ai编程hooks怎么用

哈喽，大家好，今天教大家怎么在 cloud code 中使用 hux。 用好 hux 能够减少大量的不必要反攻，让你的开发效率提升至少一倍。首先我们解释一下 hux 是 什么， 它其实是你设置的一个自动检查员，它会帮你监控 cloud code， 确保 cloud code 能够自动的严格执行你设置的所有命令。这样解释可能还是有点抽象，接下来用几个案例告诉你 hux 能做一些什么。 第一个，拦截一些危险操作。这也是我经常用的一个 hux， 比如我项目中的一些核心文件，我不希望 curl code 直接去改动或删除，那我就会设置一个 hux， 当它识别到 curl code 要做这样的危险操作的时候，它会及时跳出来喊停。 第二个，自动存档。我们经常需要把本次的迭代改动提交到 github， 但提交的时候 cloud code 大 多数时候不会自动留档，或者不会自动记录本次迭代的改动点。其实我们上一个视频也聊到了，我们可以在 cloud 点 md 这样的一个项目说明书里 向他提这个要求，让他每一次提交之前都自动留档记录一下本次迭代的改动点。但是 curl code 并不会每次都严格按照 curl 的 点 md 这样的项目说明书去执行，他有时候会漏掉项目说明书里面的要求。 我们如果使用 hux 的 话，就能够更稳定地确保每一次提交代码的时候都可以去留档，去记录本次迭代的改动点。 第三个，代码审查。这也是我们经常会用到的一个场景，比如我们某个模块或者是模功能，它去做了一个大的改版 coco， 其实它说它自己改完了，但是很多时候它可能会战术性的偷懒， 所以我们 hux 可以 去执行这样的一个 review， 呃，好好地去检查它本次改动的代码，去确保它确实是改完了所有的模块，而不是偷懒。 最后一个就是自动测试，我们很多的模块是可以单独进行测试的，某些模块它可能高频改动了很多次 ui， 或者是后端逻辑，一些小的改动其实可以直接跑 hux， 让它完成一个自动化测试的。接下来我们看一下 hux 长什么样。 在我们的学习文档中给出了一个视力，我们可以从视力中看到 hux 包含两个部分的内容， match 和 hux match 其实代表了触发事件，比如 cloud code 执行的一个 edit write 就是 编辑或写入了操作。第二个就是这个 hook 对 应的行为是什么行为里面其实包含两个字段，第一个是类型，第二个是执行的事件。 我们看一下总共有三种类型。第一种类型叫 come on， 就是 命令，它适用的情况是一些比较简单的规则，它不需要额外判断，通常来说就是一句命令的一个行为，比如说碰到点 e n b 后缀的文件，你就拦住， 这就不需要判断，不需要进行任何的语义判断，也不需要进行任何的复杂操作。第二个是 prom 类型的，它适用的情况就是我们需要去做一些简单判断，比如这里给出了一个例子，就是 扫描 call call 的 工作过程中的对话历史，去看一下它是不是把我要求的所有功能都完成了，这个时候它只需要 review 对 话，它不需要去执行其他的额外操作，所以它是可以用 prom 直接去完成。 第三个是 agent， 它相对来说比 prom 就 会更复杂一点，它不只涉及简单的判断，还会涉及到多步的判断或者是行为。比如让他去执行一个自动化测试的事件， 让他继续要去测试这个 ui 是 否像实现的代码或用户描述的需求一样，以及让他去测试所有的点击事件是否正常，所以这种情况下就需要一个 agent 类型的 hook 去完成本次的行为事件。最后跟大家说一下我们怎么创建和管理 hooks。 首先创建 hux 非常简单，就是让 curl code 帮你创建就可以了。我们打开一个正在开发中的项目，然后给 curl code 提个要求，让他帮我创建一个 hook。 每次 u i 重构都进行一次自动化测试，并且仅在当前项目生效。其实我们可以选择全区生效，全区生效的话他就会放到本地的代码下面，然后我们点击发送，他就开始帮我们去写这个 hux。 ok， 我 们可以看到 houx 已经创建完成了，整个过程大概花了一分钟左右的时间，下一次启动这个绘画， houx 就 会自动生效。 为了测试一下这个 houx 是 否正常工作，我在这个项目里面提了个要求，我跟他说目前的 ui 太没有想象力了，重构一下， 所以他就列了整个重构计划，并且完成了重构。但是在整个过程中我没有看到 houx 的 检测和报错的痕迹， 所以为了确保能正常工作，我在他提交完代码之后，还问了另外一个问题，本次是否确认使用 hux 去检查 ui？ 然后从他的 thinking 里面我看到他确实是使用了我们刚写的这个 ui review 的 hux 去检查 ui， 但是确实所有的代码都通过了，没有任何的错误，这样我们就可以确保这个 hux 是 能正常工作的。实际上大家在测试的时候也可以去 故意让 curl code 去写一些容易发现的错误，或者是一些其他的 bug 埋进去，然后去确保这个 hooks 它是能够正常工作的，并且检测出错误。最后我们看一下怎么在 curl code 里管理已经存在的 hooks。 我 们只需要在输入框里面输入杠 hooks， 然后点击弹出来的选项，再点击 continue terminal， 就是 在终端里面进行管理，然后我们打开一个终端界面， ok， 我 们就可以看到已经存在的所有 hooks 就 在这里，我们可以在这里对 hooks 进行删除，编辑或者是禁用全部 hooks 的 操作。 好，我们今天的课程就到这里了，从下一期视频开始，我们会跟大家逐步介绍 cloud code 的 一些进阶玩法，包括 sub agent， m c p， cloud skills agent， team 等等。 如果你有其他想要了解的关于 cloud code 的 问题或技巧，欢迎在评论区留言。如果你想获得本次课程的全部资料，可以在评论区留下。求资料，我们下期视频继续。

最近为大家做了多期 openclaw 相关的视频，而且昨天我还发了一期 openclaw 的 高级用法的视频。但最近我发现几乎每期视频的评论区都会有留言提到 openclaw 调用 cloud code 会非常消耗 token。 因为在之前的视频中，我有为大家演示过，用 openclaw 来调用 cloud code 进行编程开发，我们只需要为 openclaw 全程操作 cloud code， 为我们实现编程开发。 但是我们如果采用传统的方式，也就是常规的方式让 open cloud 直接调用 cloud code 的 话，那么 open cloud 每隔几秒就会轮循一次，检查一下 cloud code 的 状态以及 cloud code 的 输出。使用这种传统方式的话， open cloud 必须时刻盯着 cloud code， 所以 openclaw 就 会消耗非常多的 token。 所以 我发现在评论区大家抱怨 openclaw 调用 cloud code 会消耗更多的 token。 因为大家采用的是这种常规的传统方式， 所以 openclaw 要采用不断轮询的方式来查询 cloud code 的 状态，也就是 cloud code， 它执行的任务越久，在 openclaw 中它轮询的次数就越多，所消耗的 token 也越多。 所以我们可以完全不需要用这种传统的方式直接让 opencloud 来调用 cloud code。 因为无论是 opencloud 还是 cloud code， 它们都非常非常的灵活，所以越灵活就越强大，就越有利于我们去自定义一些功能，从而轻松解决用 opencloud 调用 cloud code 的 时候， 产生大量的 token 消耗。尤其是 cloud code 在 前几天新增了 agent teams 这个新特性，因为 agent teams 相当于在 cloud code 中随时可以创建一个完整的开发团队， 而且每个 agent 呢都是独立的进程，所以是真正的并行执行，而且每个 agent 之间还可以相互通信，还能共享任务列表，能自动认领，还能实现专职角色分工，比如说负责开发前端的 agent， 负责开发后端的 agent， 还有负责测试的 agent。 所以在 cloud code 中有了 agent teams 这个最强大的新特性，在 open cloud 中就可以更加轻松地向 cloud code 委派任务，让 cloud code 全自动完成整个开发工作流。 想让 open cloud 以更节省 token 的 方式来调用 cloud code， 其实非常简单，我们只需要用到 cloud code hux 功能， 在 open cloud 中可以结合 cloud code 的 hooks 功能，真正实现调用 cloud code 进行自主开发，并且能够实现真正的零轮询，而且还能非常节省 token。 