claude code歌曲故事

朋友，我求你别去碰 cologold， 真的 碰了这辈子就完了。你会不想睡觉？不想出门，不想搭理？朋友？一睁眼就是 web coding， 玩三角桌，玩计算机，有意思吧？ cologold 这个劲比他们上瘾多了，你下班回家只想打开 cologold， 更可怕是什么？是有些人压根没工作就天天宅在家里，从早到晚的 web coding， 凭着一股劲瞎敲代码，一敲就是一整天。 所以我先把丑话撂这。要是脑子里有那么一丁点想法，有那么一点点创造力，千万别喷他，你一旦上手，你脑子里想要啥，他就能给你做出来啥。 想要个 app 做，想要个网站，没问题，想做个工具，轻轻松松，他没有任何边界。 而且我跟你讲，它还不贵。你要是不想了解 clockcode， 行，划走，别关注我。你要是不想知道怎么把 ai 工具榨到最后一滴价时也行，划走，我给不了你任何东西。别说我没提醒你哦。

大项目里用 cologold， 先记住四个，反常时只有一个 cologold， md 不 够， sub agent 也别默认拿去改代码。 skill 不是 越多越好，你去年写的规则，今年可能还在拖后腿。 如果你维护的是 monoraptor， 这期讲的不是小技巧，是怎么给 cologold 打 hannahis。 而索比的。这边官方文章讲的是大代码库落地场景，包括百万行 monoraptor 历史很久的老系统，还有几十个仓库拼出来的服务。 它的判断很直接， cloud code 表现不止看模型，模型外面那套 harness 也同样重要。 harness 可以 理解成工作脚手架、项目地图规则、自动检查技能插件 lsp、 mcp 和 sub agent。 先说 cloud make， 很多团队只在 ripper route 放一个大文件，后来越写越像杂物间。大项目更该分层 route， 只写权局地图和关键坑服务目录，再写自己的构建、测试和约定。 clog 从子目录启动时，会沿着目录往上读这些文件，所以局部现场不会丢，全区背景也还在。这也解释了一个反常识操作，在相关子目录启动 clog， 而不是每次都站在 ripper root。 因为 model ripper 不是 一间屋子，是一栋楼， 你让他先走进具体房间，他才知道该看哪条图纸。要让 clog 少迷路，不是为更多权威，而是把入口放到正确现场。第二个点更容易用反， 很多人把 sub agent 当外包小队，直接分配具体修改，官方更看重的是隔离。让只读 sub agent 的 先探索子系统，把发现写成 note 主 agent， 再读 note 改代码， 这样探索时翻出来的日制搜索结果误判路径不会塞满主上下文。第三个点是 skill， 它不是越多越好，也不该把所有专家知识塞进 c a u d e d m d。 skill 的 好处是按需出现， 做代码审计时加载审计流程，改文档时加载文档流程。在 monitor 里还可以把 scale 绑到路径。 支付服务的部署规矩就别在前端目录里占上下文。第四个点是旧规则会过期，你以前写的限制可能是为了照顾旧模型， 比如曾经要求重构一次，只改一个文件可能帮助旧模型稳住节奏，但新模型能处理跨文件斜作后，这条规则就会把它拦住。 osmic 建议三到六个月做一次配置 review。 所以大项目大 harness 顺序不要反，先让 cloud 看懂项目，再给它自动化，再补技能和插件。 lsp、 mcp、 sub agent 都有价值，但它们应该建立在基础现场之上。如果 cloud md 已经臃肿，规则互相打架，再多工具只会让它更快的跑偏。 这期的核心就一句，大项目别裸跑。 code code 先分层写项目现场，再隔离探索上下文，再按需加载 skill， 再定期清理旧规则。模型越强，越需要清楚的跑道。 harness 搭好以后，他才知道哪里可以大胆，哪里该收手。关注我，继续拆 ai 工程里的真实工作流。

