md可以写json

我把可乐扣的变成了黑心老板，专门压大扣单词写代码，结果效率翻了，成本还降了。如果你想彻底解放双手，那么我这一套工作流的方案一定可以帮到你。使用可乐扣的扣单词这类工具久了， 慢慢的就想让他们自己长久运行，但又怕写偏或上下文爆了。针对这个需求，我设计了一道可乐扣的监督扣单词的工作流，今天就把这套工作流以及设计思路分享给大家， 不仅仅是个方案，更是一种思路，大家完全可以拿去改成适合自己的方案。我先讲解一下这个思路，大家如果不想听这部分，可以跳到这个时间点直接抄作业。 我自己的情况是有切尔克 ppt plus 可以 使用扣带子，同时还有质朴的扣领 part 会员可以被摄到可乐扣的中使用。 gmail 我 也有，但是 gmail 的 c u i 我 个人感觉体验不太好，所以这里就使用卡拉扣的以及扣带子。 总结一下就是智普的扣令牌栏额度非常多，我基本上没有碰到过限额的情况。可乐扣的功能非常多，非常齐全，但有时会出现过着完成任务的情况。扣袋子则相对稳定一点，但模型对我来说相对较贵，所以要省着点用。 我这里的策略是让可乐扣的来充当监督者，让扣袋子去干活。关于扣袋子模型，我建议使用切的 gpt 五点二 mini， 但 扣袋子后缀官方说法是专门针对边层和代理任务优化，但我实际拆下来干活效果不太理想。 medium 类似于 auto， 你 也可以选择 high， 但是最好不要选择 x high 我 之前试过，效果是真的很好， 但是一天就跑完了，一周的额度，钱包真的收不住。最近出的五点三扣袋子也可以试试看，速度是真的很快，但多多少少也存的 爱的、偷懒的情况。决策分工是可乐扣的充当监督者。扣代词则是工人，这里使用两个 a 级的进行工作，最大程度上防止某些作弊。一个只负责写，一个只负责验收。整个流程开始于我使用扣代词生成的一份 open spark 偏更题案，这些题案会被转化为 test m d 中的具体代码是将列表。每当需要执行一项新任务时，可拉库尔就会启动一个 sub agent， 使用 codex e x e c 调用 codex， 然后使用自按语言调用 open spark。 open spark 最好是 零点二一点零版本，因为在新的版本， open spark 的 工作流就重构了，也支持自按语言调用，但使用的是 skills。 出发后续我研究一下怎么配合到这个工作流里。 托马斯在写完代码后，他必须制作一个可复现的测试方案作为完工凭证。 c u i 任务他必须提供一个智能化的测试脚本。 g u i 任务则提供一份 m c p 的 操作方案，可劳克勒会亲自运行脚本并进行验收。对于 g u i 任务，他会严格按照流程调用 payload m c p 辅 物，驱动浏览器并抓取截图作为证据，确保代码不仅写了，而且真实可用。只有当可拉库的亲自确认测试方案运行通过，且手中的证据链完整无误时，他才会执行一系列的确凿操作。在 tasks md 中勾选任务，更新 feature list， 点最省的 pass 状态，直接 get 提交存档，将日期写进 progress 点 t s t。 如果遇到技术卡点卡拉扣的，会利用 ctrl 七或浏览器搜索工具自主寻找解决方案，便知道 ctrl 进行重试。 我最在意的就是防止 ai 跑偏以及 ai 假装完成的任务。为了解决这个问题，我设计了一个双保险机制，分别是用 tasks m t 记录过程， 可使用 finisherlist 点击率记录结果。我们先说 tasks m d， 它是给人类以及 ai 件的文件，包含具体的任务以及详细的需求和实施步骤。我们先使用 codex 进行一个完整的体验， 可靠的会在这里记录具体的验证命令、截图路径和报错日期。如果有阻碍， codex 只能在这里写。具体的问题是什么？ 是由当可拉扣的执行验证后，由可拉扣的写通过，确保我们知道代码是怎么出来的，而不是凭空变出来的。 有的过程还不够，我们还需要一个绝对理性的验收机制，就是 file list 检测这个解释给 ai 的 使用的。这里不记录任何过程，请关注任务是否通过完成了。它是一个结构化的交付清单，所有任务默认状态全是 false， 只有到某个任务真正被验证无了，它才会变成出。那么这两个文件是怎么配合，以此来防止 ai 作弊的呢？核心就在于标签印刷和单向流程。首先是标签印刷，我们在 tasks m d 里的具体任务后，会打算像简号 r e 这样的标签会对应 for list 点击层里 id 为 r e 的 功能条目。其次是单向的流程，可拉克的必须先在 task 四 m d 里跑通代码，拿到缺少的 pass 证据，然后才会去 for list 里面去更改状态。 首先是安装可拉克的和 code， 这个就不列据了，安装奥巴斯 bug 这里要说一下，最好是零点二一点零的版本 使用这个命令安装 open spark。 然后回到项目目录，使用 open spark 抽象化加项目，然后再把它的这些提示给复制到扩展词里面。 首先是 palette m c p， 可以 让可乐扣的去检验 g o i 界面，选自动化确认浏览器并收集证据，再配一个 control 器，遇到卡点时能查资料，浏览器搜索 m c p。 我 这里使用的是这幅的档案，你也可以换成其他的。大家可以去我的簿客或 知乎 app 上，也可以去云盘上进行下载复制，下载后就是这些内容了。 skills 大家可以配置到它们的根目录或者是项目目录，配置到项目目录的话直接粘贴过来就可以了。 skills 这里一共有三个，两个是给 cosys 用的，第一个是 使用采访式反问，把我们的需求和 ai 界的对齐。第二个是生成 fairlist 点 jason， 最后一个则是给可拉克的一道卡点石使用的。为了让这道流程跑起来，我们需要覆盖和新建几个配置文件。首先是 windows 八 pro pro 点 o d 需要添加的 windows 的 位置在这里， ios 的 就是这个，直接在这个 step 六后面添加内容。下面则就在项目目录里面的 openstack 文件夹下的 project dmd 的 末尾添加这个。它和上一个的目的都是为了让 openstack 生成的 test dmd 符合我们的要求。 这里需要着重说一下更改 open spark 端口， 点 m d， 则需要在输入 open spark int， 也就是说实话命令后再更改，否则会重置掉。下面则是在项目目录下完全覆盖 colocode， 点 m d， 目的则是为了明确 colocode 的 身份以及任务流。最后则需要新建一个自定义命令，位置则是在这个 新建一个昂迪脚本，这是我们自动化的核心，它定义了克拉克的如何自动循环调用 codex， 同时也避免了我们重复输入。下面则是重复流程了，先打开 codex， 使用自然语言作为一个变更体验，例如为我这个项目添加一个支持夜间模式自动切换的 openstack 体验。然后再使用 skills openstack 劝解 interviewer id， 让模型通过采访的方式引起我们的需求对其需求。这里的 id 是项目目录下的 open spark 文件夹劝诫词文件夹下的当前提案的文件夹名称。再用 open spark future list id 这个 skills 让模型创建一个 future list addition。 最后就是打开查找 code， 输入斜杠 monitor open spark codes id 就 可以开始工作了。本期视频到这里就结束了，视频创作不易，还请您点赞、关注、支持。如果您有任何问题，欢迎在评论区交流讨论。