当开发任务完成之后， 我们还能在聊天软件的群组中自动接收到任务完成的通知，包括实现的是什么任务， 项目存储的路径，还有耗时，还有 cloud code 的 agent teams 是 否已经起用，还有具体完成的功能，还有项目的文件结构等内容。下面我们就看一下我是如何通过 cloud code 的 hux 来实现了整个流程。 下面我们先通过这个流程图，让大家更直观的感受一下在 cloud code 中通过 hux 回调来实现的整个步骤是怎样的。 首先是由 opencloak 将我们要开发的任务委派给 cloud code， 像这个委派只执行一次，而且它是后台运行，不会阻设 opencloak 的 对话窗口和它的主 agent。 当 cloud code 接到任务之后，它就会进行自主开发还有测试，当任务完成之后，它就会触发 stop 事件。 第三步就是 cloud code 中 hooks 自动触发，它会先将执行结果写入到这个文件中，然后再发送 wake event 来唤醒。 open cloud 在 这里采用了 stop event 以及 session end event 实现双重保障，来保障在聊天软件中，我们能够真正收到它的任务完成的通知， 然后 opencll 就 会读取这个文件中的这些结果和状态，当它读取完这些结果和状态之后，它就会回复给我们，也就是通过我们的聊天软件来回复给我们这些状态。 像这个流程的话， opencll 只在给 cloud code 派发任务的时候调用一次 cloud code， 然后这中间的流程不需要 opencll 参与。在最后这里， opencll 再读取一下这个执行的结果，并且将执行结果发送给用户。 所以在第一步， opencloud 只是给 cloudcode 下发一个任务，它下发任务的过程所消耗的 token 几乎可以忽略不计。在最后这里，它只是读取一下结果，将处理结果发送给用户，而且这个结果里的内容非常少，甚至不超过一千字， 所以在最后一个步骤，它所消耗的 token 也几乎可以忽略不计。在 cloudcode 的 自主完成这个任务的过程中， opencloud 不 需要对 cloudcode 进行轮询。 好，下面为大家讲解一下我是如何实现的。在 cloud code 中通过 stop hook 来达到任务完成自动回调的效果。在刚才也提到了我们使用了 stop hook， 还用到了 cloud code 的 session end。 下面我们简单看一下为什么要用到这两个 hooks。 在 cloud code 中一共有十四个 hooks， 之所以我们选择这两个， 是因为我们构建的这个工作流，在 cloud code 中，它完成开发之后才会触发这个 hooks， 所以 使用 stop hook 作为主回调，就可以保证 cloud code 的 真正完成开发时才会触发。在这里我们还用到了 session and 作为兜底回调， 也就是假设 stop hook 它没有触发成功，还有这个 session and 它能够作为兜底。像这样的话，我们就能够真正保证 open cloud 向 cloudcode 发送一条开发任务，然后 cloudcode 独立运行。在 cloudcode 独立运行的这个过程中，它并不会消耗 opencloud 的 上下文。当 cloudcode 完成开发后才会触发 hux， 然后我们的聊天软件就会收到通知， 下面我们就可以看一下具体的代码。在这个代码中，我们先看一下这一个脚本，它的作用就是将要开发的任务来写入到这一个文件中，然后再通过这个脚本来启动 cloud code。 当 cloud code 完成开发后，这个 stop hook 就 会自动触发，然后就会调用这一个脚本，我们可以点开看一下， 这一个脚本就会将任务发送给 openclaw， 所以 这个自动回调流程，它会读取这两个文件里的内容，并且写入到这一个文件，然后 openclaw 就 会将这些信息推送到我们的聊天软件，这样的话我们就能够实现 在 open cloud 中向 cloud code 下达开发任务，然后由 cloud code 自主完成开发。当完成开发之后再触发这两个 hux， 最后我们的聊天软件就会收到推送通知。好，下面我们可以先用一个简单的开发案例来测试一下。在主 a 选项这里，我们直接在对话框中输入我们的任务， 我是为了是用 cloud code 的 a g and team 协助模式构建一个基于物理引擎还有 h t m l c s s 的 带材质系统的落沙模拟游戏，然后我们直接发送，看一下这个效果， 这里很快输出提示，它已经将这个任务派发给 cloud code 的 agent teams。 这个开发模式就是调用 cloud code 的 agent teams 多智能体写作，这里还给出了这个工作路径，然后这里它提到完成后会自动通知到群里， 像这样的话，这个主 agent 的 线称并没有被阻塞，它还可以继续为我们执行其他的任务。比如说我们在这个主 agent 中继续输入任务，比 比如说让他查询新加坡今天的天气，然后我们直接点击发送，看一下最终的效果。像我们如果采取传统的方式在 open cloud 中来调用 cloud code， 在 主 agent 中必须等到 cloud code 真正完成开发之后，这个主 agent 呢才会继续执行我们的其他任务。 像我们采取了现在这种方式，这个主 agent 的 进程并没有被阻塞，所以我们让他查询新加坡的天气，然后这里他就很快查询了一个天气，然后我们还可以继续输入其他人物，比如说讲个笑话，然后这里他就很快输出了一个笑话。而 cloud code 在 后台完全是自主运行，不需要我们去干预， 然后我们只需要等待 cloud code 完成之后，将完成后的消息推送到这一个群组里就可以了。之所以设置为将完成后的消息单独推送到一个群组，是因为我们在这个 agent 中可能还在进行其他任务的操作， 比如说让他讲个笑话，他在讲笑话的时候突然多出来一条任务完成提示，这样会导致这个上下文窗口比较混乱，所以我们就将他完成后的这个消息推送单独推送到一个群组里，这样的话就不会占用这个主 a 智能的这个聊天窗口。在这个群组里我们就看到了这个消息推送，我们点开群组 查看一下，在这里我们就看到了这个任务推送，这里提示 cloud 的 任务完成。这里是开发的这个游戏，然后这里是游戏的路径， 在 cloud 的 code 中使用的就是 agent teams， 这里就是给出的项目文件，然后这里它还推送了第二条消息，这里还给出了完成时间大概六分钟，然后这里还包含一百八十四个测试通过， 然后这里就是给出的交付，然后这里还给出了这些性能，下面我们可以输入提示词，让他将代码文件打包发给我，这样的话我们就可以在本地打开进行测试，因为我的 open cloud 是 运行在云端的 好，这里他将为我们开发的这个项目文件发送给了我们，这里还提示解压后在浏览器中就可以打开使用，然后我们直接点开，然后我们在浏览器中打开看一下这个效果，就是他开发的这个落沙游戏，我们可以先测试一下，我们选择这个沙子 好，这样点击之后这个沙子就落在了底下，然后我们再点击这个水 好，可以看到水落在了沙子上，然后我们再给它加一把火，可以看到这个火会往天上飘，再给它加一些木头， 然后再给它加一些蒸汽，可以看到这个蒸汽飘到木头上会变成雨。像这样的话，我们就真正实现了在 open cloud 中调用 cloud code 进行开发。大家就不用担心在 open cloud 中调用 cloud code 非常浪费。 token， opencloud 所消耗的 token 几乎可以忽略不计，哪怕我们不在电脑前，也可以通过手机向 opencloud 下达开发指令。当完成开发之后，我们就可以在群组中查看推送的这些消息。

把 openclip 安装到 windows 上其实并不难，首先我们登录这个网站，选择这个版本，下载安装包，并安装在桌面下方搜索框，输入 power shell， 复制这个指令，点击鼠标右键粘贴到 power shell 里，并按回车键运行。安装完后再复制这个指令，点击鼠标右键粘贴到 power shell 里，进行初步配置。我们先配置模型， 大家应该听说养龙虾很费钱吧，我们使用智普的 g l m 四点七 flash 免费养虾。选择 cn 浏览器，登录这个网站，点击右上角的 a p i key， 接着创建 api key 并复制 api key， 回到 power shell， 右键粘贴并按回车键进行确认，然后设置默认模型。我们选择四点七 flash 消息渠道搜索技能，先跳过后面，再配置 hux， 把后面几项都打开，键盘上下键移动，点击空格选中，再按回车键确定。 新建一个窗口，复制这个指令，右键粘贴回车确认。打开网关，再新建一个窗口，复制这个指令，右键粘贴回车确认。打开聊天页面对话框，输入这个可以查看状态，现在就可以通过对话框正常使用。后续我再带你配置消息渠道搜索技能，让你的龙虾更强更好。