女友，我说你别去碰 cologold， 真的 碰了这辈子就完了。你会不想睡觉，不想出门，不想搭理朋友？一睁眼就是 wipe coating， 玩三角桌玩基站才有意思吧？ cologold 这个基站比他们上瘾多了。你下班回家只想的还 cologold 更可怕是什么？是有些人压根没工作就天天瘫在家里，从早到晚的。还 cologold 更可怕是什么？是有些人压根没工作就天天瘫在家里，从早到晚的瞎敲代码，一敲就是一整天。 所以我先把丑话撂炸。要是脑子里有那么一丁点想法，有那么一点点创造力，千万别喷它。对，你一旦上手，你脑子里想要啥，它就能做出来啥。 想要个 app 做，想要个网站，没问题，想做个工具，轻轻松松，它没有任何边界， 而且我跟你讲，它还不贵。你要是不想了解 clockcode， 行，划走，别关注我。你要是不想知道怎么把 ai 供给降到最后一级价时也行，划走，我给不了你任何东西。别说我没提醒你哦。

大家好，今天给大家分享用 card code 搭建 ai 时代的企业的基础设施。 呃，每个公司呢，在这个 ai 的 时代其实都需要搭建整套的 ai 体系。那首先最重要的我觉得就是公司的土壤， 土壤是什么呢？就是公司以前积累的项目资料，案例经验，还有业务数据这些，当然还有财务那些也可以加进去啊，这个也都是 ok 的。 问题就是现在的知识锁在员工的老员工的脑子里，然后文件也散落在各自的电脑，微信群， u 盘，然后流程的话可能有 oa 系统啊。 然后第四个是没有，有些企业是没有数字化的，统一的平台的，那其实怎么建这个土壤呢？就是把这些资料啊，全部都沉淀整理在飞书的系统里，就是飞书是目前啊，大家看下来整个 ai 时代最好的一个企业的基建。 然后还有个是第二点是结构化数据，让你的这些数据案例是可以解锁的啊。第三个就是搭配 ai 卷，它能够去调用这些数据进行分析，然后进行调取啊之类的功能 价格。有三层的基础设。呃，基基础设施就第一层就是数据资产，就是你刚刚说的那些什么项目资料，案例资料，得沉淀下来啊，才这个才是根本啊。然后这是写作平台，那沉淀在哪里呢？其实还是建议大家考虑一下非书，我觉得还是挺好用的，我自己也实际用了，确实很好。 然后第三层呢，就是 ai 的 交互层，交互层的话，飞叔的那个 a 卷呢，有点笨，所以可能大家还是要想嗯其他办法进行做这个交互，但飞叔他的那个 boat 是 能够对外支持呃连接的， 所以目前我我感觉比较好的方案就是大家去配龙虾的系统 opencore， 然后接入飞速的平台，让他们去呃调取和服务你的企业，就调取这个企业的资料啊，去服务你的员工，然后能服务你的这个管理层。 数据，数据资产呢，其实就有很多啊，就是它核心比较难的一点就是你要把它整理好了，就是，呃 有好多案例啊， pdf 啊，科研报告啊，以什么维度去整理好？但你要是不太会整理的话，你可以把整个文件都丢给 cloud code， 文件夹都分享给他，让他去给你分类，你把 sql 告诉他，让他去给你分类。 呃， cloud code 还是很强的，就是你们有条件的还是要用一下，我觉得非常的强大，然后达标了之后就可以去做多维表格进行分类了，这个是一个基本的步骤。 然后再一个呢，就是写作的平台，飞书呢确实还是比其他平台要好用很多，但它也不是完美的，但呢相对而言是比较好用的，因为它呃有那个 bug。 然后呢，能接各种各样的， 各种各样的那个 a 卷都是可以的啊，还有 ai 加飞书，它也还有表格有多于表格，还有共享文档，然后最近还开了一个飞书的 ci， ci， ci 也是非常强大的 这个写作平台。确定好之后呢，其实你把公司的那些办公啊，财务啊那些其实都可以嵌套进去，飞书他本身就支持，就像现在很多大的企业其实都已经完全潜入到飞书里面。 呃， ai 交互，交互其实就在群里，你艾特你的 ai， 然后就是他，比如说他在一个项目运营的群里，你艾特他，然后告诉他，你给他配置好之后，就可以去让他去在这个运营里面做各各种各样的事情 啊，就是模型，模型其实接国产模型就可以了，这个其实它是一个资料收集整理，然后问答呀，然后再探讨一些不会特别复杂，框架不会特别难的问题，所以用国产的模型就 ok 了。 那他有几个应用场景啊？你就比如说新人培训，新人培训首先你得知道这个 a 卷，得知道公司是干什么的，有历史案例， 然后公司的规章制度什么这些东西都灌输到这个 a 卷里啊，你首先要有资料啊，灌输进去，然后让这个 a 卷再去培训你的新人，然后这个是员工助手啊，资深的员工，如果你给他搞定一些， 呃，就是业务上的服务的话，支持的话，他可能会有更高的产出嘛，这也是企业销量最大化的一个啊。这个资料查询就更不用说了，这个其实各个环节都需要的。 呃，怎么开始呢？这个其实就是一个路线图啊，给分享给大家，就是你要把你的资料先分好类，然后再批量处理这些历史文件，然后构建起结构化的数据库啊，然后再建立这个 a 卷，反正这每个环节其实都需要一定的。呃，这个技术的支撑啊， 最终的效果就是新人培训资深员工跟这个员工助手 a 卷，然后全员啊，都可以用资料查询啊，你甚至可以设一个财务的 a 卷，然后大家其实拍个照片，把那个报销发票发给他，他自动就能提报销了，很方便。现在 a 卷真的很厉害。 呃，最后结个尾吧，就是在这个 ai 时代，先还是先打好地基再谈 ai。 因为 ai 它其实是需要资料去运作的，你如果什么都没有，你就搭了一套体系， ai 什么都不懂是空的，你让它重新再 对，直接就回答你的问题，其实跟你直接跟人家聊天没什么区别。所以和现在是要把你的企业的地基资料库给建好之后，这个才能有利于你后面的发展。 ok， 这是我企业系列的第一期，谢谢大家的关注。