loco 创始人在他自己的官推中分享了十三种他自己的经常的用法，今天给大家带来第四和第五条， clock 的 markdown 文件。 clock 点 md 杰伦先说他们团队，无论每个人同时开启多少个 clockdown 的 并行，但他们永远都会围绕着一个共享的 markdown 文件部分的内容呢，如图所示。那这个文件到底是在干嘛的呢？ 现在的 ai， 大家都知道，写代码非常快，非常强，而 cloud code 呢，或者是其他的各种 a 阵，看起来都很聪明，但一旦把它放到真实的项目里，就开始让人头疼了。 工具用错，规矩不懂，你让它改一点点，它顺手给你来了一个大装修。所以今天这条视频呢，我想跟你分享一个经常被我们忽略但特别关键的东西。这个东西就是 ai 的 执行手册。在 clock code 里面呢，叫做 clock 点 n d， 而在 codex open i 的 这个 agent 文件里呢，叫做 agent 到 n d。 先不要被这个名字吓到。 clock 点 n d 呢，不会自己去运行，它也不是你代码的一部分，你不需要执行它，它也不会改变你的程序。它的作用很简单，给 ai 去看如何去写代码，或者说用一句更白话地说，它就是你写给 ai 的 工作，说明 代码之难。如果你不写代码，那么我给你举一个生活化的例子，比如今天咱们家里请来了一个保姆，这个保姆呢，特别聪明，什么都会，反应也快。但是呢，你的家庭背景没给他讲，你们生活习惯没给他讲，你的规矩也没给他说清楚，结果就会出现这种情况。家里的孩子不吃辣， 保姆呢，给你整了个麻辣锅，非常香，你说你们让他修个灯，他结果呢？把你把天花板全部都给拆了。问题呢，不在于保姆本身的能力，而在于他不知道你这边是怎么干活的，你的规矩是什么？你的喜好是什么？而 clock 呢，也是这样。 如果你没有这个 markdown 文档，会发生什么呢？举个常见的例子，比如你是一个后端的 node 项目，你可以跟 class 说帮我加个一代，顺便跑一下测试，结果呢，他很可能给你哈 npm install 什么什么什么或者 npm test， 你马上傻眼，因为你心里很清楚，我们家的这个项目根本不用 n p m， 我 们全部都是用棒的结果怎么办？你只能自己改，或者呢，你再跟他解释一遍，下次呢，还可能再犯，因为你没有白纸黑字把咱们的规矩写清楚。又或者你跟他说帮我给用户加个字段， clock 呢，很可能直接就改你的数据结构。如果你是真做业务的，那这一步已经开始让你头大了，对不对？生产环境，数据迁移，回滚方案这些它默认都不会替你考虑的。所以 这个时候 clock 点 markdown 的 文档就出现了，你在项目里跟他说一句，我们统一用 bun， 或者再来一句，数据库只能通过 migration 去改，不能够直接动。 从那刻开始， cloud 的 做事的方式立马就变了，因为他知道工具我应该选哪个，哪些地方我不能碰，哪些步骤我不能省。这个就好像你跟你的团队交代清楚了咱们的代码流程，写代码的风格， 那现在我们回过头来看， boris， 也就是 cloud 创始人所分享他自己的这个 md 的 文件都写了什么呢？ always use fun， not n p m。 这句话很直白，翻译成人话就是，别想太多，我们永远拥抱。后面写的呢，也不是技术细节，全部都是流程。改完代码，你要先检查明显的问题，再跑测试，最后再确认能不能交差。这其实就是你在告诉 cloud， 你 不是来随便写写的，你是要按照我的规则，我的制度 把握的，要给你的活给干完。所以呢，没有 cloud md 文件的 cloud 呢？就好像一个很聪明但是没在你公司干过活的人，有了这个文档之后，他的行为就会明显变得克制， 工具用的对，改动范围更收敛，而很少他会顺手搞出一些副作用，因为你会感觉他开始就是站在你这边去想问题的。那如果我不写代码，我用这个东西有意义吗？ 当然有意义，原因很简单，因为你用的 ai 不 只是写代码的，写文案，做分析，剪视频，做运营，都会是 agent 在 帮你干的活，那你规则不讲清楚， agent 一定就会乱跑。所以 cloud md 所代表的是一种用 ai 的 方法。先讲清楚你这边的世界是怎么运行的。那么日常呢，他们团队会经常更谨慎地维护这个文件，因为这个是 agent 写代码的纲令。那 boris 在 他的 twitter 上分享的第五条就是，一旦你把 cloud 连上你的 github 之后，你可以直接去 at 你的 clock， 让它去修改这个文件，作为你 pull request 的 一部分。那方法呢，就是输入 slash install get help action。 那 如果你只随便玩玩 ai 呢？那我讲这些都无所谓，但如果你希望把 ai 变成你的合作者，那么有边界、有 判断，能够长期用，那么你就必须要学会一件事，把咱们干活的规矩写下来， a cloud， the cloud md， olex 的 agent md 就是 我们的规矩、张力和工作流程。

