

> 英伟达CEO黄仁勋在达沃斯论坛抛出反直觉观点：AI引发的万亿级基建潮，正让电工、水管工等蓝领技工成为就业市场的“新贵”。与此同时，初级程序员等白领岗位正面临被算法替代的严峻现实。

## 基建狂潮 实体技能的价值重估

在人们普遍担忧AI抢走饭碗时，黄仁勋指出了硬币的另一面。运行和训练庞大的AI模型并非空中楼阁，而是建立在海量数据中心这一物理实体之上。这场席卷全球的算力建设，直接催生了数万亿美元的实体投资。

这种“实体属性”让那些无法被代码取代的技能变得炙手可热。社会对建筑工人、木工及电力专家的需求呈井喷之势。据相关报道，资深技工的年薪在供需失衡的推动下已突破六位数美元。黄仁勋强调，这种体面且高薪的生活，不再必须通过攻读计算机博士学位来获得，职业技能培训的重要性正在回归。

![Google_AI_Studio_2026-01-22T03_08_35.341Z.png](https://static.downly.cn/images/00b5c59ccff8c643b56ade1ea1705b6b.png)<center>图源备注：图片由AI生成</center>

## 职场洗牌 脑力劳动的结构性阵痛

与蓝领的春天形成鲜明对比的是传统白领行业的焦虑。Anthropic旗下的Claude等先进模型展现出的强大编程能力，正在快速侵蚀初级程序员的生存空间。重复性、标准化的脑力劳动正变得廉价。

黄仁勋与Palantir等科技领袖的观点一致：AI的本质是生产力工具，它会创造更多本地化的就业机会，但前提是劳动者需要从繁杂的重复工作中解放出来。未来的高价值岗位将属于那些能够驾驭AI、并具备实操技能的复合型人才。在这场技术革命中，实体基建岗位正意外地成为抵御算法冲击的安全避风港。

![Google_AI_Studio_2026-01-22T03_08_43.099Z.png](https://static.downly.cn/images/af38637c3d58a0267ba9c9ea6f52bfcf.png)
 <center>图源备注：图片由AI生成</center>

黄仁勋达沃斯预言 AI时代的蓝领复兴与白领危机



> **导语**
> 面对金融行业对数据准确性的苛刻要求，腾讯近日开源了评测工具 finLLM-Eval。该工具首创“无 GroundTruth”评测法，利用 AI Agent 自动进行逻辑与事实核验，准确率高达 96%，为大模型在金融领域的安全落地提供了关键的一把“标尺”。

## 填补金融评测的真空

在容错率极低的金融领域，大模型的“幻觉”问题一直是阻碍其大规模应用的核心痛点。腾讯推出的 finLLM-Eval 正是为了解决这一行业难题。作为行业内首个专门针对金融场景设计的评测工具，它不仅填补了市场空白，更为高风险场景下的 AI 应用建立了一套标准化的质量控制体系。

finLLM-Eval 的核心优势在于其高度的专业性。它包含逻辑一致性与事实准确性等多个评测模块，能够自动化输出包括千字幻觉率、错误点分布在内的详尽报告。这使得金融机构在部署大模型前，能够对其风险边界有一个清晰、量化的认知。

![Google_AI_Studio_2026-01-20T04_01_26.414Z.png](https://static.downly.cn/images/3b7ab767eaf2c755b8e3b95be2fd88f4.png)<center>图源备注：图片由AI生成</center>

## 告别繁琐人工 AgentAsJudger登场

finLLM-Eval 最大的技术突破在于引入了“AgentAsJudger”自动化评测机制。传统的金融数据评测往往依赖大量昂贵且低效的人工标注（GroundTruth），而腾讯的方案通过智能提取金融事实三要素——“标的 × 时间 × 指标”，实现了评测流程的自动化。

在这个系统中，AI Agent 扮演了裁判员的角色。它能自动提取事实点与逻辑链，并直接与内部金融数据库或相关上下文进行比对验证。实验数据显示，这一自动化流程的准确率已超过 96%。这不仅大幅降低了评测成本，更保证了评测结果的客观性与一致性。未来，随着对非金融指标核验能力的拓展，该工具工具有望成为金融科技基础设施的重要组成部分。
![Google_AI_Studio_2026-01-20T04_01_31.408Z.png](https://static.downly.cn/images/437d322f3f4c14e40308e661cb824150.png) <center>图源备注：图片由AI生成</center>

腾讯开源 finLLM-Eval 解锁金融AI评测新范式

<video src="https://static.downly.cn/images/73b2668ad592d4f19a6ceaf5d5a54c37.mp4" controls width="80%">
  Your browser does not support the video tag.
</video>


