

> Anthropic 通过一个简单的 @ 动作，将大模型能力无缝嵌入全球千万打工人的默认沟通软件。这不仅是产品形态的降维打击，更是向繁冗的传统办公生态发起的一次精准颠覆。

## 告别页面切换 沟通即算力调度

在过去的大模型应用场景中，职场人始终面临着一种割裂感。你需要打开一个独立的网页窗口，复制繁杂的内部讨论记录，粘贴进对话框，再将生成的结论搬运回团队群聊。这种在不同工具间反复横跳的机械动作，构成了隐性的效率黑洞。Claude Tag 的出现，彻底摧毁了这堵隐形的墙。

通过直接在 Slack 中唤醒 @Claude，算力调度被降维成了一次极其自然的社交互动。当你在长达数百条的群聊记录中迷失时，只需在对话末尾艾特这位 AI 同事，它便能瞬间消化所有上下文，生成精准的决策摘要与待办事项。这标志着 AI 从一个“外部顾问”正式变成了潜伏在工作流血液中的“数字员工”。

![12.png](https://static.downly.cn/images/3eddbccdbe2de349ab4096adf0a752bd.png) <center>图源备注 图片由AI生成</center>

## 上下文喂养机器 知识库的自动生成

每一次在 Slack 中的艾特，本质上都是一次高质量的语料投喂。过去，企业苦于无法将碎片化的聊天记录沉淀为结构化的组织知识。员工的离职往往伴随着项目背景信息的流失。而有了内置的 AI 节点后，每一次多轮对话都可以被实时提炼、归档。

核心体验　用户不再需要刻意去“使用 AI”，AI 会在后台默默聆听项目的推进过程。当销售团队在群内讨论客户痛点时，Claude 可以即时生成针对该客户的定制化推介方案；当研发团队在排查 Bug 时，它可以基于历史记录提供类似问题的解决路径。工作流的产出不再是线性叠加，而是指数级裂变。

## 被吞噬的边缘 SaaS 工具

随着底层大模型开始吞噬工作界面的前端入口，那些曾经凭借“信息整合”、“会议摘要”或“轻量级项目管理”起家的中小型 SaaS 企业，正面临着灭顶之灾。当最核心的协作平台本身就具备了极致的信息处理能力时，用户不再需要额外购买第三方的效率插件。

![13.png](https://static.downly.cn/images/a069e320f3fc45527731db5b890fa1af.png) <center>图源备注 图片由AI生成</center>

## 隐形门槛与习惯迁徙

然而，重塑习惯并非一日之功。将高度机密的商业决策过程完全暴露给内置 AI，仍会让许多传统企业的合规部门感到不适。此外，如何引导那些习惯了“人拉人”沟通模式的资深员工，学会精准地用提示词向 AI 分配任务，也是一场漫长的认知拉锯战。但可以预见的是，那些率先将 AI 融入企业底层沟通神经元的组织，将在未来的响应速度上对竞争对手形成降维打击。

Anthropic 打通 Slack 生态 Claude Tag 重塑企业内部协作流



> 拆掉私有化城墙，监管机构通过开放API强行拉平了超级应用与初创AI公司的起跑线。这不仅是对Meta流量霸权的削弱，更是C端用户与AI交互方式的全面洗牌。

长期以来，坐拥几十亿月活的WhatsApp就像是一座守卫森严的数字孤岛。Meta在这座岛上拥有绝对的生杀大权，决定着用户能体验到什么样的服务。然而，欧盟近期挥出的一记监管重拳——强制要求Meta向第三方AI助手免费开放WhatsApp接口，彻底炸毁了这堵高墙。这不仅仅是一场法律层面的博弈，它将以前所未有的烈度，颠覆普通打工人与智能助手的交互工作流。

体验切片　被彻底解放的对话框
想象一下未来的工作场景。你无需再频繁地在微信、Slack、ChatGPT以及各类专业软件之间疲于奔命地切换。当WhatsApp的接口被迫向全生态敞开，这个原本纯粹的聊天软件将蜕变成一个万能的“数字总机”。
你可以直接在与客户的聊天窗口中，@一个由第三方创业公司开发的法律合规AI，让它瞬间审查刚发来的合同文本；紧接着，再@一个专业的财务AI模型，直接在对话框里生成报价单的利润率分析。用户不再需要去适应各个独立App的复杂UI，所有的AI能力都将降维到最朴素的自然语言对话中。工具的边界被彻底融化，工作流的载体从“桌面软件”变成了“聊天流”。