今天开会的时候呢，我发现都二零二六了，还有很多开发者、产品经理都搞不清楚什么是 agent， mcp， skill， hooks， plugins。 今天这条视频呢，我用一套最简单的方式给你全部讲清楚。首先是 agent 和 sub agent， agent 就是 项目经理，他负责大局，知道你要干什么。而 sub agent 呢，他是被派活的小弟，一次只干一件事情。 比如说 a 准要写一个文档，他可以先派一个小弟先去做策划，再派一个小弟呢去写文档，最后再派一个小弟帮他审核文档。 为什么要分呢？因为 ai 也会有脑误，一个 a 准如果负责的任务太多呢，它就会乱。所以呢，你要派活给多个小弟，可以更快更稳，还可以控制好权限。然后第二层的话呢，就是 m c， p， l， c， l i， 它们俩本质是给 a 准能够接触外部的系统， 比如说 app， 网页等等，它们能够让 a 人直接拥有操作 app 的 能力，否则 a 人就只能和你闲聊。其中 mcp 呢，它是一种标准协议，类似于 usb 协议。 而 coi 呢，它是命令行，它们俩都可以去对接外部的 api。 它俩的优劣呢，我在之前的视频有讲解过。 第三层就是 skills， skills 就是 s o p， 就是 说明书，就是操作文档。它的出现不是说你的 agent 不 会写文档，而是说能够按照你的语言表达习惯来写文档，比如说按照金字塔原则，先说结论，再展开分析。 第四层就是 command， 就是 快捷键，你可以简单敲一个快捷指令，比如说审核，它就可以帮你调起你想用的 skills 对 应的 agent， 还有 sub agent， 小 弟一整套链路一起帮你干活，它就是 agent 时代的快捷键。第五层就是 hook， 自动触发， 你可以为他配置对应的任务。比如说 agent 干完一天的活，触发一个名为一天的 hook， 你 可以给他配置对应的任务，就是自动写日报。当 agent 干了一周的活呢，触发了一个名为一周的 hook， 配应对应的任务就是写一个周报，这就是可以通过 hook 来自动触发的。 第六层就是 plug in， 这是最高级别的分装，它里面已经打包好了 agent， sub agent， mcp， skill， hook 等等一整套，让你开箱即食。因为 plug in 里面已经打包好了， agent skill， hook 什么都打包好了，所以使用者直接 跟 agent 对 话，就可以享受一整套打包好了的服务。总结来说呢， agent 是 老板， sub agent 是 干活的小弟， command 是 快捷指令，快捷键， skill 是 做事情的， s， o， p， m， c， p 和 co i 呢，是对接外部的系统。 hook 是 自动触发，而 plug in 是 打包好的服务。 ai 这一块呢，其实名词特别多，但本质上都在讲一个事情，就是怎么样让 ai 更像一个人，更像一个团队。你还有哪些没有搞清楚？评论区留言，我们下条视频见。

哈喽，大家好，我们现在来教大家去如何去安装和使用酷呆斯增强版。我们首先 拿到这个 get up 的 地址，我们会在评论区放出来，我们首先访问这个 get up 的 仓库，先进来首先点一个 star， 然后我们再看 安装方法。 mark linux wsl 的 话可以直接使用这一行命令，我们复制它，直接在终端粘贴就可以安装了。 windows 的 也是一样的，复制这一行命令，然后在你的终端 粘贴，然后就可以继续安装了。我们打开我们的终端，然后粘贴刚才的命令，我们直接回车等待它的安装。 安装话跟你的网速有关系，如果你的网速不够快的话，可能需要等一会， 不快，它安装好了，它默认的话会把你二进字文件安装在你的 logo 并目落下的。我们可以检查一下使用命令，我们检查一下它安装好了是不是 ok， 确定安装好之后，我们可以查看一下它的最新版本， 最新版本的话是一点二点零，默认的脚本安装就会安装最新版本到你的本地。 然后我们查看一下当前酷带 s 增强版具体有哪些新增的功能，比如 agent， teams， hux， 繁琐拎拎， ip agent 以及 webui。 我们可以先看一下路由 server 是 怎么实现的，可以看到路由 server 是 使用 httpss 去进行实现的，这样最大的优势呢就是， 呃，你启动多个 c 型只会占用一个进程，这样的话你的进程消耗就会非常少。我们直接使用路由 server 将微博 ui 启动起来。 cordless server 会随机启动一个端口和随机的托克密钥，你拿到这个端口和密钥呢？可以在本地启动一个内网穿透，这样你在外面就可以通过手机访问微博 ui 去进行远程的微博扩顶。 我们可以直接切换到移动界面去进行测试，先随机选择一个目录 发送嗨来进行测试。 ok， 我 们开始测试下一个功能，我们回到仓库地址，我们看一下 agent team 和 hux 以及奥斯突击 api agent， 我 们首先演示一下 agent team， 使 我们来到这个仓库，我们通过 code s 启动。然后怎么使用呢？首先第一步你需要在配置文件里面去启动多媒体的配置，我们 可以看一下在这个配置文件 copy 里面去将这个配置多媒体给它启动， 我们就可以开始那个尝试这个功能了。比如说我们 use agent teams 这样子告诉模型，告诉模型，比如说告诉了五点二， 我们需要需要启动 a 键的 team 来去做接下来的工作。比如说我们分析当前项目，就代表了我们使用 a 键的 team 来分析当前项目， ai 会分析任务难度来判断具体创建多少个 a 帧。 ok， 我 们看到它根据呃项目复杂度启动了五个 a 帧，五个分析帧 这个中括号括起来的这个就是我们的具体的一个执行 aint， 比如说是其中的五个分析的 aint， 然后来去并行的执行分析当前项目，它对于仓库结构 rooster 的 库的代码，然后 build c i 以及文档以及安全 sandbox， 然后去单独的 每一个单独的去进行分析。啊，这五个的话就是在并行的那五个都是同时创建，然后在并行的这里就会有一个等待所有的 a 帧，我们现在可以等他返回。 ok， 全部 a 帧已经返回了，五个 a 帧都已经执行完成，然后返回了他的一个结果，分析结果， 然后五个 a 帧的全部返回成功之后呢？慢 a 帧就会去收集五个 a 帧返回的内容，做一个汇总，然后再去判断当前的分析是否完成了，然后模型会自己去判断 是否还会需要继续的去进行分析，如果不需要的话，他就会直接返回结果，如果需要的，他还会去再次的创建 a 帧去进行分析。 ok， agent teams 全部结束，返回了最终的结果，这就是整个 agent teams 的 一个调用过程。

今天给大家介绍一个方法，就是让 openclaw 当一个调度员，去指挥多个 ai 编程工具，帮你完成编程任务。 那为什么这么做呢？我今天遇到一个问题，就是我让我的研发的 agent 去帮我写代码的时候，发现他很长时间没有回复我，我看代码也没有提交，我就问他，我说你根本就没有提交代码，是任务超时了吗？你把原因告诉我。 最后他给我的回复确实是超时了，因为 openclock 他的机制，如果说一个任务时间过长的话，他有可能被杀掉，所以任务就 终止了，而且他甚至他都不会主动告诉你。那怎么去解决呢？现在有一种办法，就是用一个叫 t m u x 的工具来解决，这是个什么东西呢？你就可以理解，它就是一个不会被关掉的，在后台运行的这么一个程序窗口， 那在这个窗口当中你去调用 cloud code 或者 codex， 就是 这个逻辑。那让 chat gpt 给大家解释一下，就这么一个结构，我们 让 openclaw 去调度在 t m u x 当中的各个编程工具， cloud code x， gemini 都可以，说白了你就把它当一个人去用，它打开了多个命令行工具去写代码，就这么一个道理。 那这有个什么好处呢？第一， openclaw 的 这个上下文你就可以随时跟他交流了，因为他只是一个调度员，他不是原来那个写代码的人。 像之前如果他又要写代码，又要跟你回复，他要停下他代码的工作才能回复你，或者他在写代码的时候，他就没有办法回复你，因为他的绘画是一直在持续的。那怎么去用？也很简单，就直接告诉他让去安装 t m u x， 并且安装这些命令行工具，然后让他把授权的链接发给你，你在本地授权之后把 code 给他就可以了。 那你也可以让他定时的去检查这些命令行工作的进度，汇报给你，并且最后让他去审一下修改的代码，如果他们有任何的讨论， 让他们自己处理，处理完讨论一致之后把结果汇报给你。所以这是用 t m u x 去解决 这种长时间的编程任务的一种办法。那给大家看一下，目前我有个任务还在进行当中，那在这里你就可以看到他在改哪些代码，他都会告诉你。好，大家可以去试试。