今天跟兄弟们分享 jason 格式的提示词啊，这个有用吗？嗯，这个东西好在哪啊？有了它呢，咱们写提示词啊，嗯，就跟写填空题似的。嗯，给咱们个模板往里添就行， 要不每次自己写提示词，写出来的呢，就跟抽盲盒似的。最重要的是呢，他能学到很多文化，多巴恩活泼风。谁给我解释一下 马卡龙色系点缀？马应龙我知道，尤其啊，是做建筑装饰设计行业的，就相当于啊把提示词呢给分了，图层逻辑清清楚楚啊，好理解多了。 首先啊，找一张图丢给娜诺果，娜娜把这段提示词给他呢，提示词是这么写的，他是一位资深的室内设计师，建筑装饰领域的风格迁移专家。 任务是啊，深度分析参考图，绕过表象，抓取设计灵魂，用于后续的风格迁移。下面呢，就是拆解核心的风格与氛围材质和机理啊，光影逻辑，构图方式，相机参数的模拟，还有就是技术渲染指令。 最后呢，让他扒出一段呢，可以直接复制的标准化的 json 格式的提示词，用于迁移到新的空间。然后呢， ai 就 会给我们生成这个图片的 json 格式的提示词，每条提示词呢都是干什么用的啊，写的非常清晰。 然后我们把这个 json 文件呢，再给 ai 丢回去，让他再用自然语言描述。呃，就成了一段结构清晰的自然语言的提示词了。我们拿它生下图呢做参考图也行， 加上锁定结构的提示词，让它把白膜或者是草稿啊，生成效果图呢，也可以啊，对 ai 感兴趣的朋友可以加一下关注，咱们一起学 ai。

百分之九十五的人都搞反了，越复杂的格式，死得越快！记事本才是电脑里真正的核武器。 txt m d 不是 文件格式，是技术贵族的身份证。忘掉所有 ai 课，先搞懂这两个纯文本后缀！每台电脑都有一个记事本， 这不是厂商偷懒，是因为电脑世界有一条铁律，最通用、最不容易出事的永远是纯文字。没有字体，没有颜色，就是赤裸裸的字母。 windows， max， excel 都能打开。所以电脑总要留给你一个记事本。你会经常碰到这些文件后缀，点儿 t x， t， 点儿 j， s， o， n， 点儿 m， d， 点儿 i， n i， 它们本质上都是纯文本，只是约定好了不同的写法。 j， s， o， n json 给机器读的数据格式。 m d 是 markdown 语言，用井号、大于号、星号等符号就能标标题、列表加粗等等。 l a， t， e x latex 用文字最后生成美丽的 pdf 文件，所以记住这个金字塔记事本是裸文本， md jason 是 带有一点点符号的文本，而 latx 代码是在给所有的文本化妆，在网上是 word， pdf 等等。 而越往上，你的贵族身份就逐渐降低，因为百分之九十九的人根本不需要爬金字塔。记住这句话，纯文本是数字世界的硬通货，下一集跟大家分享。不用鼠标，只靠键盘打一行字，就能控制电脑的命令行。 c l i 和 ai 有 什么关系？我们下条见！