兄弟们，一定要多去和那些正在使用 codex、 cloud code 这些 a 卷的人做朋友。如果你身边已经有这样的朋友，要多去跟他们聊天，去看他们怎么用 a 卷来解决学习、工作和生活中的问题。因为你跟这样的人在一起，进步的概率真的会变大。他们通常认知很高，执行力强，心理整合能力也很强，而且探索力非常旺盛。 就你想想一个人，他愿意主动去拥抱这个世界上最顶尖最前沿的工具，而且他真的会上手实践，把新的东西变成自己的能力。你要跟这样的人待在一起，你接触的信息密度会变高，看问题的角度会变多，思维方式也会变得更加开阔。 其实很多时候一个人变强，不是因为他自己有多努力，而是因为他身边有一群正在飞速往前跑的人，可以架着他前进。所以一定一定要去找到那些正在使用下顶尖 ai 工具人，跟他们做朋友。

大家身边如果有一些真正在谈论和使用 codex， cloud code 这样的人，珍惜他，去和他们交流，去和他们做朋友，你进步的概率是更高的。他们普遍都是认知高、执行力强、信息整合能力强、探索欲旺盛的一群人。 就你想想，一个人去主动的拥抱、关注、学习最前沿的这些领域，并且能够真正的去实践他。首先一个他们一定是眼光好，认知高的。再一个进取心强， 执行能力强，持续学习的这种精神好，就你和家人待在一块，你的信息密度，你的思维方式都会整体被拉在网上。