### 1. 核心观点：化繁为简

虽然现在有 Rules、Commands、MCP Servers、Subagents、Modes、Hooks 等众多概念，但从历史演变来看，用户其实只需要关注两个最核心的概念：

- **Rules (规则)** = **静态上下文 (Static Context)**
- **Skills (技能)** = **动态上下文 (Dynamic Context)**

### 2. 技术演变脉络

**第一阶段：静态上下文 (文本)**

- **Rules (规则)**：
  - **起源**：早期的 AI 模型经常产生幻觉（例如用错 Tailwind 版本）。
  - **作用**：通过在每一次对话中强制包含特定的文本文件（上下文），来纠正模型行为或注入业务需求。
  - **本质**：这就是 **静态上下文 (Static Context)**。
- **Commands (命令)**：
  - **作用**：将重复使用的 Prompt 打包（例如 `/commit-pr`），以便按需多次运行。
  - **形式**：通常表现为“斜杠命令”。

**第二阶段：动态上下文 (代码与工具)**

- **MCP Servers (模型上下文协议服务器)**：
  - **突破**：不仅是文本，还可以运行代码、连接现有系统、进行 OAuth 认证。
  - **作用**：暴露第三方工具（如读取 Slack 消息）给智能体。
  - **缺点**：如果工具太多，会严重占用 Context Window（上下文窗口），导致“臃肿”。
- **Subagents & Modes (子智能体与模式)**：
  - **Subagents**：类似一个带有特定任务设定的 Prompt，限制了工具的使用范围。
  - **Modes**：更进一步，不仅包含指令，还修改系统提示词、UI 界面，甚至加入提醒机制，让智能体专注于特定任务（如“规划模式”）。
- **Hooks (钩子)**：
  - **作用**：解决 AI 的非确定性问题。Hooks 是 100% 确定性的脚本，在特定时间点（如 Prompt 提交前、文件编辑后）自动运行。

**第三阶段：集大成者 (标准化)**

- **Skills (技能)**：
  - **定义**：这是动态上下文的未来标准。它既可以是简单的命令，也可以是复杂的脚本、可执行文件和资源的打包。
  - **优势**：解决了 MCP 的臃肿问题。**Skills 只有在真正被使用时才会加载到上下文中**，不会默认占用 Token。
  - **Cursor 的优化**：即使用户安装了 10 个 MCP 服务器，Cursor 也会像管理 Skills 一样，仅在需要时加载相关工具。

### 3. 最佳实践建议

对于代码智能体的用户，Lee 建议遵循以下简化的心智模型：

1. **使用 Rules (静态上下文)**：
   - 提供最小化、高质量的上下文。
   - 把它当作一个“活的”文档，当智能体犯错时，及时更新规则文件。
2. **使用 Skills (动态上下文)**：
   - 用来扩展智能体的能力（运行代码、外部工具）。
   - 通过 Skills，无需担心上下文臃肿问题。

Cursor 专家 Lee Robinson：从 Rules 到 Skills，看懂 AI 上下文技术的演变



> 微软正式发布 VS Code 版 Copilot Studio 扩展，将 AI 智能体开发引入专业 IDE 环境，支持 Git 版本控制与 CI/CD 流水线，实现了从低代码实验到企业级工程交付的范式转变。

## 告别低代码束缚 拥抱IDE工作流
微软近日正式宣布推出 Visual Studio Code（VS Code）版 Copilot Studio 扩展，这一动作标志着 AI 智能体（Agent）的开发方式迎来了质的飞跃——从浏览器的低代码拖拽，正式跨越到专业的集成开发环境（IDE）中。该扩展在公测期间便已获得超过 13,000 次下载，显示出开发者对工程化开发环境的强烈渴求。

其核心价值在于将 AI 助手程序的构建过程彻底融入标准的软件工程工作流。通过引入结构化的定义格式、专业的语法高亮以及类 IntelliSense 的代码补全功能，开发者现在能以处理传统代码的精细度来编写智能体逻辑。这不仅大幅降低了手动配置的错误率，更让智能体的行为逻辑变得可读、可维护。

![Google_AI_Studio_2026-01-16T03_32_06.433Z.png](https://static.downly.cn/images/47d68f9a060956da1f4f62ad6a8fb62f.png)
 <center>图源备注：图片由AI生成</center>

## 企业级协作 版本控制与CI/CD集成
为了满足企业级项目的协作需求，该扩展完整集成了 Git 版本控制系统。这意味着智能体的开发不再是“黑盒”操作，开发者可以通过请求式审查（Pull Requests）来追踪每一次修改历史，并利用云端版本比对功能有效规避多人协作中的覆盖冲突。

