：找现成的轮子。 Learn（学习）：理解别人的逻辑。 Iterate（迭代）：应用到你的项目中。你不让它学习，它就是迟迟搞不定；一旦它学会了参考，效率是指数级提升的。四、结语：Vibe Coding 的终局我看待 AI 编程的视角很简单：我不生产代码，我只是需求的搬运工。现在的困难只是暂时的。我相信在不久的将来，我们现在的这一套“组合拳”流程也会被自动化取代。未来的终局是：你只需要提出一个需求（“帮我盯着 Polymarket 上的美国大选赔率做套利”），AI 会自动去寻找文档、自动写代码、自动测试、自动部署。但在那一天到来之前，掌握这套“跨模型协作 + 引导式学习”的方法，就是你在 AI 时代最大的竞争壁垒。 PS ：还要学会PUA，不停的让AI换角色PUA，比如PM、CTO 、CEO 、顶级量化交易员等等。最后如果还不解决问题，告诉你一个终极大招，骂，使劲骂！

【Vibe Coding 实战心法】为什么你的 AI 搞不定 Polymarket 套利？揭秘跨模型“组合拳”开发流！告别死磕，掌握这套 AI 协作流，让 0 基础编程效率翻倍最近很多同学私信我，问得最多的一个问题就是：“我也想搞 Polymarket 的自动套利，思路都有了，但让 AI 写代码时总是报错，改来改去还是跑不通，是不是我不适合干这个？” 说实话，不是你不适合，而是你“打开方式”不对。今天我就把压箱底的经验拿出来，简单给大家避个坑。这不仅适用于 Polymarket，也适用于任何你觉得“AI 搞不定”的复杂项目。一、认清现实：AI 模型也是“偏科生” 首先，大家要有一个认知：目前的 AI 模型水平参差不齐，且各有所长。有的擅长逻辑推理（像数学教授）；有的擅长快速生成模板（像熟练工）；有的擅长创意交互（像设计师）。当你盯着一个 AI（比如只用 ChatGPT 或只用 Cursor 默认模型）死磕一个报错，就像是逼着体育老师教高数。如果一个问题你让 AI 尝试了 3 次以上还无法解决，立刻停手！不要死磕！解决方案是：换人（换模型），或者换脑子（找外援）。二、核心策略：跨平台“组合拳” (The Cross-Platform Flow) 既然单一模型搞不定，我们就要学会像“包工头”一样指挥不同的 AI 协同工作。我目前的Vibe Coding 黄金工作流是这样的，每一个环节都有明确的目的： 🟢 Google AI Studio 产品雏形 (Frontend/Visuals) 用法：我通常先用 AI Studio 来开发前端界面。它的上下文窗口大，且视觉理解能力强，能迅速把我要的 UI/UX 甚至简单的交互逻辑给“画”出来。 🔵 Cursor (Auto Mode) 基础逻辑 (Logic/Functionality) 用法：拿着前端的架子，转战 Cursor。利用 Cursor 的 Auto 模型开发后端的基本逻辑和功能模块。这是“盖楼”的阶段，让代码先跑起来。 🟣 Claude Code 深度优化 (Optimization/Fixing) 用法：遇到顽固 Bug 或者逻辑不够优雅时，我会把代码喂给 Claude Code。它的逻辑推理能力目前是顶尖的，非常适合做“外科手术”式的修复和性能优化。 🟠 OpenAI Codex 最终审核 (Auditing) 用法：最后，我会用 Codex 类的能力进行代码审查（Code Review），查漏补缺，确保安全性。总结： AI Studio 画皮，Cursor 铸骨，Claude 注入灵魂，Codex 最后的体检。一定要交叉使用，跨平台学习，这是解决复杂问题的关键。三、遇到死局怎么办？让 AI 去“抄作业” 在做 Polymarket 这种特定项目时，你经常会遇到像 redeem（赎回）或 clob（中央限价订单簿）对接这种深水区。很多时候 AI 搞不定，是因为它没见过最新的文档或特殊的 SDK 写法。这时候你哪怕把 Prompt 写出花来也没用。我的“必杀技”：如果 AI 持续报错，我给它的指令不再是“修复这个 Bug”，而是： “去 GitHub 上搜索关于 Polymarket redeem function 的最新 Python 实现方案，阅读并分析别人的代码，学习它是如何处理签名的，然后回来修改我的代码。” 让 AI 学会自我迭代： Search（搜索）：找现成的轮子。 Learn（学习）：理解别人的逻辑。 Iterate（迭代）：应用到你的项目中。你不让它学习，它就是迟迟搞不定；一旦它学会了参考，效率是指数级提升的。四、结语：Vibe Coding 的终局我看待 AI 编程的视角很简单：我不生产代码，我只是需求的搬运工。现在的困难只是暂时的。我相信在不久的将来，我们现在的这一套“组合拳”流程也会被自动化取代。未来的终局是：你只需要提出一个需求（“帮我盯着 Polymarket 上的美国大选赔率做套利”），AI 会自动去寻找文档、自动写代码、自动测试、自动部署。但在那一天到来之前，掌握这套“跨模型协作 + 引导式学习”的方法，就是你在 AI 时代最大的竞争壁垒。 PS ：还要学会PUA，不停的让AI换角色PUA，比如PM、CTO 、CEO 、顶级量化交易员等等。最后如果还不解决问题，告诉你一个终极大招，骂，使劲骂！