我现在算是终于理解了，为什么有的人说 cloud code 比游戏还上瘾，比游戏还好玩 啊，就是因为我平时吃饭，有的时候我不知道吃什么，有点选择困难症。然后呢，我就跟 gpt 说，我非常希望 cloud code 帮我做一个小程序，就是一点啊，它就能随机给我生成一个菜单，告诉我今天我应该吃什么，解决我的这个选择困难症。 然后我直接跟 gpt 说，你给我写一个指令，这个指令就是发给可乐的扣的， 这个指令不要我亲自写，一定要交给 gpt 去写，然后 gpt 给我写出来对可乐的扣的要求，你看就是这些全是 gpt 写的啊，不是我写的，我就读了一遍，感觉差不多， 嗯，就是菜名，什么图片热量，然后计算出他的这个营养有多少，然后大概的成本有多少，时间有多少，就这些内容告诉他。而且呢，还要有随机菜单的这个 选项，就是我不知道吃什么的时候，我一点这个随机哎，他就随机给我出一道菜，然后今天不论是我点外卖还是我自己做，我就去做这道菜， 嗯，都是非常普通的那种家常菜啊，非常简单的。然后他告诉我这个指令之后，我直接发给可乐的扣的这个界面，就是可乐的扣的，告诉他之后呢，他就开始写代码了， 从一开始我发给他到现在，总共花了大概有七八分钟那个时间，然后给大家看一下他的成果啊，这是微信开发者工具，这就是开发微信小程序的这个工具啊， 你看相当于手机页面就是这样的。然后呢，这个小程序七八分钟已经做成这样了，我今天比方说，呃，我想 我随机点一个，我不知道吃什么，我就来这个小程序点一个啊，今天就吃香煎鸡胸肉，再点一下香煎鸡胸肉，还有鸡蛋蔬菜炒饭，查看一下他的详情，他的详情这道菜 有什么热量构成啊？蛋白质还有多少克？碳水多少克？脂肪多少克？他的营养信息写的非常全，制作步骤也给你写出来， 然后功他的这个功效，包括制作时间、成本都给你写的比较清楚。当然呢，这具体的没有那么精确啊，这只是一个七八分钟的一个呃，作品，我觉得这确实非常的让我震惊啊 大家，你以前没玩过 cloud code 的 也可以去玩一玩，真的非常有意思啊，我现在已经不打游戏了，我打开电脑我就开始让他给我写程序。

今天刷到了一条视频啊，说 ai 时代给了我们每个人一把加特林，但是加特林不会讲故事，我是特别有体感的。呃，进了五月份，我的进分思考其实肉眼可见的越更越少了。 两个原因吧。第一个，越来越忙。从五月份开始深度使用 ai 以后，呃，不管是朋友圈啊，销售啊，包括我的所有的工作流，信息流，包括自然流，所有的内容，我都在用 ai 来帮我迭代。 从前天开始，我甚至通过卡拉扣的，然后手搓了一个我们训练营里自己用的一个小程序，呃，学员的体重管理，包括学员请假， 然后包括房间管理，包括每天的饮食日程，课程表，所有东西都在这小程序上。当然现在我们还在内测，但是这是我之前从来没想过的，因为我在前年的时候，二三年我 在业务需要，真的需要一个小程序，那时候我第一时间想的是在去闲鱼，还真的花钱在闲鱼上找了人帮我做了一个小程序，当然那小程序用了一段时间就不怎么用了。 但是两年后的今天，我竟然能真的严出法随，根据我自己的需求定制了一个适配度极高的一个小程序。这当然很厉害，但是也很可怕。这就说到了我为什么更新越来越少的原因， 就是我发现我的思考真的越来越少了。我想到我要更新今日份思考的时候，我第一反应是让 ai 来帮我出个结构，我把我的感受，我的经历投喂给他，他来引导我去给我文案。 说实话可能效果会好一点，但是我感觉这不是我的本性。我更新今日份思考，其实就是为了能保持思考，然后同时保持输出，留作类似于视频日记一样的东西。但是如果说连我的思考都要 让 ai 来帮我思考的话，那这个就是太可怕了啊，我也不知道我有没有讲明白，但是咱们言归正传，呃，就是我看到这句话的时候说， ai 给了每个人一把加特林，但是加特林不会讲故事这句话的时候我 体感真的特别深。在 ai 时代飞速发展的今天，我们当然要去掌握这把工具，这把加特林，但是一定不要放弃思考，或者说讲故事的能力， 我们应该有自己的原能力，同样的一把加特林在不同的人手中可能也是不一样的威力， 甚至有可能在 ai 飞速发展的以后，讲故事的能力，思考的能力可能会更加珍贵。 ok， 五月二十二号，进分思考，保持思考，保持输出，持续进步，加油！