![72.png](https://static.downly.cn/images/d0745909133cb5689db4e506836f0a66.png) <center>图源备注 图片由AI生成</center>

流量洗牌　超级App沦为底层通道
对于Meta而言，这是一个充满苦涩的时刻。原本他们寄望于通过自家的Meta AI独占这几十亿用户的流量入口，进而构建自己的AI帝国。但欧盟的强硬态度让超级App一夜之间沦为了“修路者”。
免费开放接口意味着，哪怕是车库里只有三个人的AI初创团队，也能立刻让自己的智能体触达全球最庞大的用户群。这极大地削弱了巨头的分发垄断权。未来，决定一个AI应用生死存亡的，不再是它能不能挤进巨头的应用商店，而是它的响应速度、专业深度和情感共鸣能力。

![73.png](https://static.downly.cn/images/23ed79cb2d8be2489430abf02fd628e7.png) <center>图源备注 图片由AI生成</center>

颠覆饭碗　被吞噬的SaaS软件行业
这场变革的涟漪将深远地影响现有的商业模式。首当其冲的将是传统的轻量级SaaS软件。当CRM（客户关系管理）、日程排班、基础客服甚至轻量级项目管理都可以通过第三方AI助手在WhatsApp内部完美闭环时，大量UI繁琐、需要单独下载注册的B端软件将被毫不留情地淘汰。用户与AI的连接路径被缩短到了极致，在这个效率为王的时代，任何多余的操作步骤都将成为产品死亡的直接原因。

欧盟强制Meta免费开放WhatsApp接口重塑AI助手分发格局



> 随着Codex开发者突破百万大关，OpenAI正式上线插件服务，支持将核心代码技能与上下文协议一键打包。这一举措标志着AI编程工具正从单点提效迈向企业级规模化协同新阶段。

## 技能打包与配置同步重塑开发流

人工智能辅助编程的形态正在发生深刻演变。Codex插件本质上是一套可安装的工作流集合，其核心价值在于消除了团队协作中的环境壁垒。

一键配置功能允许开发者将个性化的技能包、外部应用集成以及模型上下文协议服务器配置进行统合打包。在此之前，开发者在不同设备或团队间切换时，往往需要耗费大量时间重新部署环境。如今借助快速同步特性，团队成员仅需安装对应插件，即可瞬间对齐开发环境，彻底免去了繁琐的手动调优过程，让算力与灵感无缝衔接。

![12.png](https://static.downly.cn/images/046339e595fd43def2ab9ada40b114dd.png) <center>图源备注：图片由AI生成</center>

## 组织共享与生态扩张加速

为规范开发者生态，平台明确区分了私人定制与组织共享的工具边界。技能包侧重于单一代码库的迭代，属于无法公开流转的私有资产；而插件专为团队协作设计，支持在企业内部或应用市场广泛分发。

目前Codex插件市场已初具规模，成功接入Slack、Figma、Notion等主流生产力工具。自最新版本发布以来，平台整体使用量实现翻倍增长。庞大的百万级用户基数正倒逼开发工具向标准化演进，当个性化技能可以被封装和流通，AI编程不仅提升了独立开发者的效率，更重构了现代软件工程的协作底座。

OpenAI重磅推出Codex插件生态 开启AI辅助编程标准化时代



> **导语**
> OpenAI 正式推出 Frontier 平台，标志着 AI 发展重心从对话模型向“智能体孵化”转移。该平台旨在帮助企业规模化部署能执行复杂任务的 AI 员工，并致力于成为兼容多方模型的行业底层操作系统。

## 智能体孵化器与新协作形态

如果说 GPT 系列完成了“像人一样说话”的使命，本周四发布的 **Frontier** 平台则致力于解决“像人一样干活”的问题。Frontier 被定义为企业级 AI 智能体（Agents）的孵化器与管理中枢。