嘿，大家好，你是不是也感觉自己每天好像不是在用 ai 写代码，而是在跟他打架，一会儿要重复指令，一会儿又要修正他的低级错误？今天啊，咱们就来好好聊聊开发者 admi 的 经验，教你几个特别核心的技巧，让你跟 ai 的 关系从这种对抗彻底变成高效的协助目标码，就是让你的编程效率直接翻倍。 咱们说实话啊，你有没有算过，你每天花在跟 ai 解释项目背景，一遍遍重复那些相同指令上的时间，是不是比他真正帮你省下来的时间还要多？这种感觉真的就像一场战斗，不仅拖慢了你的进度，还搞得人心交瘁。 如果你听了深有同感，那太好了，接下来的内容就是专门为你准备的。好，那咱们就从第一集开始，想让他成为你的伙伴儿，第一步就得让他真正的懂你。 这一集的核心就一个词儿，个性化。咱们要通过一些设置，让 ai 助手记住你的编码风格，你的项目技术栈，还有你那些常用的指令，最后达到的效果，就像一位跟你搭档了好几年的老同事一样，一个眼神儿他就懂了。 第一个要说的核心功能就是记忆，你知道最大的痛点是什么吗？就是每次开一个新的对话，都得把项目的技术栈了，代码规范了，这些东西像复读机一样。再说一遍，现在不用了，你只需要按一下 off 键，就能把这些常用的指令直接存进 ai 的 长期记忆里。 你甚至还可以设置这些记忆，是指在当前项目里声小还是局通用？所有的配置呢？都保存在一个叫 cloud md 的 文件里，管理起来一目了然，特别方便。 个性化的第二招叫自定义命令。你先想想啊，你每天是不是都在重复做一些事儿？比如说创建一个新的 a p i 接口，还得带着中间键和错误处理，或者运行一遍代码查，再手动去修复所有错误。现在你可以把这些需要好几步才能完成的操作，直接打包成一个自定义命令。 方法很简单，就在你的项目里建一个 command 文件夹，然后用 markdown 文件写下指令就行了，以后再用一键调用，这些繁琐的流程就全都自动化了。 哎，别急，自定义命令真正厉害的地方在这儿。参数化什么意思呢？就是说，你可以给你的命令设置参数，让同一个命令能适应各种不同的场景。 举个例子，你写一个创建 api 的 命令，可以把端点名称设置成一个参数。这样一来，你想创建杠 users 接口，或者杠 products 接口，甚至是任何你需要的接口，都用这一个命令就够了，代码的附庸性一下就上来了。 好了，现在你的 ai 助手已经基本了解你的个人习惯了，那我们就进入第二集，给他的大脑来一次抽屉充电。咱们都知道， ai 的 内置知识库总会过时，对吧？所以咱们得教他怎么连接到外部世界，去获取那些实时最新的信息。 这就要用到 m c p 了，它的全称是主控程序服务器，你就把它想象成一座桥梁。 ai 版声呢，就像一个封闭的图书馆，里面的知识都停留在过去某个时间点，而 m c p 服务器就是连接这个图书馆和外面现实世界的桥梁。有了它， ai 就 能实时地去查最新的 a p i 文档，能直接操作你的数据库，甚至还能控制你的浏览器来完成各种任务。 那具体有哪些好用的 m c p 呢？作者 m and 推荐了这么几个，比如说，你是不是早就厌倦了 ai， 老给你一些过时的代码？用 context seven， 它能直接去查最新的官方文档。 想让 ai 直接帮你操作数据库？没问题，用 superbase m c p 需要它帮你点点点，测试一下前端页面， chrome devtools， m c p 就 能做到。这些工具可以说极大地扩展了 ai 的 能力边界。 有了这么强大的工具，咱们工作流程也得跟着升级了。你看左边这个图，就是咱们传统的工作方式，串行的，写完前端再写 api， 再跑数据库，效率很低。但现在呢，我们可以利用一个叫子智能体的东西来实现并行处理。 你可以把一个大任务拆开，派一个子智能体去写前端，同时派另一个去写 api， 让他们一块开工。这样一来，开发时间自然就大大缩短了。 这里有个坑，大家千万得注意了，这是一个非常非常重要的提醒，你千万不要把此智能题当成一个真人团队。你不能跟他说你来扮演一个前端工程师，然后就指望他能创造性的把活干完了。不行的，现在的 ai 还做不到这个程度。 你应该给他分配一个非常具体的可以执行的任务，比如说分析这段代码，然后修复里面所有的类型错误，或者给这个函数生成一份详细的文档，你得记住，他是一个任务执行者，还不是一个创意合作者。 ok， 到目前为止，工具和流程咱们都聊完了，但说实话，要真正达到大师级别，最最关键的其实是你的思维模式，这才是真正决定你和 ai 能走多远的核心。在咱们深入聊心态之前，我先给你看个一键毕业的功能插件。 如果你觉得前面说的什么自定义命令啊、 m、 c、 p、 配置啊都太麻烦了。别担心，现在你可以直接用一行命令就把那些顶尖开发者打包好的完整工作流整个安装过来。这感觉就像是武侠小说里高手直接把他的内功传给你一样，让你瞬间就能上手，省去了大量的配置时间。 好了，我们来看第一个核心心态，特别简单的一句话叫垃圾进，垃圾出。这个道理其实很简单，但很多人就是会忘，如果你给 ai 的 指令本身就是模糊的、混乱的，甚至是冲然歧义的，那他能给你什么样的代码呢？必然也是一团糟，对吧？所以记住，你输出的质量完完全全取决于你输入的质量。 那怎么才能保证咱们的输入是清晰的呢？答案就是用计划模式。比如说，你脑子里只有一个大概的想法，怎么办呢？打开计划模式， 这时候 ai 不 会立刻闷头去写代码，它会反过来问你问题，帮你把需求理清楚。它可能会问，这个功能需不需要考虑一些边界情况、数据结构，你觉得用哪种比较好？通过这么一轮问答，你们俩在写下第一行代码之前已经就达成共识了，这样就能避免大量的后期返工。 第二个核心心态，我认为也是最重要的一点就是 ai 生成代码，但你才是代码的主人。 ai 可以 帮你写得飞快没错，但它绝对不会对代码的安全性、性能和最终的质量负责，这份责任永远都在你身上，在开发者自己身上。那怎么才能守好这最后一道关呢？来，给你一个特别好用的专业技巧， 在你准备把代码上生产环境之前，务必重新开启一个全新的对话，然后把所有 ai 最近修改过的文件一股脑儿全发给他，让他对这些代码儿进行一次审查。 这时候它是以一个独立的审查者的身份来检查代码里有没有潜在的 bug、 安全漏洞，或者风格不一致的地方。这就好比是你流程里的最后一个质检关卡，能确保你的高效率，不是以牺牲质量为代价换来的。所以你看，聊了这么多，咱们回到最初的那个问题， ai， 它究竟是你的得力助手，还是那个最终会取代你的敌人？ 通过今天的分析，我想答案已经很清晰了，这完完全全取决于你自己，是你被动地接受他给你的所有东西，还是主动地去掌握他，驾驭他，最终把它变成你自身能为的一种延伸。这个选择决定了你的未来。

今天这个视频教你无痛安装 cloud code， 在 国内的网络环境下，用上 cloud gpt 等国外的顶尖模型，有些人可能还不了解 cloud code 是 什么，先简单介绍一下。 cloud code 可以 说是现在最强的 ai 编程工具， 再加上最近爆火的 skill 加持，很多人也用它写作、学习、做数据分析、办公等等。 cloud code 可以 说是现在最火热的 ai 助手之一，网上有很多的安装教程， 但是实际上你去安装就会发现不是那么回事，网络限制、安装配置中出现的各种问题能把你搞得焦头烂额。我也是看了很多的教程，结合自身安装过程中遇到的一些坑， 整理了一份 cloud code 在 国内网络环境下的安装使用指南，这份指南能帮你省下几个小时的折腾时间。接下来我会将原理和操作方法用通俗的语言给大家讲明白。好了，我们开始。 首先在安装 cloud code 之前，我们需要做好前置准备。 windows 电脑需要先下载 git， mac 系统自带 git， 无需下载， 不去这个网站选择 windows 叉六十四 setup 这个版本下载。安装完成以后呢，在 powershell cmd 中输入 git vision， 如果能输出正确的版本号，就代表 git 安装成功了。接下来要安装的是 node js 跟 npm， 我 们去这个网站选择适配自己的安装包下载即可。安装完成以后呢，如果你是 mac 用户，在启动台搜索终端， windows 用户在开始菜单里找到 git bash。 为了讲解方便，后面我们统一把终端和 get bash 统称为命令行。接下来我们在命令行输入这两条指令，如果都能显示版本号，就代表 node js 和 npm 安装成功了， and code 安装的所有的前置条件就已经完成了。 接下来我会手把手教你安装和使用 cloud code。 具体从哪里下载呢？我们有两个选择，一个是 npm 的 官方源，一个是国内的镜像源，你可以把它们类比成一个软件仓库， cloud code 也发布在这个仓库里面。