很多人用了一段时间 cloud code， 都会存在一个疑问，为什么网络上都在吹嘘 cloud 有 多么多么厉害，而自己用的时候总是感觉笨的要死，总是犯相同的错误，而且明明错误没有修复，但任务还是被标记完成的。 那其实关键的差别就在于一个文件， cloud 点 md。 那 cloud 点 md 到底是干嘛的呢？简单理解就是一句话， cloud 点 md 就是 给 cloud 的 入职说明书，那只要这个文件在项目里， cloud 每次启动都会自动读取它，那官方文档也会提到， cloud 点 m d 是 一种持久化的记忆文件，那 cloud 启动的时候会自动加载它，用来理解你的项目和工作方式，所以它最大的作用就是让 cloud 越来越懂你的项目。就 个例子，比如说你可以在 cloud 点 m d 里写这样一条规则，以后你再让 cloud 写代码，它就会默认遵循这些规则，不用每一次都重新解释一遍。就像老板让你带新人一样，如果没有入职说明书，新人总是会问你很多相同的问题，搞得你很烦，但是有了这个入职说明书，你带新人就会轻松不少。那 cloud 点 m d 不 仅是一个项目说明文件啊，很多高手还把它当成是 ai 积累经验的知识库。举一个很真实的例子，有时候 cloud 做完任务会直接说，哎，任务已经完成了，但其实他并没有去叫验结果。这个时候你就可以在 cloud 点 m d 里 增加一条规则，那任务完成前必须验证结果，确认无误后才能结束任务。那之后 cloud 再完成任务的时候，就会先去检查结果，这个错误就不会再重 复出现了。那这里存在一个模式啊，每当你发现一个可能重复出现的问题，就写一条规则进去， cloud 就 会越来越懂，你的项目越来越少了，犯错效率变得越来越高。那这个过程其实就是 ai 开发里面的复利工程。 所以很多人觉得 ai 不好用，其实不是 ai 不 聪明，而是你没有给他积累经验。记住一句话，不会用 cloud 点 md， 你 只是在用 ai。 用好了 cloud 点 md， 你 是在训练 ai。 我 已经整理了一份高手都在使用的 cloud 点 md 的 样板，需要的话在评论区直接打 md。 我是 新奇，关注我，每天学习一个 web 扣顶的小技巧。

你让 ai 帮你写代码，他写了，但跑偏了。不是模型不行，是你根本没告诉他规矩。 jango 创始人 simon wilson 说得很直白， coding agent 不是 魔法，就是 a i l m。 外面套了一层叫 harness 的 壳，今天我把这个壳拆给你看，拆完你就知道该在哪里使劲了。 很多人以为 ai 编程效果差，是模型不够聪明，其实不是。你想想看，同一个 cloud， 有 人一天交付一整个功能模块，有人连改个按钮颜色都出 bug， 差距在哪？在 harness， 就是 模型外面那层包装。 simon wilson 的 定义非常精确， coding agent 等于 lolm 加 harness， lolm 是 大脑， harness 是 手脚和规矩。没有 harness， 它就是一个只会说话的大脑。你让它改文件，它不知道文件在哪，让它跑，测试，它不知道命令怎么敲。 那 cloud code 的 harness 长什么样？三根柱子，第一根，系统提示你在项目根目录放一个 cloud 点 md 文件启动的时候自动读进去， 这就是你给 ai 定的规矩，技术栈、代码风格，哪些文件不能碰，全写在里面。第二根，工具定义，读文件，写文件，执行命令，搜索代码。 harness 给了 l i m 一 套标准化的手脚。第三根，上下文管理，聊天记录太长怎么办？自动压缩早期对话，保留关键信息，确保窗口不爆。这三根柱子加在一起， l i m。 才从聊天机器人变成了能干活的 agent。 我们再深挖一层，工具调用是怎么跑的？你跟 cloud code 说帮我修个 bug， 它不会直接给你一段代码， 它会先用搜索工具在你项目里找到相关文件，然后用读文件工具看具体内容，想好怎么改之后，用写文件工具精确修改。不是整个文件重写， 是只改你要改的那几行，改完它还会自己跑命令，确认能不能通过翻译和测试。整个过程就是一个循环思考，调用工具观察结果再思考。这个循环就是 agnetic loop， 也是 harness 最核心的机制。 那 cloud code 和 codex 有 什么不同？很多人以为它们都是写代码的 ai， 其实设计思路完全不一样。 cloud code 侧重单仓库深度，它会深入你的项目，读懂上下文，一步一步帮你解决问题。你可以把它想象成一个坐在你旁边的结队程序员。 codex 侧重的是并行隔离， 它会给每个任务开一个独立的沙河环境，多个任务同时跑，互不干扰。你可以把它想象成一个任务分发中心，你扔十个医兽进去，他同时派十个人去做，选谁看你的场景。单仓库深度改动，架构重构复杂， debug 选 cloud code， 批量小任务多仓库并行选 codex， 最聪明的做法是两个一起用。 说了这么多架构，你可能想问，我作为用户到底能控制什么？三个抓手，第一个， cloud md 文件，你在里面写技术栈编码规范测试要求禁止操作。 ai 启动的时候会先读这个文件，就向新员工入职，先读员工手册。第二个， houx， 配置 ai， 每次写完代码之后，自动触发脚本自动跑， link 自动跑测试。第三个，权限控制，能读哪些文件，能执行哪些命令，不能碰哪些目录，你都可以精确设定。这三个抓手加在一起，你就从被动的使用者变成了 harness 的 设计者。 最后给你一个我每天都在用的实战技巧，让 cloud code 写代码，让 code 去审查。你在 cloud code 里写完一个功能，提交到分支， 然后在 codex 里说帮我审查这个分支，找出潜在问题。 codex 会在独立沙盒里拉下代码，逐文件审查，给你一份详细的问题清单。为什么双 ai 比你自己代码审查更好？ cloud code 偏局部视角， codex 在 干净环境里大局审视。这件事我每天都在做，效果非常明显，两个 ai 互相盯着，你反而漏更少。 总结一下， coding agent 不是 魔法，是 l l m 加 harness， 你 能控制的就是 clode、 md， hooks 和权限这三个抓手，把它们写好， ai 就 不会跑偏。 如果你也在用 clode code 或者 codex 评论区聊聊你的如何配置的，关注我，每天分享前沿 ai 工具的真实体验。