更关键的一步在于部署流程的标准化。通过将智能体集成到标准的 CI/CD（持续集成/持续交付）流水线中，开发团队能够遵循严格的测试与部署标准，在开发、测试、生产等不同环境间进行平滑迁移。此外，该扩展还实现了与 GitHub Copilot 及 Claude Code 等 AI 编程助手的协同，辅助开发者在本地环境中快速排查智能体定义的故障，真正实现了“用专业工程手段塑造 AI 行为”的行业愿景。

微软推出VS Code版Copilot Studio 智能体开发进入专业工程化时代



> 谷歌近日正式推出通用商务协议 UCP 与智能客服系统 Gemini CX，旨在打造无需跳转的“搜索即交易”闭环。这一举措不仅打通了从发现到支付的全链路，更标志着 AI Agent 正式取代传统 APP 成为下一代消费互联网的核心入口。

## 打造零跳转的 AI 购物闭环

在传统的电商逻辑中，用户往往需要在搜索引擎、比价网站和电商 APP 之间反复横跳。而谷歌此次推出的 Agentic 电商解决方案，试图通过 UCP（Universal Commerce Protocol）通用商务协议彻底重构这一流程。

UCP 被设计为 AI Agent、商家与电商平台之间的标准化通信桥梁。它打破了不同平台间的数据壁垒，使得用户在谷歌搜索界面中即可完成复杂的购物任务。例如，当用户询问“适合敏感肌的防晒霜”时，AI 不再仅仅是一个信息检索工具，而是化身为全能导购——自动推荐商品、实时比价、领取优惠券、确认库存，并在获得授权后直接完成支付。

目前，UCP 初期聚焦于结账流程、用户身份绑定与订单管理三大核心环节，并已兼容现有行业标准，接入了多家主流零售商与支付平台。这意味着，“搜索”与“交易”的边界正在无限模糊。

![Google_AI_Studio_2026-01-14T03_34_09.218Z.png](https://static.downly.cn/images/733d03377b7886ce70520faded77f849.png) <center>图源备注：图片由AI生成</center>

## Gemini CX 赋能企业主动服务

面向 B 端市场，谷歌同步推出了 Gemini CX，这是一套覆盖全生命周期的 AI 客户服务系统。与传统客服机器人不同，Gemini CX 具备多模态交互能力，不仅能处理文本和图像，更拥有执行授权操作的“手脚”。

该系统可以代替人工客服执行修改订单、申请退换货或预约服务等具体操作。更具革新意义的是其 Business Agent 功能，它允许消费者直接与品牌的 AI 进行深度对话。这种交互模式将品牌服务从传统的“被动响应”转变为“主动服务”，AI 能够根据用户画像主动提供个性化的产品建议或售后支持，极大地提升了用户粘性与转化效率。

![Google_AI_Studio_2026-01-14T03_34_11.216Z.png](https://static.downly.cn/images/dfaf72c7967c9134fcbd3521c30946de.png)
<center>图源备注：图片由AI生成</center>

## 全球电商流量逻辑的代际更迭

谷歌此举无疑是在向全球电商巨头宣战。目前，包括阿里巴巴、京东、抖音在内的中国电商平台也在积极部署大模型技术，优化推荐算法与智能客服。然而，谷歌的优势在于其作为互联网“第一入口”的搜索地位与 Gemini 大模型的深度集成。

通过构建“发现—决策—交易—服务”的一体化 AI 原生范式，谷歌试图证明，未来的网购将不再依赖独立的 APP 或网站。这场由 UCP 协议开启的变革，预示着 AI 代理将成为新的流量分发中心，传统电商平台的“货架逻辑”正面临前所未有的挑战。

谷歌发布 UCP 协议与 Gemini CX 重构 Agentic 电商生态



> Google 在 NRF 2026 大会上发布通用商务协议（UCP），联手 Shopify 和沃尔玛等巨头，旨在为 AI 代理建立一套从发现到支付的标准语言，推动电商行业从“推荐”向“自动执行”的质变。

## AI 真正学会“购物”

在 2026 年美国国家零售联合会（NRF）大会上，Google 正式推出 Universal Commerce Protocol（UCP），这被视为电商领域的“TCP/IP”时刻。作为专为“代理式商务”（Agentic Commerce）时代打造的开放标准，UCP 的核心使命是消除 AI 代理与零售系统之间的隔阂。