那所谓的镜像源呢，其实就是官方的软件仓库同步复制了一份，那因为默认的 npm 源在国外 我们访问不是很方便，所以我们选择国内的镜像员下载 cloud code。 接下来是实际的操作步骤。首先我们打开命令行，输入下面的命令回车执行，然后再输入这条指令， 如果显示我们刚刚配置的镜像员地址，就代表我们已经成功的切换到国内的镜像员了。接下来你只需要在命令行中输入这条指令，回车执行即可安装。那这里要注意一个常见的问题啊， 系统可能会提示权限不足，这个时候你就只需要重新执行这条命令，输入管理员的密码。这指令的意思呢，就是我要用管理员权限强制覆盖安装 cloud code 的 最新版本。当安装完成以后呢，你在命令行输入这条指令，如果输出版本号，就代表 cloud code 安装成功了。 第三步是给 cloud code 配置模型。我们首先要去模型供应商平台开通账户，获取 api key， api key 相当于你在模型平台开户的凭证， 可以自己去创建获取。另外呢，要有可用的 token 额度，你可以在平台充值或者购买套餐。对模型供应商呢，大家可以根据自己的需要去选择， 你像国内的智普 glm 五、 mini max 的 m 二点五都是不错的编程模型。如果你想用 cloud opera、 四点六、 gemini、 三点一 pro 等国外的顶尖模型啊，因为国内的网络环境问题，你可以通过一些合规的中转站去订阅。 接下来我们就要把 api k 请求地址给到 cloud code， 在 这里我们用到一个叫做 c c switch 的 工具，下面是具体的操作步骤。首先我们去这个地址下载 c c switch， mac os 系统下载这个版本， windows 系统下载这个版本安装完成以后呢，打开 c c switch， 选择第一个标签 cloud， 点击右上角的加号。 第二步呢，选择要接入的模型供应商，如果没有我们需要的供应商，可以选择自定义配置。这里有三个最重要的信息需要注意一下。首先是 api key 和请求地址， 这两个是我们必填的，也就是前面我们在模型供应商中获取的信息。请求地址呢，在 cc switch 中，根据选择的供应商已经预填好了，一般在模型供应商平台的 api 文档中也能看到 行信息是选填的，但是也建议你指定一个模型，因为有些供应商会支持多个模型，换人情况下，你不知道他选择哪一个模型。接入 cloud code， 这里要注意的是，填写的模型必须是供应商支持的模型，否则 cloud code 会无法识别。那其他的配置信息呢？保持默认即可。 配置完成以后呢，我们选择一个供应商起用，后面你也可以切换至其他供应商，这样 cloud code 就 能够接入不同的模型。 不过要注意的是，每次切换供应商以后，都需要在 cloud code 里面切换模型，这样配置才能生效。那把 cloud code 装好了，模型也配置好了，接下来我们终于要使用 cloud code 了，我们在命令行中输入 cloud， 然后回车直行，这样 cloud code 就 被起用了。 当我们在 cloud code 里输入这个指令，回车直行，就会弹出模型选择的列表，我们用键盘的上下箭头选择第一个默认的模型，也就是 c c switch 里起用的那个供应商。接下来你就可以指挥 cloud code 帮你干活了。 在选择和切换模型后，啊， cloud code 可能会出现找不到模型的情况，这个时候你可以进行下面这几步排查。 首先你可以退出克拉的 code， 重启后再试一下，如果还是不行，你就要去核实一下 c c switch 中的 api key 请求地址，模型的名称是否填写错误，微商平台是否有充足的余额和套餐。 另外，我还整理了 cloud code 的 三类常用的指令，放在了指哪里。第一类是启动类的指令，在中单命令中执行，包括 cloud code 的 重启，继续上次对话，查看历史对话记录。第二类是对话类的指令，在 cloud code 里输入斜盖，你就能查看所有的绘画指令。 第三类是安装卸载类指令，前面我们安装的时候也已经用到过一部分。最后再给大家分享一个小技巧，如果你在安装和使用过程中遇到了任何你解决不了的问题，你可以连同问题和截图一同给到 ai， 你甚至可以直接给豆包共享屏幕，让他现场指导你。一般情况下，大部分问题都能够解决。这份 cloud code 的 安装指南除了有详细的安装步骤和注意事项，我还对用到的一些技术概念和工具做了小科普，如果你想要这份安装指南，我可以分享给你，而今天的视频就到这里，别忘了点个关注，我们下期见！

很多程序员的工具链里，终端 ai 助手已经成为了标配。不过说实话，想找一个用起来比较顺手，不用魔法并且稳定的方案，其实不太容易。最近我发现了一个叫 iflow c l i 的 工具，内置国产大模型，还支持 skills 啊，我用起来比较舒服。大家好，我是海拉的编乘客，今天我使用 i flow 给大家演示两个用法，一个是在日常生活中用它来写一些想法验证啊，写一些 poc。 老规矩，我们不打开 ide， 不 手写代码。第二个，我们使用 skus 来对我们代码仓库做一个体检。 好，那我们先打开 icl i 的 官网，在这里进来之后呢，我们先安装复制这一个命令，然后粘贴到你的终端中。 好，紧接着我们需要登录，我们敲斜杠 else， 然后选择第一个登录， 接着我们选择默认的模型啊，也就是 g l m 四点七。 好，我们语音输入，你是什么大模型啊？这也是我最喜欢问的。好，它现在说是 g l m 四点七大模型啊，也就是说我们可以在 iphone 里面使用多个大模型。 在日常的开发中呢，我们会经常做一些想法上的验证，比如说验证某个技术方案行不行啊？老板甩过来一个需求，说，这个淘宝上边的搜图，哎，拍张照片搜到对应的这一个商品，能不能做？我们先进入目录， 我们叫 image search。 接着呢，我们开启 i flow， 我就直接和他聊，老板说什么需求呢？老板说淘宝上面的这个搜图是怎么做的，是吧？那我们问一下他。 呃，我想问一下，类似于淘宝上面拍照搜物啊，搜到某一个商品啊，这个背后的原理是什么？这个专业术语叫什么啊？请回答我一下，谢谢。 我们通过刚刚描述很虚的需求啊，就可以拿到一个术语叫做以图搜图啊。紧接着我们就直接把需求告诉他， 我想做一个以图搜图的这一个，呃， poc 啊，我想请你帮我列出这种最小的需求是什么？ 好，我们看一下，这里有一个以图搜图的最小 poc， 核心需求如下，有一个，上传图片特征，提取 相似图片解锁。然后呢，技术组件呢，建议使用 python， 图像模型呢？建议使用 clip， resnet 和 mobile net。 还有一个向量数据库啊，有一个 fast 和一个。呃， milos 啊， 前端呢？简，建议我使用简单的 html， 后端框架呢，使用 fast api 啊，这个包括选型做的都还可以。 呃，这里我有一些不明白的地方，就是图像模型和向量数据库，因为我其实在写 poc， 我 并不完全需要一个数据库，我只需要让他帮我写文件，最后帮我解锁就好了。这一个数据库呢，可能并不是一个必选的像， 而这一个图像模型呢，这里面涉及到很多个模型，我也不知道哪个模型好，但是在写 poc 的 时候呢，我现在需要验证这一个图像解锁是不是 ok 的， 我并不需要做到非常非常精准的图片解锁， 我需要把这一个 poc 跑完。至于模型我们选择什么模型，还是后面选择单独的某一些模型做一个 fight， 这些呢，都是可以在后面考虑的，不属于我们 poc 的 部分，所以我需要问他。 这里我有两个问题啊，第一个问题是模型上的选择，其实我更想选一个比较小的啊，能够跑完这一个是 poc 的 啊，一个模型就好了。然后呢，请你给我一些建议。第二个问题是，我觉得销量数据库其实并不是必要的，我们可以先把东西存在本地，对吧？然后我们就 可以完成这一个 poc 了。呃，你先不要帮我实现它，不要写代码啊，我们验证一下，我们聊一聊， 在实际的过程中，和 ai 聊天的时间应该是占到整个开发比重的四分之三。呃，我的建议是大家尽量花更多的时间和 ai 聊通了。然后呢，再去落实 好。我们大致扫页，针对 poc。 他 建议这一个清亮模型啊， mvnet v 二 resnet efficient net 这个我都不明白。 open clip 啊，这个我是明白的，但是 open clip 我 印象中它的汉语知识不是很好，并且呢，我们只需要做以图搜图，并不需要做一个文字搜图，所以说这个 我们选一个中间一点的吧，选一个四十五的。然后我们看到问题二，向量数据库的必要性啊，说 poc 间呢，确实不需要向量数据库啊，他认同我了。 好，这里面我们看一下，通过 npy 加鱼弦相似度就可以搞定了啊，零依赖，代码简单。然后呢，一千张以上图片会慢啊，慢呢？估计就是解锁方面吧，我觉得这个不是什么大问题。 然后建议方案模型存储后端前端，然后启动时加载模型，从本地 m p y 加载特征库，然后上传图片，提取特征，与所有特征计算相似度啊，这个看起来都还挺 ok 的， 那我们切到一个 呃 plan 模式吧，我们把我们的开发计划再深入的聊一聊。