安卓新手看过来， siri 解析不会搞，别慌，两种超实用方法，三十秒教会你！先看这段代码，里面有个包含姓名、年龄、地址和课程的 siri 字符串，咱们就用它来演示。第一种是 john object 解析，这是 android 系统自带的方法，不用额外导库，核心就是创建 john object 后用 getstring get int 这些方法按 key 取值，数组则用 get scenario 循环，便利就能拿到每个数据。这种方法好处是灵活，不用提前准备类，但如果 sin 字段多，写起来会有点麻烦。 第二种是 song 解析，这是谷歌的库，在 android 里非常常用，新手用它也很简单。先定义和 jason 结构一模一样的数据类，像这里的 person song 里面包含 address 对 象和 courses 列表，然后用 song from jason 一 行代码，就能把 jason 字幕串直接转成 person song 对 象， 之后直接通过对象属性就能获取数据，特别方便。不过要注意，数据类的字段名得和 jason 里的 key 保持一致哦。最后我们来运行一下，看一下结果。 john object 适合字段少的简单场景， song 适合复杂， jason 能省很多事，新手可以根据情况选择使用。 如果你对安卓开发有任何疑问，或想要分享你的学习心得，欢迎在评论区留言交流，感谢你的观看，祝你学习愉快！再见！

今天呢主要给大家介绍这样一篇论文，评估这个叫 agent md 的 这样一个文件，它到底对我们写代码的这个智能体来讲，它有没有帮助？我们主要是讲这个 agent md， 它我们一般就是叫 做仓库的一个说明书。我们在编辑项目的时候，每个项目的时候，我们促使化项目的时候，让 ai 促使化这个项目的时候，我们都会让它生成这样的一个文件。我们给大家看一下，我们一般都会让它去生成这样一个文件， 这个随着 ai 编辑， ai 编程助手越来越多，现在大概有六万多个开源的仓库当中都包含了这类的文件，这个文件是这样 的，是这样的，它就有这样的一个文件。一般我们在项目初步化的时候，它有一个命令叫 innit， 这个这个命令的是 innit create 或者 update 这个 agent 这样的一个文件。目前在开源的六万多个开源项目当中都包含了这样的一些文件，但是没有人去真正研究过这些文件到底有没有用， 直到它的这篇论文出来，所以这篇论文它主要就去研究这个东西。这个 agent 点 m d 的 这样一个文件到底对编辑代码有没有用？虽然目前 astropica 也好，对吧？ cloud code， 像 open ai 它们都会建议我们在做这个项目的时候都要生成这样 agent 点 md 的 这样一个文件，但是其实这个文件并没有太多的用处。结论是这样的，好，那么我们看看啊，它的这篇论文，它到底是怎么给我们来做这个实验的？首先它是在两个测评级上面做测评的， 一个叫 s w e bench light， 还有一个叫 edison bench， 它两个任务级上面专门去做这样一个研究，这个研究它会拿到很多的这样的一些 excel 上面的一些项目，这个项目它会按照三种方式来进行对比分析。 第一个是没有上下文的，就是他完全不给智能体任何额额外的信息。第二种方式，这个 ad 点 md 的 这个文件是 ai 自动生成的，我们目前大部分的方式都是这样的。还有第三种方式，就是这个 ad 点 md 的 这个文件是人工编写的，是开发者他自己手工编写的。 用这个三种方式去看我们 ai 自编程的智能体，它自动化完成任务的时候，它的成功率会不会提高。 另外他的步骤数量有多少，就是智能体需要多少步完成。另外你要去看他到底推理花了多少托管，他主要是做三件事，做这样一个实验。好，我们看他的具体是怎么发现的，他其实是核心发现了三个东西，就第一个他成功率，你可以看到这是 non， 这是用大模型编写的， 你看到没有的会更好，基本上是这样，没有的会更好，除了这个极小的这种小模型，基基本上是没有的会更好。 这个这个是叫 s w e bench light 这样的一个测评，这个叫 aids bench， aids bench 他 是专门做了一个测评集，他就拿了这些项目，十二个开源的这个项目，做了这样一个 aids bench 的 这样一个测评，他就得到了这个数据， 那么也是一样的，基本上是 non， 它的数分数是比较高的。还有一种方式， human 是 人类自己手工编写的，有些时候会有点好处的，是这样的一个结果，所以他第一个发现是什么？说 这个 ad 字点 m d 的 仓库说明书，它对这个模型生成上下文文件是没有任何帮助，反而是有害的。第二个发现人类编写的有些帮助，但是作用不大，这个它是第二个，它去看它的智能体迭代的这个步骤，你可以看到没有，它的迭代步骤会少一点，有它有些时候迭代步骤会多一点。 其实迭代步骤多并不定代表它的成功率高，但是有可能它是在浪费时间，因为迭代步骤多，它有可能是在做一些无用的一些测试，做了更多内容的搜索，或者是用了更多的 token。 好， 最后也是一样，你可以看到，如果是用了这个 agent 点 m d 这个文件，它所消耗的 token 会更多， 用浪的这个方式反而更好。所以它这个基本上跟我们目前的那个常识是相反，所以这篇文章我觉得还是比较有价值的。在这儿它跟我们的常识是相反的，我们辛辛苦苦去维持维护这样的一个 a a 顶点 md 的 这样一个仓库说明书，并没有帮助我们的 ai 编辑 代码的助手，他的完成任务的成功率更高，反而更低，同时他所消耗的托管药高百分之二十，所以他是根本就没有用。那么我们要回答一下他为什么没有用？他为什么会这样的话，第一个原因，因为你给的文件，他是一个比较综合性的一个文件， 他并不能解决他目前 ai 当前正在处理的一个任务，你给的那只是一个项目的一个栽药， 这个摘药里面他不能帮助我们的智能体更快的定位问题，所以有没有这个文件根本就没有关系。或者是有了这个文件他会更麻烦，因为他会遵循你的一些命令，特别是一些 模型，遵循指令比较强的一些大模型，反而你多了一些不必要的指令之后，他会变让这个任务变得更加困难，而不是变得更加直接。另外他这个上下文文件有可能是融于的，他这个内容本身就是重复， 你在这个上下文里面重复大量的不必要的内容，反而使这个上下文的准确性会下降。它是有这样的一个问题。好，这个就是解释了它为什么我们增加了这样的一个 ad 字的这样一个文件，反而让我们编辑代码的能力会降低。 我们增加了这样的一个文件，看上去是帮助了这个智能体的代码助手去理解整个项目。但其实他在解决实际问题的时候，他并没有用，因为他是在解决某一个任务的时候，跟他其实没有什么关系，他不知道的时候，最好让他自己去搜索，去在这个项目里面找内容，反而会更好。 我们再看看他的建议是什么，他给我们的建议是什么呢？他就三个建议。第一个，我们这个文档可以不要暂时不用，他去生成这样的 a 定词的这样一个 md 的 文档。对，因为有些时候你有了这个文档，反而他是弊大于利，没有用。第二个，如果你真的要写，建议你手写， 而且你写的要很少，内容要少，只包含真正必要的信息，比如说这里面给了一些建议，如何运行，测试特殊工具的使用方法，仓库里特定构建的命令他不要什么东西不要，你详细的列仓库的结构说明， 笼鱼的代码规范，或者是说不要放智能体自己可以发现的信息，这个都不要。而且你放的信息有可能不是很准， 可能已经是过时了，所以尽可能要减少到最小。如果你要写第三个建议这个文档可以不要，但是你可以保持一个 readme， 这个 readme 的 文档它其实是对人也有帮助，对智能体和对人都有帮助，所以这个文档还是建议要保留的。这个文档其实是可以不需要。好， 所以我们可以看到这篇论文是最近也是刚刚发布出来，如果大家有兴趣也可以去看一下，我会把这篇论文发到粉丝群里面去，所以它可以给我们一个比较简单的一个指引，这个简单的指引就是说当我们在做写代码的智能体的工作的时候，这个文档可以不需要， 目前至少 esoteric 和 open ai 他 们建议去写这样一个文档其实是没有必要的。好，这个就是今天论文的所有的内容。