通过 UCP，AI 不再仅仅是一个导购，而是具备了完整的执行力。用户在 Google Search 的 AI 模式或 Gemini 聊天中，只需用自然语言下达指令——例如“按上次地址帮我买那个黑色行李箱”——AI 即可跨平台完成商品匹配、个性化比价（包含会员折扣）、支付结算以及售后对接。整个过程用户无需离开对话界面，实现了真正的“零摩擦”购物体验。

![Google_AI_Studio_2026-01-12T03_22_51.902Z.png](https://static.downly.cn/images/b7456a18563450c7ff54ef23d924a8a6.png) <center>图源备注：图片由AI生成</center>

## 商家主权与数据护城河

UCP 在设计上最关键的原则是明确了 AI 的“代操作”角色，而非“中间商”地位。协议规定，真正的订单主体（Merchant of Record）始终是商家。

这意味着客户关系、交易数据所有权以及售后服务责任完全归属于商家，而非平台。这一设计巧妙地化解了零售商对科技巨头垄断用户数据的长期担忧，避免了平台过度介入带来的隐私风险，确保了商家在 AI 时代的独立性与核心控制权。

## 开放生态对抗封闭割据

为了构建这一基础设施，Google 组建了豪华的生态联盟。UCP 由 Shopify、Wayfair、Target、Walmart 等零售巨头共同开发，并获得了 Stripe、Visa、Mastercard 等支付巨头的背书。

该协议完全开放、中立且与厂商无关，兼容 Agent2Agent（A2A）等现有行业标准。这意味着任何 AI 平台或零售商均可接入，中小商家也能通过标准化接口获得 AI 流量入口。Google 此举意在通过开放互操作性，打破电商领域的封闭割据，让谁拥有最好的代理体验，谁就能定义未来的购物方式。

![Google_AI_Studio_2026-01-12T03_23_08.139Z.png](https://static.downly.cn/images/a3de080f2b4c97e5f2fc49f02cc51849.png)<center>图源备注：图片由AI生成</center>

谷歌发布 UCP 通用商务协议：开启“代理式商务”新纪元

<video src="https://static.downly.cn/images/13-Steps-to-High-Efficiency-by-the-Creator-of-Claude-Code.mp4" controls width="50%">
  Your browser does not support the video tag.
</video>

> 在 AI 辅助编程领域，我们通常只把 AI 当作一个更聪明的自动补全工具。然而，Claude Code 的创造者 Boris Cherny 展示了一种完全不同的维度：他通过构建一套严密的系统工程，将自己从“代码撰写者”转变为“AI 军团指挥官”，实现了月产 4 万行高质量代码的惊人效率。

本文将基于 Boris Cherny 的实战演示，详细复盘他的 13 步工作流，并补充我们对于高阶技能定制的第 14 步实践，深入剖析这套范式背后的技术哲学。

------

## 01. 并发多线程 (Parallelization)

### 🎥 Boris 的实战现场

Boris 的终端界面就像一个繁忙的指挥塔。他通常会同时开启 5 个并行的 Claude 会话（Tabs 1-5），每个 Tab 都有明确的职责划分：

- Tab 1：专注于数据库层面的重构任务。

- Tab 2：处理前端组件的视觉调整。

- Tab 3：运行单元测试并修复回归错误。

  为了解决“等待 AI 生成”的时间浪费，他利用系统的“通知铃声”功能。当后台某个 Tab 完成任务时，会发出提示音，他便立即切换上下文进行确认。这种方式消除了人类在等待 AI 思考时的闲置时间。

### 🧠 技术视点：工程师的“调度器化”

> 这标志着工程师的核心能力正在发生代际转移。

过去，我们的核心能力是“专注力”和“手速”；而在 Boris 的模式下，核心能力变成了**任务架构拆解（Architecture Decomposition）\**与\**上下文切换（Context Switching）**。如果不具备良好的架构思维，无法将一个大需求拆解为 5 个低耦合的子任务，那么开启 5 个窗口只会带来 5 倍的混乱。**并发的前提，是解耦。**

------

## 02. 端云协同 (Teleport)

### 🎥 Boris 的实战现场

Boris 演示了如何打破“本地终端”与“云端网页”的物理隔阂。他使用 `teleport` 命令配合后台任务符 `&`，将本地正在进行的终端会话“瞬移”到浏览器端的 Claude 界面。

- **场景切换**：当需要处理复杂的长文本阅读、查看图表或进行更自然的对话交互时，他切换到网页端。
- **状态同步**：在网页端确认好思路或生成文案后，所有的上下文和结果又能反向同步回本地终端，继续执行代码命令。

### 🧠 技术视点：交互模态的流动性

> 未来的开发环境将不再固守单一的 IDE，而是“数据流”的载体。

CLI（命令行）适合执行和精确控制，GUI（网页）适合阅读、规划和视觉反馈。Boris 的实践告诉我们：**上下文（Context）应当像流体一样**，根据开发者的认知需求，在不同的容器之间自由流转，而不是被锁死在某个软件窗口里。