我现在呢，想请你使用呃， esnet 啊，来帮我。这个模型。 后端呢，使用这一个 fast api。 前端呢？呃，我建议你使用这种单页的一个呃页面，然后呢，我希望通过 fast a p i 把这一个网页 host 住啊， 接着呢，样式上我建议你美化一下啊，用一个类似 vs 的 高高科技感的暗黑模式。 然后我们再想一下，在这一个数据流这一边，有一个启动时加载模型，从本地 npy 加载特征库， 然后上传图片，提取特征，与所有特征计算相似度。这里面还漏了一个情况，需要补充一下，我们可以先写，还需要写一个脚本，把这一个几千张图片把它转化成特征库，才能 在上传特征库的时候提取特征，返回 topk。 结果啊，所以说这里面还漏了一点， 是这样子啊，呃，还有一个需求是我需要你，呃，写一个脚本对吧，可以把对应的图片转换成一个，呃，特征 特征库对吧？好，记得一定要开 plan 模式。 他说图片库的数据来源是什么？需要网上下载样本图片的方案吗？啊，这里我已经准备好了， 大家可以看到这里面有 image 啊，我把它这一个移过来， 在这里我们选择 type something。 你说。接着呢，前端页面需要一个拖拽上传图片啊，实时预览上传的图片， 要把它缩小一点。 接着呢，显示相似度的分数，这个需要的点击查看大图呢，我觉得没有必要，然后我们再提交答案，这个时候呢，他就开始做了 技术栈后端前端存储，还有这个计算啊，运行相似度没有任何问题。 呃，有一个 build features 啊，通过特征库来构建脚本啊，也没有什么问题。 核心功能拖拽啊，返回暗黑色的这个科技感 ui， 现在我们可以看到，作为 poc 的 话，一整个规划是比较靠谱的啊，那我们就直接选择第一个， 呃，看一下这个功能特性上面都好，是吧。我们好，我们接下来安装一下依赖 啊，我们大致扫一眼这一个 view feature 这一块有没有问题啊？大致扫一眼，通常情况下不会有问题，但是难说。 好，我们先构建对应的这一个 feature， 接着呢，我们可以给大家看一下对应的这一个图片里面是什么啊，都是些小猫小狗啊 啊，我现在都已经感受到我的这一个风扇在狂转了。 好，这里面已经，哎，已经做完了是吧？然后他写了两个文件来看一下啊，在 matedata 里面写了一些，应该是原数据，然后在这一个，呃， features 啊， py 里面啊，有十四兆啊，它应该是把这一个图片提取成某某些特征啊，它就和人类一样，人类不能像相机一样记住每一个像素，但是人类呢，也是通过照片上的特征来区分的啊。我们启动服务， 能启动吗？哎，能启动能启动，我们打开好拖拽图片。 ok， 接下来我们验证一下啊，我们选一个蓝猫， 把它截图保存下来。哎，蓝猫原来是俄罗斯的， 打开一下，接着呢，我们点击选择把这个图片读过来。哎，我们可以看到，基本上都可以找到懒猫了。 这个输入法真的是变了，选一个吧，选一个放下来保存，接着以图搜图 搜索。哎，我们可以看出来，那这一个小狗就被搜出来了。 poc 写完了，我们还想知道 poc 距离真实的生产还有多远？ 我现在想问一下这一个，如果说我真的要做这种宠物上面的解锁呀，对吧？这个搜索到对应的宠物还有哪些这种非常呃硬核的工作是需要做的啊，我觉得是不是 呃 poc 距离生产还是有一段距离的啊？请你和我聊一聊 poc 层面啊，使用的是这一个 oxford， 还有点意思，它是不是读到了哪些原数据 真实呃，生产需要真实场景的图片啊，手机随手拍，各种角度，光照复杂，宠物遮挡，被主人抱着躲在沙发后啊，这确实是 多宠物同框，这也是，然后模糊低分辨率，这是看起来就是非常多啊，然后数据清洗式，这一块标注式，一块数据增强技术啊，构建更大更多样化的做一些模型的特化，就是模型现代化， 这个生产需要 fight， 然后目标检测，注意力机制，聚焦宠物的关键部位， 多尺度的，多尺度的特征啊，这看起来太多了，太多东西需要做了。现实的建议是先做 mvp， 然后逐步打磨，不要一开始就想做的完美啊，这也是符合咱们这一个就是基本要求的。可以看出来， flog 加 glm 四点七给出的这一个建议啊，都是比较重肯的啊，有哪些东西要做啊？有哪些东西是比较硬核的代码啊？ poc 的 最核心的部分可能也就几十行几百行代码， 但是要真正的把一整套做出来还是需要很庞大的这一个工作量的。 在上一个项目中呢，我们写的是 poc 啊，写 poc 的 时候呢，就需要 web 扣定一些，氛围编成放松一些。 但是当我们在加功能啊，想让这一个代码变得更稳定一些的时候，那我们就需要加入一些这种质量审核。我之前写了一个 skills， 那 我们打开这个 skills 来看一下，这个 skills 是 我专门用来检查代码的，那 基于代码整洁之道，聚焦七个高收益的检查维度。比如说命名，一定要是有意义的，命名函数要尽量的短小啊。就是，而且要单一职责，尽量减少重复， 尽量规避过度的设计啊，一些魔法数字，还有结构清晰度和 项目规范。呃，每一个问题都会给他排上不同的级别输出的格式呢？是像这种有原则、有位置，有级别，有问题，有建议啊。然后有两个 reference， 并且这里面会开启多个 a 键来扫描这个，这里面我们让他帮我全面做一下审查汇总的报告。每一个维度开一个 a 键 啊，但是要串行完成，不要并行。如果开四五个 sub a 键的长时间跑的话，会遇到并发症问题啊。我们建议他一个维度开一个 a 键的串行完成，一步一步做。 iphone 目前还没有开放并行，但是在他们的论坛里面有并行的体验卡，如果大家有需求的话，可以去看一看， 大概二十多分钟就把任务跑出来了。呃，跑了接近七十五个问题啊，应该是非常给力的，高优先级的大概有十二个，中优先级的有二十九个，我们看一下，大致扫一眼吧， 有些命名啊，这个项目规范啊，我们往后拉一拉看 啊，高优先级，看看删除组建或实现集功能啊，这就没写，是不是然后 mcp test 啊，我这个也是没写。 嗯，这个检查确实是挺到位的。然后消除重复的文件，更新逻辑， 这里面有重复的代码哎，看起来符合我的认知。然后提取关键业务，敞亮， 重构核心业务函数啊，总的说来还是不错的啊。这里面包括有这个 run， open code， s t k streaming 啊，这个函数呢，要提取 event buffer， event handler， session manager 这些类。呃，都是蛮符合我的理解的。 用了几天，我的感受是够用，而且比较省心。市面上大部分固定 a 键呢，有的功能它都有，比如说 m c p， 工作流 skills， 开箱就能干活，登录就能使用。另外，零点五版本加了两个非常实用的功能， 一个是 hooks， 可以 用来做一些提醒。一个是 restore， 如果你搞砸了，你可以回退。当然，我也建议大家用好 git， 这样子你可以做一个双重保险。那我在体验的过程中呢，也有一些不足。 c l i 的 这一个界面上的细节， 我觉得可能还需要打磨一下，比如说我看不到上行和下行的 token， 在 写大一点文件的时候，我非常想知道他在写文件还是卡住了 i f o 官方与社区，他也希望社区能够涌现一些类似于欧曼 open code 的 这样 强大的编排系统。怎么说来，如果你喜欢在终端里干活， i f o 绝对值得你试。如果你也在使用 i f o， 欢迎来聊聊你的使用体验。我是海陆编程课 ai 永不眠，我们下期节目再见。拜拜。

挑战用 ai 编程，做一百个应用，全程都是 ai 写程序，写代码，一行代码都不写。今天呢，要做的是一个聚会助手，觉得是非常非常实用的软件，就是两个人在一个城市要聚会，但是两个人分处不同的地方，那首先呢，可以让这两个人把自己的出发的地方都标识一下，这样的话两个人的位置就确定了。然后呢，我们可以去选择 你的出行方式，是在餐厅预约还是在咖啡厅预约，如果餐厅的话，你可以选择香的一些喜好，然后他就会自动开始工作，给咱们生成香的这样的一个推荐，发现是不是还挺 实用的功能。而且呢，这边还可以选择距离均衡的话，这个位置处于两者中间，然后离 a 更近的话，就是他会离 a 这个地点会更近一点， 也是我生活中我觉得非常高频的一个需求。然后它怎么写的呢？还是用这个 ai 编程工具 ctrl 我 就不喷嘛，对吧？就直接给大家讲我的需求，这里边全是用的是自然语言，然后它就当产品经理，当架构师，自己完整的去写，然后这个过程会非常有意思，你发现很多时候它的程序会有一些小小的 bug， 我的一个经验就是你要把这个报错的信息相应的运行的这样的一个界面，你都发给他，然后再描述一下报错，他会修改的会更好。想了解更多 ai 编程的内容，甚至想让自己的孩子来学习 ai 编程的话，一定要关注刁老师，刁老师会带着孩子一起来 ai 编程，做出自己想要的这样的一个应用。