比特币橙子Trader

13,090 Aufrufe • vor 5 Monaten

🚀 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 1 Monat

GitHub 看不下去了，亲自下场给 AI 编程立规矩！🔥 Spec Kit，GitHub 出品，短短几天已经 109k+ Star。如果你经常用 Claude Code、Cursor 或 Copilot 写项目，大概率遇到过这种情况：第一版看着挺对。第二版开始偏。改了十几轮后发现，AI 理解的根本不是你想做的东西。 Spec Kit 想解决的就是这个问题。先把需求定义清楚。再让 AI 干活。需求 → 计划 → 任务 → 代码。整个过程都有据可依，而不是一路靠 Prompt 猜。核心亮点： - 一句话需求自动生成 Spec，验收标准、边界条件一起补全。 - Spec 自动转开发计划，任务拆分、技术方案、测试清单直接生成。 - Claude Code、Copilot、Gemini、Codex 等 30+ AI Coding Agent 全兼容。 - 支持 Preset 和 Extension，团队规范、行业模板直接复用。 - 新项目、功能迭代、遗留系统改造，一套流程全覆盖。我最喜欢的一点是：它不是教 AI 写更多代码。而是尽量避免 AI 从第一步就写错代码。如果你已经开始用 AI 做开发，这个项目值得放进收藏夹。

GitHub 看不下去了，亲自下场给 AI 编程立规矩！🔥 Spec Kit，GitHub 出品，短短几天已经 109k+ Star。如果你经常用 Claude Code、Cursor 或 Copilot 写项目，大概率遇到过这种情况：第一版看着挺对。第二版开始偏。改了十几轮后发现，AI 理解的根本不是你想做的东西。 Spec Kit 想解决的就是这个问题。先把需求定义清楚。再让 AI 干活。需求 → 计划 → 任务 → 代码。整个过程都有据可依，而不是一路靠 Prompt 猜。核心亮点： - 一句话需求自动生成 Spec，验收标准、边界条件一起补全。 - Spec 自动转开发计划，任务拆分、技术方案、测试清单直接生成。 - Claude Code、Copilot、Gemini、Codex 等 30+ AI Coding Agent 全兼容。 - 支持 Preset 和 Extension，团队规范、行业模板直接复用。 - 新项目、功能迭代、遗留系统改造，一套流程全覆盖。我最喜欢的一点是：它不是教 AI 写更多代码。而是尽量避免 AI 从第一步就写错代码。如果你已经开始用 AI 做开发，这个项目值得放进收藏夹。

开发者Hailey

21,680 Aufrufe • vor 17 Tagen

程序员跪着啃源码的噩梦时代，终结了！🔥 这个项目让任何代码库直接变成可以点击、可以问答的交互式知识图谱！ Understand Anything，21.8k stars，GitHub Trending 第一点击任意函数，秒告诉你：这模块干嘛的、依赖谁、被谁调用。还能直接开口问"支付流程怎么走"—答案直接出来。最绝的是—改代码前跑一下 /understand-diff 哪些模块会被影响，一目了然。再也不怕改了A，炸了B。 Claude Code、Cursor、VS Code 全支持，一行命令装好。 20万行屎山，从懵逼到看懂，10分钟。