------

## 03. 慢思考 (Thinking Models)

### 🎥 Boris 的实战现场

在处理复杂的逻辑重构时，Boris 并没有选择响应最快的模型，而是强制指定带有思维链（Chain of Thought）的 Opus 4.5 模型。

尽管这需要等待数分钟才能看到结果，但他强调，对于核心逻辑，必须让 AI 像人类高级工程师一样进行深度的推理。他宁愿花时间等待一个准确的方案，也不愿快速得到一个充满 Bug 的代码块。

### 🧠 技术视点：算力换人力的经济账

> 这是一个关于“信噪比”的决策。

在软件工程中，**生成速度 $\neq$ 开发效率**。修复一个由快速模型产生的幻觉 Bug，其耗时（定位、调试、修改）往往是生成时间的 10 倍以上。这里的策略是典型的“慢即是快”：用昂贵的推理算力，去置换昂贵的人类调试时间。**准确率（Precision）远比延迟（Latency）重要。**

------

## 04. 共享大脑 (CLAUDE.md)

### 🎥 Boris 的实战现场

Boris 展示了他在项目根目录维护的核心文件：CLAUDE.md。

这不是给人类看的 Readme，而是给 AI 看的“宪法”。文件中定义了：

- **架构规范**：如“本项目使用 MVC 模式，Service 层不应直接返回 DTO”。

- **编码细节**：如“日期必须使用 ISO8601 格式”、“禁止使用 `eval` 函数”。

- 路径映射：解释项目特有的黑话和目录结构。

  每次启动 Claude，它都会预加载这份文件，从而让一个通用的 AI 瞬间变成最懂该项目的“资深员工”。

### 🧠 技术视点：隐性知识的显性化

> 这是文档工程（Documentation Engineering）在 AI 时代的复兴。

传统团队中存在大量“部落知识（Tribal Knowledge）”，它们只存在于老员工的脑子里。`CLAUDE.md` 迫使我们将这些隐性知识显性化。这本质上是一种**轻量级的 RAG（检索增强生成）**，它解决了 LLM 的无状态问题，让项目具备了可传承的“记忆”。

------

## 05. 复利工程 (Compounding Engineering)

### 🎥 Boris 的实战现场

当 Claude 犯错（例如引入了一个被禁用的库）时，Boris 的做法令人印象深刻：他不仅仅是纠正代码，而是直接在 GitHub 评论区 @claude 下达指令：“你犯了一个错误，请把这条新规则更新到 CLAUDE.md 中，以后不要再犯。”

通过这种方式，每一次错误都转化为了文档中的一条新规则，确保 AI 不会在同一个地方跌倒两次。

### 🧠 技术视点：错误的资产化

> 我们正在目睹一种全新的“资产积累”方式。

在传统开发中，踩过的坑容易被遗忘；而在这种模式下，**错误被提炼成了系统的“养料”**。随着项目推进，`CLAUDE.md` 越来越完善，AI 越来越聪明。这不仅仅是在写代码，更是在训练一个不断自我进化、不断增值的数字资产。

------

## 06. 计划模式 (Plan Mode)

### 🎥 Boris 的实战现场

Boris 通过双击 Shift+Tab 进入一个特殊的“计划模式”。在此模式下，AI 被禁止写一行代码。

他和 AI 像两个在白板前的架构师一样，纯粹通过自然语言反复推演：“如果我们要改这个 API，会影响哪些文件？”、“数据库 Schema 需要怎么变？”。只有当计划被彻底确认无误后，他才会切换回执行模式让 AI 动手。

### 🧠 技术视点：决策层与执行层的分离

> 这解决了新手使用 AI 最容易犯的错：过早陷入细节。

Plan Mode 强行将**设计（Design）\**与\**实现（Implementation）** 剥离。这不仅通过思维链（CoT）降低了 AI 的幻觉风险，更重要的是，它强制人类保持在“决策层”。**AI 是手，你是脑，动手之前先动脑。**

------

## 07. 斜杠命令 (Slash Commands)

### 🎥 Boris 的实战现场

Boris 演示了他自定义的 /commit-push-pr 命令。

只需输入这一个指令，Claude 就会在后台自动执行一系列复杂的动作：检查 Git 状态 -> 分析变更内容 -> 生成符合规范的 Commit Message -> 推送到远程分支 -> 调用 GitHub API 创建 PR。原本需要敲击十几次键盘的流程，被压缩成了一次指令。