我们原来经常看到他们这些人给我们一些建议，这些建议先我们创建项目的时候，或者有一个老的项目先让 ai 去 in it， 就是 先初步化这个项目，初步化项目的时候它就会帮你自动的去生成这样的一个 agent agent 点 md 的 这样一个文件啊。但其实这个文件其实是没有必要的， 因为如果你要去让那个 coding 的 智能体去完成某些任务的时候，你可以让他随时的到项目里面去解锁内容， 这样解锁出来的内容肯定是最新的。你的那个文档可能是老的，可能是有问题，因为这个跟我们目前的这个常识是相反的，所以我觉得这篇论文还是有点价值，而且他比较浅，但是对我们的这个工作来讲还是带来比较大的价值。因为你知道现在大家用 ai 写代码，他的透坑是非常贵的， 如果你把这个乱七八糟的文件放在里面，你要增加百分之二十的这样透坑的消耗，而且你并没有带来你完成任务的准确率的提高，那你是完全没有必要的事情啊。

你正在看的这条视频，从画面到配音到字幕，全是 ai 一 条命令生成的，不是套模板，是二十三种动画场景自动匹配。整套系统只要五步 写文案，调 t t s 生成语音， ai 自动选场景类型， remote 渲染动画，最后合成加发布，每一步都是代码驱动，不用打开任何剪辑软件。第一步，给 ai 一 段口播稿，它调火山引擎的 t t s 接口， 几秒钟，语音文件和每段时间轴就全部生成一条命令搞定。然后是最核心的一步，场景匹配。系统根据内容自动从二十三种动画场景里选型， 数据用滚动计数器，代码用终端打字机，流程用节点连线，对比用左右分屏， 你看到的每一帧切换都是自动选的。底层框架是 remote， 用 react 显示屏。每个场景都是一个独立组建，参数全写在一个 j song 里，主题色、粒子特效、转场动画改一行配置就能换风格。 渲染完自动混流封面加视频加音频拼在一起，输出三档码率。清晰版给质量要求高的内容，压缩版给抖音日更， 然后一键推到创作者后台，全程零手动。你现在看到的每一帧动画，就是这套系统自己生成的，从七种场景升级到二十三种，这是第二版。下一条，你最想看他做什么？选择题，评论区告诉我。