程序员跪着啃源码的噩梦时代，终结了！🔥 这个项目让任何代码库直接变成可以点击、可以问答的交互式知识图谱！ Understand Anything，21.8k stars，GitHub Trending 第一点击任意函数，秒告诉你：这模块干嘛的、依赖谁、被谁调用。还能直接开口问"支付流程怎么走"—答案直接出来。最绝的是—改代码前跑一下 /understand-diff 哪些模块会被影响，一目了然。再也不怕改了A，炸了B。 Claude Code、Cursor、VS Code 全支持，一行命令装好。 20万行屎山，从懵逼到看懂，10分钟。

开发者Hailey

100,799 Aufrufe • vor 29 Tagen

如何让 GitHub Copilot 更好的帮你完成编码任务 GitHub Copilot 不过是开发者工具箱里众多工具之一；要想有效使用它，就需要掌握一定的技巧。我们经常接收到开发者的提问，他们想知道如何更好地利用 GitHub Copilot、如何编写有效的注释来生成代码，以及应该提出哪些问题。我们请来了企业解决方案工程师 Lindsey Bocatto 来分享使用 GitHub Copilot 的最佳实践，以及如何有效地利用这一新工具。 ▬▬▬▬▬▬ 视频时间点 ⌚ ▬▬▬▬▬▬ 0:00 开场介绍 1:12 如何开始使用 GitHub Copilot 5:22 GitHub Copilot 是如何理解提示上下文的？ 8:00 通过 GitHub Copilot 聊天功能提出问题 10:51 向 GitHub Copilot 提供更多上下文信息 13:43 使用 GitHub Copilot 的小贴士

如何让 GitHub Copilot 更好的帮你完成编码任务 GitHub Copilot 不过是开发者工具箱里众多工具之一；要想有效使用它，就需要掌握一定的技巧。我们经常接收到开发者的提问，他们想知道如何更好地利用 GitHub Copilot、如何编写有效的注释来生成代码，以及应该提出哪些问题。我们请来了企业解决方案工程师 Lindsey Bocatto 来分享使用 GitHub Copilot 的最佳实践，以及如何有效地利用这一新工具。 ▬▬▬▬▬▬ 视频时间点 ⌚ ▬▬▬▬▬▬ 0:00 开场介绍 1:12 如何开始使用 GitHub Copilot 5:22 GitHub Copilot 是如何理解提示上下文的？ 8:00 通过 GitHub Copilot 聊天功能提出问题 10:51 向 GitHub Copilot 提供更多上下文信息 13:43 使用 GitHub Copilot 的小贴士

宝玉

64,679 Aufrufe • vor 2 Jahren

用 AI 写代码经常说不清要改哪里，复制代码又特别麻烦。所以我尝试用它做了这款插件，可以像 Figma 一样直接在网页上可视化设计，改完复制提示词或导出 JSON 发给 AI，它就能精准定位代码并按你的要求修改。

用 AI 写代码经常说不清要改哪里，复制代码又特别麻烦。所以我尝试用它做了这款插件，可以像 Figma 一样直接在网页上可视化设计，改完复制提示词或导出 JSON 发给 AI，它就能精准定位代码并按你的要求修改。

Paidax

20,980 Aufrufe • vor 2 Monaten

最近看到一个很值得研究的开源项目：learn-claude-code。它不是在教你怎么堆 prompt、连工作流、搭节点图，而是在教你一件更底层的事：怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。这个项目最有意思的观点是：真正的 Agent 是模型本身，外面的代码只是 harness。所以它讨论的重点，不是“怎么把流程编排得更复杂”，而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。我觉得这个视角很重要。因为很多人现在做 Agent，还停留在“拼工作流”和“堆胶水代码”的阶段。但真正决定 Agent 能不能跑起来的，往往是你给它什么环境，而不是你给它多少层 prompt。这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。如果你在关注 AI Agent、Claude Code，或者 agent engineering，这个项目很值得看看。👇