### 🧠 技术视点：流程的“模糊自动化”

> 这是对传统 Shell 脚本的降维打击。

传统的脚本是僵化的，参数必须精确匹配。而挂载了 AI 的 Slash 命令是**基于意图（Intent-based）**的。开发者只需要发出意图，AI 负责填充参数、处理异常。我们正在从“自动化（Automation）”向“自主化（Autonomy）”过渡。

------

## 08. 子智能体 (Sub-agents)

### 🎥 Boris 的实战现场

在处理特定任务时，Boris 会调用专门的“子智能体”。例如：

- `code-simplifier`：这是一个被设定了极强约束的 Agent，它只负责简化代码语法，绝不修改业务逻辑。

- verify-app：专门负责按照测试手册运行端到端测试的 Agent。

  主 AI 负责攻坚，子 Agent 负责扫尾，分工明确。

### 🧠 技术视点：单一职责原则 (SRP) 的 AI 实践

> 我们写代码遵循 SRP 原则，使用 AI Agent 也应如此。

一个通用的“全能 Agent”往往表现平庸。通过构建专门的 Sub-agents，我们可以针对特定任务（如安全审计、性能优化、文档生成）微调 Prompt 和工具集。这是**多智能体协作（Multi-Agent Systems）** 的实战雏形。

------

## 09. 钩子 (Hooks)

### 🎥 Boris 的实战现场

Boris 配置了严格的 Pre/Post-execution Hooks。每当 AI 生成代码准备写入文件之前，系统会自动触发 Prettier 或 Linter。

无论 AI 生成的代码格式多么混乱，在写入磁盘的那一刻，它都会被强制格式化为团队标准风格。

### 🧠 技术视点：最后一道防线

> 这是防御性编程在 AI 时代的必要延伸。

我们不能无条件信任 AI 的输出质量。Hooks 建立了一个**不依赖于 AI 自身道德约束的外部质量门禁**。这不仅解决了 AI 代码“能跑但很难看”的顽疾，更守住了代码库整洁度的底线。

------

## 10. 权限管理 (Permissions)

### 🎥 Boris 的实战现场

Boris 并没有让 AI 处于完全的“裸奔”状态（`dangerously-skip-permissions`）。相反，他精心设置了白名单：

- 读取类命令（`ls`, `cat`, `git status`）：默认允许，无需人类确认，保证交互流畅。
- 破坏类命令（`rm`, `upload`, `deploy`）：必须弹窗询问，且高危操作会被钩子拦截。

### 🧠 技术视点：基于行为的零信任架构

> 信任，但要验证（Trust but Verify）。

在 AI 能够自主执行命令的时代，安全架构必须从“基于身份”转向“基于行为”。这种配置既保证了探索性任务的效率，又锁死了破坏性操作的风险。

------

## 11. 万物互联 (MCP)

### 🎥 Boris 的实战现场

通过 Model Context Protocol (MCP)，Boris 让 Claude 连接到了 IDE 之外的世界。

他展示了 AI 如何直接读取 Slack 中的讨论记录来理解需求背景，或者直接查询 BigQuery 数据库来验证业务逻辑，甚至连接 Sentry 查看线上的实时报错日志。

### 🧠 技术视点：打破 IDE 的“数据孤岛”

> 当 AI 开始感知业务数据时，它才真正成为了“全栈”。

这预示着 **AIOps** 的到来——AI 不再仅仅处理代码文本，而是能够感知线上状态、用户反馈和业务数据。它正在从一个“编码工具”进化为一个能够感知上下文的“业务伙伴”。

------

## 12. 长任务管理 (Ralph Wiggum)

### 🎥 Boris 的实战现场

对于那些极度耗时的任务（如全项目大规模重构、运行数小时的回归测试），Boris 使用了一个被称为 "Ralph Wiggum" 的后台挂机插件。

他将任务扔给这个后台进程，配置好“完成强提醒”，然后就去处理其他事情，甚至睡觉。在这些隔离环境中，他给予 AI 更高的自主权。

### 🧠 技术视点：异步生产力的解放

> 人类的时间是线性的，但算力是可以并发的。

通过将长耗时任务剥离给后台 AI，工程师实现了**算力与人力的解耦**。你不再需要盯着进度条发呆，这是对人类注意力的极致保护。

------

## 13. 反馈闭环 (Feedback Loop)

### 🎥 Boris 的实战现场

这是 Boris 演示中最精彩的部分：赋予 AI 眼睛。

当 AI 修改了前端代码后，它会自动启动一个浏览器实例，像真实用户一样点击按钮、输入表单、截图并分析控制台报错。如果发现页面崩溃或报错，AI 会根据错误信息自动修正代码，直到通过验证。