如果你身边有人真的在聊 codex、 cloud code 甚至已经在用它们做事，我建议你珍惜这种人，不是因为他们一定多厉害，而是这种人身上的特质很少见，他们愿意 接。信息整合能力强。 他不是他非要教你什么，而是你的 心做事节奏都会慢慢被拉上去。人和人之间的差距，很多时候不是努力插出来的，你下 身边的人就是你的信息环境，你每天听什么、看什么、聊什么，最后都会变成你的一部分。 所以一定要靠近那些愿意探索新东西的人，他们不是在跟风，他们是在提前和未来打交道。你离这样的人越近，你被拉上去的概率就越高。

万字图解 cloud code 源码赛博朋克风格深度解析五十一万行 type script 代码，揭秘最强终端编程 agent 的 工程智慧！ 什么是 cloud code？ 它不是聊天窗口，是 entropix 首款官方终端 agent 及命令型工具，能读代码、改文件、跑命令管。 git 拥有四十多个原子工具 agent 核心循环，整个 cloud code 的 核心就是一个 while true 循环，用户给目标模型自主决策，调用什么工具，执行后把结果送回上下文循环，直到任务完成。 四层架构，深度拆解，最上层安全防护，双重网关和危险命令阻断。第二层， agent 执行引擎管理生命周期和病发调度。第三层，原子级工具层，四十多个微服务模块， 最底层外部服务负责 a p i。 互联。为什么不用 react？ 传统 react 必须先输出思考再行动。 token 消耗巨大，缺乏实时并发。 cloud code 用 tuul soup 模型和环境直连流势推进，成本锐减百分之八十。 to use loop 核心代码就是一个 while 循环调用大模型。 a p i 检查是否有工具调用，没有就 break 退出，有就并行执行工具，结果送回消息站，继续循环。 流逝工具并行技术，传统方式是等模型说完再执行工具。 cloud code 在 模型还在流逝输出时，就开始执行前面的工具，只读操作，可以并行写操作，读站延迟藏在推理时间里。 system prompt 核心设计，先给范围，再划红线，两维度判断风险，禁止话痨工具调用键不超过二十五个词，用分割线把静态和动态内容分开。共享缓存省百分之九十费用， 三级缓存体系，大局缓存，全球用户共享费用降九成。组织缓存，同一公司跨绘画共享绘画缓存，同一次对话内只计算一次，一个分割线就是真金白银。 极简记忆系统，不用向量数据库，行为指令用相似度解锁，效果很差。分四类，用户画像、行为反馈、项目动态外部指征锁，隐藏住 system prompt 详情，按需加载 记忆召回机制，用小模型 sonnet 当秘书，扫描记忆文件前三十行元信息拼成清单发给 sonnet， 选出最相关五条，加载完整内容，注入上下文，几乎零延迟。 上下文压缩五步走，能不压就不压，必须压实，从最轻开始，第一步，大结果存磁盘，第二步，砍远古消息，第三步，裁减老输出，第四步，投影压缩，第五步，全量摘药。最后手段， 工具系统设计，四十多个工具零继承，全是纯函数式 build tool， 工厂函数，每个工具自包含 schema 权限执行逻辑。 bash tool 最复杂，一千多行，有沙箱和后台执行 feature flex 与消融实验，编意时 flag 用帮 micro 物理删除代码，反编意也找不到。运行时 flag 做灰度发布。消融实验逐个关掉组建量化价值隐藏功能，包括语音模式和远程控制。 核心洞察， harness engineering， 将省比发动机更重要。评测定义，智能上线测试套件工程才是决定成败的关键。百分之八十的代码不是让 ai 更聪明，而是在死磕可能性。 终极总结，模型是发动机，但安全、上路靠刹车、方向盘、安全带这些不起眼的东西才是真正决定成败的。探索 agent 化未来，从理解这套江绳系统开始。