朋友们，好呀，你现在想跟大家分享一下我用 ai 开发的这个个人工具站。嗯，这一块呢主要就是针对于我平时开发工作中遇到的一些需要工具的一些场景，都是一些汇总，然后把一些工具进行了一些比较符合我自己要求的 ai 开发嘛。 你就比方说这个 jc 工具站，它除了一些呃常用的这个解析之外，它还有一个搜索功能，可以进行一些数据的搜索啊。另外的话呢，就是说比方 这个新数据是有错误的话，它会在上面就是提示出解散哪一行有错误来嘛？然后是进行一些数据的这个修复。这一块啊，另外一块的话就是平时的话我可能会用到一些 c o l 的 命令吧，会把一些 这里边的 body 及转换成一个解散的数据，后面我们直接查看考出来嘛，这有什么情况啊？后边的话就是一些常用的数据的转换这一块另外一个点的话就说科目二是 平时的话，比如说你平躺碰到这种这种非常奇怪的表达式的话，你可能就是不知道他的意思是什么吗？啊？这个文档的话主要就是说他可以把一些复杂的公公式给他翻译过来，然后的话告诉你之后的实景实意是什么，你比如说我们可以改一下，这样 是不是他就会告诉我们这个表达式的这个意思，然后下边的话呢，可能就是还有其他的一些，就是一些百科的一些信息吧，大家有兴趣的话可以看一下。 最后一块的话就是这个美文依赖这一块就是如果我们用 id 开发的时候，我们社区版的话，他就会导致 这个美文的那个页图他不好看嘛，他自由企业把它的功能嘛。然后呢我这边就相当于直接让 ai 帮我们直接把这个美文原始命令进行了这个解析，然后他会把一些冲突的点告诉你点这个定位，冲突的话他会告诉你用他的冲突的地方，然后我们可以进行一些搜索， 都有一个匹配像出来，这另外有三个的话是因为有一个他不冲突，对这个的话是没问题的，所以说他就刚才没展示出来嘛。这个的话雷达这一块就是也是一个数据的一些详细展示吧，是方便我们查看的 啊。后边其他的，你像这个 gvm 调优里边的一些参数的一些配置，包括我们可以通过选不同的垃圾回收器，然后命令会不同的兵的电吧。好的话下边是一些就是常用的一些 gvm 参数的一些记录，方便我们快速查询和查看。 好呢，就是 logo 配置也差不多这个意思嘛，而且大家有兴趣的话呢，就是可以到这块来看一下，是如果有有需要的话也可以进行也使用嘛。然后另外的话就是一些 ai 的 也做在一些这种样式上的，包括一些双语化的，这种的国际化的这种的调整嘛。 啊，后边最后的话呢，我是把这个代码也是直接放到了这个 gitlab 啊，大家如果有需有需要的话就是可以就是拉也来看一下，看看就是 ai 写的这个代码这个风格，包括在这实验方式到底好不好呢？

哈喽，大家好，今天给大家推荐一款我独立开发的新的插件叫 kara， 它是一款专门为 cursor 或者是 vs code 的 用户所打造打造的 markdown 的 笔记管理工具。 为什么要做这个 kara 啊？首先是在我自己使用这 cursor 编程的时候，经常会需要查找文档或者是记录笔记，但是原生的 markdown 的 管理功能呢，相对较弱， 即使有些插件呢，我发现用着也不是非常方便。像还有像 notion 呢这种产品体验很好的传统笔记软件呢，又无法和代码环境相互结合， 结果就是我在自己的写代码的时候，常常要在编辑器和笔记软件之间来回切换，所以体验是非常的割裂的。为了解决这个痛点呢，我是基于 coser 场景开发的这款产品叫 kara， 让你在写代码的同屏之内呢，就会拥有媲美主流笔记软件的 markdown 的 管理体验。 在安装这个 color 之后呢，你的左侧的侧边栏会多出一个专属的这样的一个区域面板。这个面板有三大核心模块，第一个就是页面树，它以清晰的这个文档的形式去展示工作区下所有的 markdown 的 文件。 第二个它有大纲导览，也就是说呢，这个被激活的文件当中会提取它的标题，并且精准的搜索与折叠展示，比如说这里可以折叠展示以及最后一个智能搜索，支持全区的笔记的高级搜索。然后这里搜索会支持优化了多关键词的搜索，比如说带空格的搜索 系统，会优先匹配同时包含 a 和 b 的 笔记，若未命中的话，则只能降级到说包含 a 或者 b 的 内容，非常适合模糊记一下的快快速查找。 打开文档会默认的显示渲染后的预览效果，让你专注阅读。比如说你点了这个之后的话，它会优先去 使得预览模式右侧会有八个档和预览模式的切换。 power 的 页面的布局是怎么设计的呢？最左侧呢是笔记导航，也就是说的页面大纲和搜索，中间是阅读和编辑区，而右侧呢，则依然保持着原生的 ai 对 画面板，所以你无需去改变你自己的 ai 编码习惯啊。 由于我本人是 curser 的 重度用户吧，所以说 curser 主要是以 curser 的 使用场景为主导进行开发的。目前啊发布的是第一个版本啊，我自己每天在深度使用，所以说会持续进行迭代。安装方式的话，你直接可以在 curser 的 market 当中去直接去搜索 curser 就 可以搜索到了。 我把这个项目也开源到了 github 上，所以如果你在使用的过程当中有任何的想法建议或者遇到 bug 的 话，都欢迎在评论区留言或者直接去 github 上提这个 a 数，我看到会会第一时间进行跟进的啊，感谢大家的支持啊，希望能帮到这个同样受此困扰的这个开发者们，下期再见！