### 🧠 技术视点：从“开环”到“闭环”

> 这不仅仅是自动化测试，这是“自主纠错”。

目前的 AI 编程多是“开环”的（AI 写完 -> 人去测 -> 人反馈）。Boris 构建的是**闭环系统**（AI 写 -> AI 测 -> AI 改）。只要有了可靠的反馈机制（视觉验证、测试套件），AI 就能在不断的试错中收敛到正确结果，这才是 AI 能够独立完成任务的关键。

------

## 14. claude Code Skills 进阶实践

### 🚀 超越脚本的终极形态

Boris 展示了如何用 Slash Commands 和 MCP 连接工具，但这依然是零散的。通过研究 Anthropic 最新的官方规范，我们发现 Claude Code 真正的杀手锏其实是：**Agent Skills（代理技能架构）**。

这不是简单的写个脚本，而是定义了一种**标准化的能力封装协议**。如果说 `CLAUDE.md` 是公司的“宪法”，那么 Agent Skills 就是 Claude 的“岗位技能手册”。

### 🛠️ 我们的实践：构建标准化的 Skill 目录

我们不应满足于散落在各处的 Prompt，而应按照官方规范，构建可复用的 **Skill 文件夹**结构：

#### 1. 采用“三位一体”的目录结构

一个标准的 Skill 不是一个文件，而是一个目录：

- **`SKILL.md` (大脑)**：核心指令文件。包含 YAML Frontmatter（元数据）定义 `name` 和 `description`，以及 Markdown 格式的操作指南。这是 Claude 唯一“必读”的部分。
- **`scripts/` (肢体)**：存放 Python/Bash 脚本。用于处理需要精确执行、容错率低的逻辑（如数据清洗、格式转换）。这比让 LLM 自己写代码执行要稳定得多。
- **`references/` (海马体)**：存放 PDF 规范、API 文档或模版。这些是 AI 按需查阅的知识库。

#### 2. 利用“渐进式披露”机制 (Progressive Disclosure)

这是该架构最精妙的技术设计，旨在解决上下文窗口（Context Window）的限制：

- **静默态**：Claude 启动时，只加载所有 Skills 的 `name` 和 `description`（约 100 tokens），极度节省资源。
- **激活态**：只有当 Claude 判定当前任务需要该技能时（例如你提到“处理这个 PDF”），它才会动态加载该技能完整的 `SKILL.md` 指令。
- **执行态**：只有在真正执行细节时，才会去读取 `scripts/` 或 `references/` 中的具体文件。

#### 3. 设定“自由度” (Degrees of Freedom)

我们在编写 `SKILL.md` 时遵循“窄桥原则”：

- **低自由度**：对于发布生产环境的操作，我们提供固死的 `scripts/`，不给 AI 自由发挥的空间，确保 100% 的一致性。
- **高自由度**：对于“代码优化建议”类技能，我们只提供 Markdown 文本指导，让 Claude 发挥它的创造力。

### 🧠 技术视点：AI 的“Docker 化”时刻

Agent Skills 的出现意味着 **AI 能力的标准化和模块化**。

- **可移植性**：你可以把一个写好的 `data-analysis` Skill 文件夹打包发给同事，他的 Claude 瞬间就学会了如何分析公司特有的数据格式，无需任何 Prompt 调试。
- **程序性记忆**：以前我们通过 RAG 给 AI **陈述性记忆**（知识），现在我们通过 Skills 给 AI **程序性记忆**（方法）。

------

**结语**

Boris Cherny 的 13 步工作流，配合最新的 Agent Skills 架构，本质上是将程序员从**代码的实现者**，升级为了**代码生产系统的设计者与监督者**。

拒绝“聊天式”编程 - 深度解析 Claude Code 之父的系统化开发流



> 谷歌 DeepMind 与波士顿动力在 CES 2026 上宣布达成战略合作，将 Gemini Robotics 大模型植入 Atlas 人形机器人。这一合作的首个试验场选定在现代汽车生产线，旨在通过“物理智能”让机器人从预设脚本走向自主决策。

## 当大模型拥有实体

这场合作标志着通用机器人革命的正式启动。双方的核心目标是将 Gemini 的认知能力与波士顿动力卓越的硬件机动性完美融合。在现代汽车的工厂中，搭载 Gemini 的 Atlas 将不再是只会重复固定动作的机械臂，而是能够直面动态、非结构化环境挑战的“通用工人”。

波士顿动力 CEO Robert Playter 强调，新系统的关键在于赋予机器人“情境理解力”。通过摄像头和激光雷达的数据输入，Gemini 能让机器人实时感知周围环境的上下文，并具备处理不规则物体的高水平灵巧操作能力。