大家好，我是黄菊花，黄老师，我们这一小节来将我们的微信小程序项目初步化，初步化之前，那么我们首先来看一下我们的后台是用 ai 开发完成的啊，接口都有了，然后后台这些功能都有，那么后台的功能，那么我们接下来 粗俗化我们的前端，我们前端小程序，那么我首先准备了个图片文件夹，图片文件夹我们准备放的这个菜单放了五个 微信小程序，它菜单至少放两个，最多放五个，每一个它有两个样式，一个是默认，比如说是褐色，然后选中状态是红色。好，基础知识，不会的，看一下基础课，那么准备了五组菜单， 那么我们还有准备了接口，我们后台开发的这些接口，比如说我们的轮播图啊，它前端通过接口就可以获取这些接口文档，这是一个空白的文件准备的啊，那么我们这个时候我们要用微信开发的工具来导入，导入之前，那么我们先把这个项目初步化， 我们后端啊，是用它啊，保证它的运行啊，我们后台能访问，那么我们重新再打开一个 t、 c、 n， 那 么这个是用来干嘛？这个是来 开发我们的小程序的，那么我们打开文件夹，那么接下来找到我们这个空白的文件夹啊，那么这里是， 呃，小程序啊，我们前端这个是小程序的前端，它里面我们放了点资料啊，选择文件夹，那么我们最大化，我们本身这个是 java 网站，这个是后台啊，保证它在运行当中的啊，这个是前端啊，小程序这个是前端， 那么这个接口啊，我们轮播图接口的话，看到没有，这个相应的，我们前面开发后端和接口的时候，这个有，那么大家可以看一下，这是调接口的 方式，那么这是调接口的一个案例，那么它这里会说明啊，接口它是不包含这个前端地址，因为我们的前端地址有可能你实际上架的时候是三 w 什么开头的啊？这些我们先出土化，然后图片，这里是五组图片啊，菜单一到菜单五啊，我们这个先 出，打开它以后，那么我们先让来出土化我们的小程序，那么我们小程序当然你自己的微信开发的工具， app， id 这些要准备好， 微信开发者工具打开我们先不导入啊，空在这里，那么我们首先，那么我们来初步化我们这个项目本身，我们这些都关掉，我们看一下我们这个脚本， 让我们 ai 帮我初步化一个微信小程序，项目名称是家电维修小程序。那么初步化的时候建立五个菜单菜单的图标使用啊，我们这个是根目录啊，然后是 根目录图片文件夹里的菜单素材，然后你实际啊，实际，然后是移动到需要的地方啊，然后五个菜单依次为首页 服务员工关于初次化的五个默认菜单为空，后期我们再修改，这是我们的脚本， ctrl c 复制一下啊，回到我们小程序的这个开发工具， ctrl v 拎起来发送，那么我们看一下我们的 ai 来初次化的一个效果， 那么思考啊，用户要求我初步化一个微信小程序，项目名称初步化五个菜单，菜单图标啊，五个菜单内容为空，后期修改，那么我们初步化看一下，查看当前目录和图片文件夹的内容， 查看我们目录啊，目录的话接口是用我们后面来开发要用的，那么初步化的时候我们看下，很好，我看到图片 文件夹里有完整的菜单，图片素材，那么我们刚才在这里啊，准备了这些素材，因为这个图标的话，你没办法，他去帮你找的话，不一定符合你的，所以说自己去找， 那么我们这里是 update task， 那 么首先是生成了 app 点 json， 然后是 app 点 w x 啊，这些东西，我们看一下 app 点 json， 然后是相应的程序，这是配置文件系统，家电维修预约， 然后首页服务员工关于会员，那么每个菜单的图标，呃，它这个图标的话，我们看一下它好像没有用到我们的图标，那么我们看一下啊，最终它能不能生成，因为最终它是在，我们看一下在 page， 然后 image， 这个文件夹还没有，那么我们看一下，大家说这个它还没生成完啊，它这个图标的地址啊，好像是不是很对的， 那么我们看一下，它继续生成，那么我们生成页面，那么我们比如说首页，它每个页面对应的是 j s j s w x m w x 啊，这是基础知识啊，不会的话要去恶补一下，看一下啊，呃，看一下基础课对你还是有帮助的，那么是 about， 也是对应的这个四个后缀，那么我们看一下 member 会员 service 服务啊，这是员工啊，然后图片的话和我们的接口，那么是我们刚开始提供的素材，我们要用的 啊，那么这里看一下生成移动图片素材到合适的位置，那么我们看一下它的这个素材是在 image， 那 么它这个命名跟我那个是不一样的，它看它重不重新命名。 pyg 是 我们所有的小程序的页面都在这个文件夹 image， 嗯，我们看一下这里，现在还是为空啊，我们回到我们的这个开发这里，呃，它这个移动还没成功。 呃，我们看一下它移动，看一下啊。 copy， 这里不知道能不能成功啊。我们这里有的话，我们可以先保留最下面看一下啊。呃，这个 a 它已经移过来了，我们看一下 a， 它把我们本身的中文，我们刚才图片这里是不是提供了中文啊？菜单一，菜单二，菜单三， 那么它移动到 image 文件夹啊，对应的，它改成了对应的。呃， default or selected 啊，这个是改的还是非常棒的啊。那么我们看一下，那么基本上它这个还没生成完，生成完以后，我们就可以用微信小程序导我们 使用的这个 ai 工具，这里它只是帮我们生成代码，那么微信开发者工具它才能去预览，因为它没有预览微信小程序这功能。就像我们开发后台一样，它可以在浏览器上去预览，但是它本身是有浏览器的功能，但是没有小程序这个功能， 那么它生成完以后，那么我们看一下啊，呃，一下是完成的工作，那么这里啊，这个是计划文档，我们可以复制 插入或者是新建，新建的话，我们看一下它新建在哪里。呃，我们 ctrl s 啊，它是小程序前端，那么我们保存一下，比如是说明点文档，那么我们保存的时候，其实是说明我们可以保存成 md， md 是 呃， markdown 文档，好，我们看一下保存小程序前端说明，那么这样是不是创建了哪几个文件，然后我们这里已完成的功能，那么我们也可以 复制一下啊，到这里来 ctrl s， 那 么我们接下来我们这里是，呃生成完毕了啊，那么它也这里提示完成了，接下来我们要去预览， 打开微信开发的工具，我们加号，然后这里我们选目录，目录的话我们再选一下我们的这个前端， 那么这个是小程序啊，小程序前端，然后选择文件夹，那么这里的话就填写你自己的 app id 和密钥了啊，那么是不使用云开发，然后点创建，那么这个是它就会打开了。我们这里是一定要点信任并运行，那么我们第一步就是要把它 初步化，就是我们通过 ai 把我们项目初步化以后，你最终要去我们小程序这里去验证它啊，我们也就说看到没有，当时这里啊，我们看一下重试它，这个是基础库的问题啊。呃，我们看它右边的话有基础库，那么我们可以关闭 刚才的那个问题啊，在哪里呢？你可以在工具里面那么去把它重新设置，而在设置里面 项目设置，那么基础库刚才默认的这个是规度三点一十三，那么我们用这个用户比例占百分之七十三的三点一四点二，那么点一下，那么他重新会推送至我们的这个，那么我们是不是就小程序是不是出手了？首页，那么是物业服务员工， 关于会员是不是就丢人，等我们就丢人都能点了啊？默认他是一个褐色的，选中他是红色的一个图片，那么我们就把我们整个小程序说实话， 呃，我们这些是，呃基础库啊，看到没有？三点一、四点二，那么我刚才提示错误的那个是，呃，最开始三点一、四点三那个灰度不用打，注意在设置项目设置的时候 默认他有可能给你这个三点一、四点三维度，那么我们要选中这个啊，那三点一、四点二，然后他就可以运行了。好，我们粗死话先讲到这里。

你用小龙虾的时候，还在把所有的事情都放在一个窗口里指挥吗？比如我同时要写文章、发小红书、监控资讯维护、网站记账，都放一个窗口里，既浪费偷啃，效果还非常的好。改造成多 a 帧的模式， 才是给小龙虾省钱又提效的正确用法，我是这么做的。以飞书对接小龙虾为例，参考官方文档三个步骤。第一步，专事专办， 给每件事情创建单独的机器人来负责。比如我要记账，我就建一个这样的财务主管，把 opencloud 配置文件里的 channel 字段改成这样的多 account 模式，这两个 account id 记住，后面要用。第二步，多 agent 配置， 我们用这条命令给小龙虾增加一个 finance 的 agent， 等同于我们新招进来一个员工，出土化他的 identity 文件，把它捏成我们想要的形状。接着在 openclaw 配置文件里面增加 bindings 段落， 让不同机器人的消息路由到不同的 agent 上，实现分工的效果。第三步，测试验证 重启 open cloud 的 getaway， 在 飞书上分别给两个机器人询问他们的身份，如果能看到不同的回答， 那就是配置好的。后续还可以给不同的 agent 配置合适的模型，或者让他们互相派发任务。这样的工作模式可以大幅节省 token， 显著提升小龙虾的任务效果。实在是太爽了， 都不需要再雇人了。我加上小龙虾的 agent teams， 就是 超级艺人公司。关注我，带你玩转 open cloud！