capsc 又扔出一个网站，开源了仅六百三十行代码的 auto research 框架，让 ai 自己当研究员，一块消费级显卡就能跑。 你只需在 program 到 md 里写清研究方向，比如优化 nanochat 训练效率， ai 就 会自动修改 train 到 pi、 调整层数、学习率、优化器等参数，启动一轮五分钟的训练。实验结束后用 yippo pb 指标打分，越低越好，且与模型大小无关，公平可靠。 改得有效就保留，变差就回滚。重试每五分钟一轮，一小时能跑十多次，人类一天调两三次就累垮它，四十八小时内跑了近两百五十轮，筛出二十九次，真正有效的改进。这些不是微调， 在 rtx 四千零九十上连跑两天， ai 自主提升训练效率百分之十一。比如修复 qk norm 缺失缩放因子，还混搭了 mon 和 adam w 优化器。 要知道这些模型本已被人工调到极限， ai 居然还能挖出新空间。整个系统就三个文件， prepare 定增基础配置。 print 到的 pi 是 ai 的 实验本， program d 是 你的指令书，换方向改个 markdown 就 行。所有有效改动都以 git commit 记录，清晰可追溯。 carpathi 的 野心更大，打破所有研究必须合并到主干的惯性，他设想成千上万个智能体在独立分支探索，通过 getup discussions 互相留言， depths 等于十十 lr 等于三 e 四，效果更好，新智能体读到就能避开老坑。这灵感来自一九九九年的 s e t i at home， 当年网友用闲置电脑找外星信号， 现在他想用全球闲置 gpu 构建分布式 ai 科研网络，每个分支都是虚拟，博士生不求合并，只管积累和分享。发布不到四十八小时， auto research 已获九千五百家星标。 shopify ceo 直呼疯狂，斯坦福伯克利已用作教学案例。这不是调餐工具，而是一场科研范式的转移，从人写代码变成 ai 攒经验。未来真正的突破，或许不再来自天才灵光，而是无数沉默智能体在五分钟一轮的试错中，悄悄拼出答案。

当你给 open club 添加极梦 ai 技能之后。

让 cloud 变成最懂你的编程助手！你是否遇到过这种情况？每次让 cloud 写代码，他都要问你一堆项目细节，比如怎么运行，用什么规范、注意事项等。其实一个文件就能解决所有问题。 这个神器就是 cloud， 它是 cloud code 的 项目级记忆文件，放在项目根目录后，每次对话都会自动加载 怎么使用。第一步，在项目跟目录创建 c 目录到 m d 文件。第二步，写入项目专属知识构建和运行命令、代码风格规范、目录结构说明、工作流程约定。第三步，保存文件，下次对话 cloud 就 自动记住这些规则了。 cloud 都别适合团队合作，大家约定统一的规范写在文件里，每个成员都能享受默契配合。而且 cloud 会优先遵守文件中的规则，比口头提醒更可靠。 需要注意的是，文件不要写太长， cloud 对 超长提示会有选择性的忽略，保持简洁，只写它无法从代码推断的信息。这就是 cloud code 项目必备的灵魂文件。关注我，下期教你更多 cloud code 的 技巧！

很多人觉得 agent 团队合作就像几个人在群聊，其实这完全是拟人化包装出来的幻觉。如果你去翻看底层的技术日制，你会发现 agent 之间根本不存在什么透明对话，他们的合作本质非常枯燥， 就是不停地在读写 json 文件。简单来说，就是 a 代理往指定位置写了一段结构化数据， b 代理再去把它读出来解析，这就是 agent 通信的物理真相，不是在聊天，而是在跑数据交换。 既然知道了底层是 json 读写，那就别停留在猜想，直接把相关的源码或者运行日期丢给 ai， 给它一个明确指令，找出消息持久化的具体逻辑， 你要定位到那个具体的文件路径和数据结构。这一步的核心是把模糊的技术直觉变成确凿的代码证据，光知道原理还不够，你得让他看得见。 动手写个简单的日制看板。逻辑很简单，实时监听那个 j 散文件的变动，然后把数据抓出来，格式化显示在屏幕上。 当那些看不见的数据交换变成跳动的实时监控流，你就掌握了调试的主动权，不再是盲目的猜代码哪里出了错。最后一步，把这个临时工具封装成标准技能， 别每次调试都献血脚本，把它做成一个可调用的模块或者插件。以后不管你开发什么 agent 团队，直接挂在这个监控技能。 到这一步，你才算真正把一个技术细节转化成了你手里实打实的生产力资产，这种积累，就是你和普通开发者拉开差距的关键。很多人觉得写个日制看板只是顺手的事，但你要明白，生产力的差距就是由这些不起眼的小工具拉开的。 当你把验证、构建、封装这套动作标准化，形成自己的工具链，你会发现调试效率不是在慢慢提升，而是在翻倍增长。这种复利效应能让你在处理复杂系统时比别人快出一个量级。 最后说句扎心的，在这个时代，知道什么其实没那么重要，重要的是你能不能把看到的信息变成行动。别再把技术细节往收藏夹里塞了，那只会让你产生掌握知识的幻觉。 记住，信息的价值永远在行动之后才显现。下次看到好东西，按我说的三步走，验证原理、开发工具、封装技能，动起手来，这些信息才能真正变成你的资产。 道理讲完了，接下来就是实战，下集，我会手把手带你封装一个 agent 通信监控技能，把今天说的这套逻辑彻底跑通。我会分享完整的工具源码，建议关注一下我们下集，直接看代码。