![Google_AI_Studio_2026-01-09T03_06_41.889Z.png](https://static.downly.cn/images/b7f61cba187769d50e2264f3719a64de.png)
 <center>图源备注：图片由AI生成</center>

## 从脚本演示到物理智能

长期以来，波士顿动力的机器人虽能完成后空翻等高难度动作，但多依赖于精心编排的代码脚本。Gemini 的介入旨在打破这一限制，注入真正的“物理智能”。

这是一种软硬结合的进化模式：机器人能够识别非标准化物体，自主规划运动路径，并在执行任务中持续自我修正。DeepMind 机器人部门高级总监 Carolina Parada 将此比作构建机器人界的“Android”操作系统——Gemini 提供通用的智能底座，而汽车制造仅仅是这一宏大计划的起点。

![Google_AI_Studio_2026-01-09T03_06_50.361Z.png](https://static.downly.cn/images/a025d009df336390566da77b31808345.png)
 <center>图源备注：图片由AI生成</center>

## 安全与未来的双重考量

更高的智能意味着更复杂的安全挑战。双方在合作中特别强调了内置的安全机制，Gemini 将通过推理层对自身动作进行实时约束，确保在提升自主性的同时，严格遵守工业安全标准。

随着 Atlas 和 Spot 机器人在真实产线上的测试逐步展开，DeepMind 与波士顿动力的这次联手，不仅是跨越时空的“再度牵手”（波士顿动力曾属谷歌旗下），更为全球人形机器人赛道树立了新的技术标杆。

波士顿动力接入Gemini大模型 人形机器人Atlas进驻现代汽车工厂

### 1. 核心观点：化繁为简

虽然现在有 Rules、Commands、MCP Servers、Subagents、Modes、Hooks 等众多概念，但从历史演变来看，用户其实只需要关注两个最核心的概念：

- **Rules (规则)** = **静态上下文 (Static Context)**
- **Skills (技能)** = **动态上下文 (Dynamic Context)**

### 2. 技术演变脉络

**第一阶段：静态上下文 (文本)**

- **Rules (规则)**：
  - **起源**：早期的 AI 模型经常产生幻觉（例如用错 Tailwind 版本）。
  - **作用**：通过在每一次对话中强制包含特定的文本文件（上下文），来纠正模型行为或注入业务需求。
  - **本质**：这就是 **静态上下文 (Static Context)**。
- **Commands (命令)**：
  - **作用**：将重复使用的 Prompt 打包（例如 `/commit-pr`），以便按需多次运行。
  - **形式**：通常表现为“斜杠命令”。

**第二阶段：动态上下文 (代码与工具)**

- **MCP Servers (模型上下文协议服务器)**：
  - **突破**：不仅是文本，还可以运行代码、连接现有系统、进行 OAuth 认证。
  - **作用**：暴露第三方工具（如读取 Slack 消息）给智能体。
  - **缺点**：如果工具太多，会严重占用 Context Window（上下文窗口），导致“臃肿”。
- **Subagents & Modes (子智能体与模式)**：
  - **Subagents**：类似一个带有特定任务设定的 Prompt，限制了工具的使用范围。
  - **Modes**：更进一步，不仅包含指令，还修改系统提示词、UI 界面，甚至加入提醒机制，让智能体专注于特定任务（如“规划模式”）。
- **Hooks (钩子)**：
  - **作用**：解决 AI 的非确定性问题。Hooks 是 100% 确定性的脚本，在特定时间点（如 Prompt 提交前、文件编辑后）自动运行。

**第三阶段：集大成者 (标准化)**

- **Skills (技能)**：
  - **定义**：这是动态上下文的未来标准。它既可以是简单的命令，也可以是复杂的脚本、可执行文件和资源的打包。
  - **优势**：解决了 MCP 的臃肿问题。**Skills 只有在真正被使用时才会加载到上下文中**，不会默认占用 Token。
  - **Cursor 的优化**：即使用户安装了 10 个 MCP 服务器，Cursor 也会像管理 Skills 一样，仅在需要时加载相关工具。

### 3. 最佳实践建议

对于代码智能体的用户，Lee 建议遵循以下简化的心智模型：

1. **使用 Rules (静态上下文)**：
   - 提供最小化、高质量的上下文。
   - 把它当作一个“活的”文档，当智能体犯错时，及时更新规则文件。
2. **使用 Skills (动态上下文)**：
   - 用来扩展智能体的能力（运行代码、外部工具）。
   - 通过 Skills，无需担心上下文臃肿问题。

搜索结果: 标准化