最近看到一个很值得研究的开源项目：learn-claude-code。它不是在教你怎么堆 prompt、连工作流、搭节点图，而是在教你一件更底层的事：怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。这个项目最有意思的观点是：真正的 Agent 是模型本身，外面的代码只是 harness。所以它讨论的重点，不是“怎么把流程编排得更复杂”，而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。我觉得这个视角很重要。因为很多人现在做 Agent，还停留在“拼工作流”和“堆胶水代码”的阶段。但真正决定 Agent 能不能跑起来的，往往是你给它什么环境，而不是你给它多少层 prompt。这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。如果你在关注 AI Agent、Claude Code，或者 agent engineering，这个项目很值得看看。👇

axiaisacat

44,334 Aufrufe • vor 3 Monaten

Replit 发布Replit Agent AI应用开发助手 0 基础编程用户也能开发程序 Replit Agent ，可以让你即使你不会编程，也可以快速创建应用。你只需要描述你想要的应用，AI 就会帮你自动处理复杂的步骤，从设置开发环境、编写代码、甚至部署到网上。一气呵成... 而且，你可以随时查看和修改 AI 生成的代码，学习编程的过程。它还支持手机使用。详细：

Replit 发布Replit Agent AI应用开发助手 0 基础编程用户也能开发程序 Replit Agent ，可以让你即使你不会编程，也可以快速创建应用。你只需要描述你想要的应用，AI 就会帮你自动处理复杂的步骤，从设置开发环境、编写代码、甚至部署到网上。一气呵成... 而且，你可以随时查看和修改 AI 生成的代码，学习编程的过程。它还支持手机使用。详细：

小互

13,185 Aufrufe • vor 1 Jahr

兄弟们，牛P了啊 ChatGPT的桌面版本新增了一项功能，允许GPT直接修改用户在Mac电脑上正在编辑的文件。也就是GPT能看到你当前打开的文档，然后你只需要通过聊天或者语音要求它修改什么，它就帮你自动完成。这一功能首先针对“集成开发环境”（IDE）进行优化和支持。它能看到你的屏幕内容，自动根据你的要求修改代码。

兄弟们，牛P了啊 ChatGPT的桌面版本新增了一项功能，允许GPT直接修改用户在Mac电脑上正在编辑的文件。也就是GPT能看到你当前打开的文档，然后你只需要通过聊天或者语音要求它修改什么，它就帮你自动完成。这一功能首先针对“集成开发环境”（IDE）进行优化和支持。它能看到你的屏幕内容，自动根据你的要求修改代码。

小互

60,598 Aufrufe • vor 1 Jahr

在使用 Claude Code 或 CodeX 这些 AI 编程工具，生成的代码虽然能跑，但代码质量如何、有没有冗余或潜在 bug，对于初学者来说确实挺难把握。这时候，可以使用 pyscn 这款代码质量分析工具，全方位地检测 AI 编写的 Python 代码状况。检测速度达到惊人的 10 万行/秒，不仅能检测到冗余死代码和重复代码片段，还能分析模块耦合度和复杂度。 GitHub：主要特性： - 基于控制流图的死代码检测，找出永远不会执行的代码段； - 使用 APTED + LSH 算法识别代码克隆，发现重构机会； - 耦合度分析，追踪模块间依赖关系和架构质量； - 圈复杂度分析，识别需要拆分的复杂函数； - 支持 HTML 和 JSON 报告输出，便于团队协作； - CI/CD 集成友好，可设置质量门禁自动检查。项目完全开源免费，通过 pipx 或 uv 安装即可使用，有需要的开发者可以看一下。

在使用 Claude Code 或 CodeX 这些 AI 编程工具，生成的代码虽然能跑，但代码质量如何、有没有冗余或潜在 bug，对于初学者来说确实挺难把握。这时候，可以使用 pyscn 这款代码质量分析工具，全方位地检测 AI 编写的 Python 代码状况。检测速度达到惊人的 10 万行/秒，不仅能检测到冗余死代码和重复代码片段，还能分析模块耦合度和复杂度。 GitHub：主要特性： - 基于控制流图的死代码检测，找出永远不会执行的代码段； - 使用 APTED + LSH 算法识别代码克隆，发现重构机会； - 耦合度分析，追踪模块间依赖关系和架构质量； - 圈复杂度分析，识别需要拆分的复杂函数； - 支持 HTML 和 JSON 报告输出，便于团队协作； - CI/CD 集成友好，可设置质量门禁自动检查。项目完全开源免费，通过 pipx 或 uv 安装即可使用，有需要的开发者可以看一下。

GitHubDaily

41,084 Aufrufe • vor 8 Monaten