该平台的核心价值在于打破了单纯的问答交互。企业构建的智能体将具备执行力，能够整合内部离散的数据孤岛，处理从文档归档到底层代码运行等高复杂度任务。OpenAI 应用业务负责人菲吉·西莫（Fidji Simo）指出，未来的工作流将转变为“人类决策，集群智能体执行”的全新模式。

![Google_AI_Studio_2026-02-06T02_34_48.446Z.png](https://static.downly.cn/images/6e08049a83e05591ce0025c0b520175c.png) <center>图源备注：图片由AI生成</center>

## 软件生态的底座而非杀手

在 OpenAI 和 Anthropic 密集发布新品的背景下，传统软件股近期遭遇市场恐慌性抛售。然而，Frontier 的战略定位并非取代现有的 SaaS 工具，而是试图成为它们的“新底座”。

西莫明确表示，Frontier 具有极高的兼容性，不仅支持 OpenAI 自研模型，还开放支持微软或 Anthropic 开发的智能体。目前，Uber 等巨头已率先接入测试。对于 Salesforce 或 Slack 等软件厂商而言，Frontier 提供了一个更易于部署 AI 插件的基础设施，这在一定程度上缓解了市场对于“AI 吞噬软件”的焦虑。

![Google_AI_Studio_2026-02-06T02_34_51.418Z.png](https://static.downly.cn/images/09eef3463d7ee8b8dff12dff81ed1f03.png) <center>图源备注：图片由AI生成</center>

随着 OpenAI 计划于今年第四季度推进上市进程，Frontier 的发布无疑为其商业故事增添了最具分量的“企业级自动化”篇章。

OpenAI发布Frontier平台 开启企业级智能体自动化新纪元

<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



> Salesforce 推出基于 Anthropic Claude 模型的全新 Slack 机器人，彻底打通 Google Drive、Salesforce 等多平台数据。这款深度集成的 AI 助手在严格遵循企业安全协议的前提下，将协同办公从简单的指令执行推向了全域信息整合的新高度。

## 跨越平台的智能中枢

协同办公巨头 Salesforce 此次发布的更新，旨在解决企业内部长期存在的“数据孤岛”问题。这款直接运行于 Slack 平台的 AI 机器人，不再局限于聊天记录的检索，而是将触角延伸到了企业生态的各个角落。

通过深度集成，AI 助手能够访问并理解 Salesforce、Google Drive、Box 以及 Atlassian Confluence 等多个平台的数据。利用这些多维度的上下文信息，它能够协助用户准备会议资料、创建内容概要，甚至精准回答跨部门的复杂业务问题。对于员工而言，这意味着无需在多个网页和应用间切换查找文件，所有的信息流都在 Slack 一个对话框内汇聚。

![Google_AI_Studio_2026-01-14T03_35_47.997Z.png](https://static.downly.cn/images/45bb26cb1f1c71cf93c2ce4ae9dc55af.png) <center>图源备注：图片由AI生成</center>

## 安全与灵活并重的企业级策略

尽管目前优先采用了 Anthropic 的 Claude 模型，Slack 联合创始人 Parker Harris 强调了技术路线的灵活性，表示仍在测试多种技术方案。这种策略保证了企业在大模型快速迭代的浪潮中，始终能接入最前沿的技术能力。

更为关键的是安全性。这款新助手严格遵循企业现有的访问权限协议（ACL）。AI 不会越权读取员工无权访问的敏感文档，确保了在提升效率的同时，数据合规性不受侵犯。该功能目前已面向 Business+ 和 Enterprise+ 客户开放，并计划在 2 月份全面推广。未来，随着 Agentforce 等更高级 AI 代理的整合，Slack 有望从单一的沟通工具进化为驱动复杂工作流的智能终端。

Salesforce 深度集成 Claude 模型 Slack 机器人打破企业数据孤岛

<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





> 导语
> 今日科技圈迎来多项重磅动态，硬件与模型领域皆有突破。英伟达不仅获批向中国特定客户出口高端H200芯片，其4B参数小模型更在评测中以极低成本战胜强劲对手。与此同时，OpenAI数据证实AI显著提升办公效率，智谱AI开源强力多模态模型并推行免费商用策略，Anthropic与谷歌则分别在编程自动化与电商购物体验上迈出新的一步。