我花了整整两周时间把 strip、 open i、 rough、 loop 三家的 ai 拷定实验翻了个底儿朝天。 strip 每周一千三百个 p r 零手动写代码， open i 的 harness 模式呢，五个月就干完了团队一年的活。 rough、 loop 单进程呢，就可以一直地拷定这三个完全看起来不同的方案，竟然存在着一个同样的一个底层逻辑，我管它叫做认知卸载的系统化。 懂了这一点你就知道为什么有些人使用 ai 只是快了一点点，而有些人却直接换了一个物种。一句话总结就是 ai a 阵的本质呢，就是把我们对编程的认知呢，卸载到文件中，写到文件中一条一条的把它写清楚，把以前呢我们从一个写代码的一个人呢，变成一个系统设计的一个人 去设计环境，设计编码的意图，构建一些反馈的这些循环，逐渐的让它自动的去运行起来。所以人类的角色呢，就变成写代码，然后变到了设计系统，不是直接去写代码，我们需要注重了关键的这个三件事。第一个呢，就是我们要把这个环境呢，给 ai 去设计好， 给 a 这种环境呢要和我们人一样的这种开发环境。第二点呢，就是设计它的意图，我们比如说编码的规则啊，约束啊，验证啊，这些都是什么东西。然后第三块呢，就是构建一个反馈，我们以前反馈是在我们大脑中的，现在我们让 a a i 去帮我们去写代码的时候呢，我们的反馈呢，就要变成测试，然后可观测的一个测试结果， 并且让 ai 呢可以基于这些测试结果呢，进行 review 的 这样的一个循环，那我们关注这三件事呢，就可以把 ai 的 开始的口派类的系统呢， 逐渐变成一个自动化的一个拷定系统。关于 ai 的 边界呢，有些是适用 ai agent， 有 些是不适用 ai agent， 而我们呢，应该更多地聚焦把适用于 ai agent 的 这些东西呢，我们让它去做。 不适合 ai agent 去做的时候，我们多去想，多去思考，多去决策。然后所以这里边比如说读代码，写代码这些测试啊，这些 a 证都可以帮我们做，包括跑测试啊， 读取这个 review 文件啊，还有重复一些脚本的工作。但哪些是不适合呢？比如说我们要做什么像我们的战略性的东西，这些东西 ai 是 不适合的。 然后哪些东西呢，是需要我们让 ai 去理解的，我们险性的去注入到呃文件中的这些内容呢？也是不是 ai 做的，是我们需要去花大量时间去做的。还有一些呢，比如说处理一些更加合理的一些数据，比较规整的数据，我们给到 ai， 让它进行一些反馈和循环，能拿到更干净的上下文。 还有呢，很关键的一点呢，就是我们判断什么是好，什么是坏。那这两天卡巴西的那个 out to 的 research 项目呢，过两天我也会给大家分享， 它主要讲的其实也是关于价值判断的事情。下边我研究这三个案例呢，其实代表了三个典型的应用场景。那第一个 strip 的 这个案例呢，它写的是我先从一个固定的程序去编排一个一个节点，在这个编排的过程中呢， 它里边会引入一些 agent， 那 它呢？经过这样的一个编排的整个的一个流程中间部分引用 agent 呢？它做到了什么呢？它每周提交了一千三百多个 p r， 基本上是没有人去写代码的，而且它这个是一个老项目，在老的项目里边去使用 ai coding， 我 们知道这个难度是非常大的， 那所以呢，如果是你是一个复杂的项目，并且它可以拆分的非常详细的话，那你需要把固定节点先给它拆出来哪些引入代码的时候，你逐渐去引入，去加规则。这样的一个方式就是 strip 提供的一种方式。 open i 呢，就使用了一种仓库式的 数据库的一个管理模式，它并没有说我整个的要把一个一个节点，我把它平铺的去切分出来，它去做的事情呢是更像做一张整个的一个文档的一个架架构图，那这张文档架构图呢？ 里边呢，就相当于我们给这个项目在使用 agent 的 时候呢，告诉他我们整个的架构是什么？读到每些不同的文文档的时候，我们根据这些架构里边的需要和当前的任务 去选择读某些文档的哪些文件。那这部分呢，其实就是间接式加载了，所以它这里边主张的是我们要把整个的作战的一个地图和说明文档呢，我们把它写清楚。那 ai agent 呢？也就是说它们自己使用的 context 呢？在使用 agents 文档的时候，它只作为目录，而不作为百科全书， 然后需要的时候再加载，然后不填充 context， 因为它们也是在经典的 context 上面其实做了很多的文章和功夫，它们也在指出说你底层呢，你要给 agent 的 一些可观测的一些结果，然后并且呢你也要经过一些测试，那它这边提到测试呢， 呃，会有一些关于 ui 的 一些测试，比如说我们用到 chrome 的 浏览器的自动化测试的这些功能。除此之外呢，我们定期清理 agent 呢，我们理解成它是起一个新的上下文，让 agent 呢保证头脑清晰就可以了。 rough loop 的 逻逻辑呢？之前结合 ai coding 呢，我也给大家在直播中讲过，整个的一个循环的逻辑，可以自动化跑四到六十六个小时的一个任务。 它和前两种不同的一点呢，是在于它是更偏向于前期的一个大局的一个设置。这个局设置其实就指我们的一个 faker 的 描述，一个问题的一个描述，描述好之后呢，让它做一个非常全面的一个 plan， 这个 plan 之后呢，去拆成一个一个小任务呢，进行 rough 的 一个循环，每一次呢只做一个这样的一个小任务， 那从而呢保证它的上文足够小的前提下呢，并且通过验证和测试就可以把所有的任务呢 一个一个的完整的跑完。所以它们三者的对比啊，其实你能看出来就是，呃， stream 呢，是偏向于蓝图型的，就是把节点一个一个切分出来，然后慢慢去拆分。 open i 呢，更偏向于文档和整个约束的这个，这个环节像一个一个作战的一个地图或者手册，非常全面的一个工程性的一个说明书。 然后 rough loop 呢，它其实更便宜于我把任务呢一个一个拆分完了，一个一个来做，但是它们所有的核心呢，都是要把你自己的认知和你对 coding 啊理解呢， 去把它存储成一个一个的说明书，这个是不变的。那它们的适用范围呢？就比如说我们如果在做小型的项目去开发的时候，说个人啊或者小团体啊，你用呃 rough loop， 然后它比如说它在前边的啊， plan 的 审核啊，然后包括一个一个任务来做的话，其实它就很快的。如果你中型的话，你就可以结合团队呢，去做一些 啊，一些文档的一些整理啊，让我们整个项目结合这个文档呢，可以自动开发起来，然后就可以用 open ai 的 这个形式，如果你项目又比较老，然后呢又 需要很多人去参与呢？那你可能就需要把它更细力度拆分出来，并且完成一个非常复杂的一个回归测试。所以核心的最佳实践呢，有这样几个。第一个呢就是如果是环境设计的话，你 a 阵呢，和人使用的工具和环境应该让它保持一致。 第二个呢，如果你认知卸载到不同文件的时候呢，你要让它可以进行渐进式的一个批录，写到哪儿的时候，需要什么的时候再去读什么啊。第三块呢，你要把你的架构约束呢和代码的一些强制规则，你要把它写好，比如说哪部分呢？使用大小写啊，哪部分应该使用什么样的规则啊？然后 linter 检查是什么呀， 然后这些你都要给它写好。然后第四部分呢，就是你需要有一个完整的一个测试体系，因为你不要让它使用规则型的东西，让它去测，或者使用浏览器这种自动化的去测。 第五呢就是你可以给到 ai 可观测的这些 log 日历呢，你都要给到它，这样的话方便它去调错，因为以前我们写代码的时候，很多东西都是在脑子里嘛，还有呢就是长期呢，你要使用 ai 呢，去帮你还一些技术债，多审核一些代码， 然后呢把 ai 的 能力、边界，他能做的事情呢，我们都交给他，然后我们去做一些更有价值的一些事情。那我们整个的实践呢，我们不要直接去自动化，比如说我们第一步呢，我们要先使用人和 agent 呢，去 co pilot 这种实践，我们先去看 agent 的 边界在哪，然后慢慢地自动化，比如说自动化呢，我就可以做一些 呃这个审查或者测试啊，然后这些部分让它半自动化的先跑起来，帮我们做一些自动化的一些测试。然后呢我们才使用说 a 阵呢，可以能不能帮我做一个 faker， 帮我做一个 task， 然后最后呢我们才说，如果上边的所有的一到三阶段你做都非常好，你会沉淀很多的 rules 下来， 那这些 rules 呢，会成为一定的一个规则，一些规则呢会辅助整个一个流程运行，那它就变成了一个零工程化的一个介入了， 但是呢它用到规则都是你之前沉淀下的这个规则。所以呢整个的 ai 抠定的方式呢，并不是说一蹴而就，给你一个框架以后你就可以从头到尾去开发出来了， 它更多是先有口拍类的，然后逐渐地自动化，最后全自动化这样的一个流程，那如果呢，想更深入去了解一下 ai 自动化抠定相关的流程呢？我 我之前在社群中也进行了一些直播的一些分享，大家可以先把 ai 扣定最容易上手的 rough loop 这盘先跑起来，慢慢呢，我们再集成企业，更多的人，更多的企业的项目一起呢，慢慢再把它全自动化，再跑起来。好了，今天内容就是这么多，关注雷哥，关注 ai 工程化落地。