## 英伟达H200芯片获批对华出口 美方将抽取25%分成

美国商务部已正式批准英伟达向中国特定客户出口H200 AI芯片。这标志着继数月前的限制后，高端GPU产品重新回归中国市场。根据最新政策，美国政府将从中收取25%的分成。此次出口许可的决定由特朗普及相关部门宣布，英伟达方面对此表示欢迎，这意味着中美在高端算力硬件的贸易上开启了新的窗口。

![image.png](https://static.downly.cn/images/ac9f3e0011c88e555eb69d2a0f8e00bd.png)
<center>图源备注：图片由AI生成</center>

## 仅需20美分 英伟达4B小模型性能反超GPT-5 Pro

在最新的ARC-AGI2评测中，英伟达推出的小模型NVARC不仅上演了“以小博大”的好戏，更在成本控制上震惊业界。该模型仅有4B参数，却以27.64%的成绩超越了GPT-5 Pro。更为惊人的是其单任务成本仅需20美分，而对手高达7美元。NVARC的成功得益于其独特的零预训练深度学习方法，证明了不依赖大规模通用数据集也能实现卓越的推理能力。

![image.png](https://static.downly.cn/images/27d33ecb8b6eddc4638b8c1d9c00dff3.png)
<center>图源备注：图片由AI生成</center>

## OpenAI内部实测 AI工具每天为员工抢回1小时

OpenAI近期公布的一项涉及9000人的内部调查结果显示，AI工具在职场中的提效作用已不容置疑。数据显示，员工平均每天能节省40至60分钟的工作时间，其中数据科学、工程、传播及会计团队受益最为明显。75%的受访员工表示，AI不仅提升了工作速度，还改善了产出质量。目前，企业付费席位已突破700万，尽管外界仍存疑虑，但数据实实在在地展示了AI的积极潜力。

![image.png](https://static.downly.cn/images/98db393836f1cbdca281181e6e57050c.png)
<center>图源备注：图片由AI生成</center>

## 智谱开源GLM-4.6V系列 9B轻量版宣布免费商用

智谱AI正式发布并开源了其最新的多模态大模型GLM-4.6V系列。此次发布涵盖了106B参数的基础版和9B参数的轻量版。新系列将上下文窗口扩展至128k tokens，视觉理解能力达到行业最优水平，并原生支持Function Call功能。为了进一步降低开发者门槛，智谱下调了API价格，并宣布轻量版模型完全免费商用，目前已集成至GLM Coding Plan中。

![image.png](https://static.downly.cn/images/71d4922206ed995ccd49489fad537955.png)
<center>图源备注：图片由AI生成</center>

## Anthropic发布Claude Code 开发者在Slack即可完成全流程编码

Anthropic在Slack平台上推出了Claude Code的研究预览版，将编程辅助工具提升到了新的高度。开发者现在可以直接在对话框中委派完整的编码任务。该功能不再局限于提供简单的代码建议，而是进化为全自动化流程，覆盖了从需求理解、代码生成到同步及提交PR的各个环节，实现了从辅助建议向自动化执行的质变。

![image.png](https://static.downly.cn/images/efecde099d1927b1aa755df80fb85d8c.png)
<center>图源备注：图片由AI生成</center>

## 谷歌Doppl上线AI购物流 浏览穿搭视频可直接下单

谷歌在其实验性应用Doppl中推出了全新的可购物发现信息流，进一步押注虚拟试衣与电商的结合。用户在浏览由AI生成的时尚穿搭视频时，如果看中某款商品，可以直接进行购买。这一功能将内容消费与电商交易无缝连接，推动了虚拟试穿技术在商业化落地上的进程，为用户提供了“所见即所得”的购物体验。

![image.png](https://static.downly.cn/images/c45710d40504867d994c1332c9722465.png)
<center>图源备注：图片由AI生成</center>

每日AI资讯1209：英伟达H200重返中国市场 4B小模型逆袭GPT-5 Pro

Claude Code

### 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: Slack