之前我们讲过一个 webcoding 项目，搞了整个网站嘛，但那个只是一个很简单的 demo 项目了，用于学习。实际情况当中呢，我们的项目会更加复杂，又逻辑又更加复杂，然后表里面字段会很多， 所以这种情况下，如果你直接把需求丢给 ai， 让 ai 帮你去做完整的表设计，然后代码生成 他那个表啊，可能会少很多字段，可能会多很多字段，你要反复的给它进行调教嘛，呃，会耽误很多时间。所以呢，都还不如说我们自己把这个表结构设计好，然后呢，让它根据表结构来生成代码， 因为你的表结构就代表了你对这个业务的详细理解嘛。那假如说现在已经有表结构了，我们怎么让 ai 帮我们自动地生成代码呢？为了完成这样一个任务呢？我们这边需要做两个提前准备啊。第一个准备呢，我们得装一个 m c p， 给大家看一下，我这边装的这个 mcp。 好， 就是我们进到 cloud 里面来，然后这边的话我们输入 mcp。 好， 我们来到这边，这边有一个 my circle， 目前是 field 连接失败了，我回车键先进来，然后 reconnect 重连一下，重连一下， 好，正在重新启动我的 mcp server。 ok， 那 这样的话就连好了，我们再进来看一眼， 选中它回车，我们可以看到这边这把配置的位置啊，它是在我当前用户目下有一个点 call 点接收，那这是一个配置的核心段嘛？其实我们展开这个文件 啊，就是这一段，这一段，这是 command， 这是 x， 这边还有一个环境，这个环境呢，主要是配置了 我的数据库的连接字串，那要去连哪个服务器，哪个端口，哪个库？用户名和密码分别是什么？全部在这个地方呢？配置好了啊，我已经指定到具体的库了。啊，好，这是一个，那另外一个就是我写了这样一个 c r u d 的 skill skill 文件， 这个 skill 文件我是放在了当前项目下，当前项目根目录下点 cloud skills c r u d， 然后 skill 点 md。 那我们重点需要学习的就是这个 skill， 这个 skill 写好了代码就能一遍过，否则呢，就要反复调整， 这是原始的 markdown 啊，名称。然后这个 skill 是 干嘛的？自动生成 c r u 代码，当用户提到 c r u d 实体生成时，使用该 skill cloud， 在 启动时，它会去加载这两行内容， 那么当你的命令里面包含了这些关键词时，它才会去加载下面的内容。我说要采用测试驱动开发模式，可以使用这个 m c p 来获取表结构。就刚才给大家看的这个 m c p 嘛， 为指定表生成 c l d， 因为库里面很多表，是吧？需要用户指定到底是给哪些表生成代码吗？ 同时呢，需要支持搜索和分页功能。然后关于这个分页呢，我说要使用 where id 大 于 maxid， limit n 种形式，而不要直接使用 limit offset n 种形式，因为后面这种形式的话，随着你的 offset 越来越多，那么这个性能会越来越差， 因为本质上它要把之前所有内容全部查出来，然后截取最后 n 条嘛，就很慢。 那我担心他不理解这句话是什么意思。所以呢，这边专门写了一个视力代码啊，他去理解一下，还给了一个错误的视力。然后我说道层呢？所有代码共用同一个连接时，因为有时候啊， 他可能会说给每一个表单独建一个连接使，那我希望是所有表共用一个连接使，所以加了这么一句话啊。执行流程第一步，先去读库，列出所有表，然后询问用户到底要选择哪些表， 然后询问用户到底要选择什么语言，够远还是 python？ 还是加吧，对吧？要使用什么框架？然后呢？生成 model 到和 service 这三层代码，避免代码溶于。 然后呢？生成测试是吧？然后的话要去运行测试，根据测试结果再来反复修改代码。那以为是一个数据库吗？ 你在运行测试时，你产生的数据放到哪里？是放到正式库里面去吗？并不是，我这边是说放到你的这个内存数据库 select 里面去，这样的话，你全部是在 select 里面去插入，修改、删除、查询。 测完之后的话，你把这个 sql 清空一下啊，并不会影响我正式的这个 my sql， 它不影响。好，那么有了这样一个 sql 之后的话，我们打开 cloud 这边，我先返回， 好，返回到主界面，我直接说生成 c r u d 代码会说好，那么简短的这样一句， prompt 实际上就会什么就命中了这个关键词嘛， ai， 它就会去加载这个 skill 文件，根据这个 skill 文件里面的指示，一步一步地去执行。好，你看是吧，它已经去加载了 c r u d 这个 skill， 让我使用 my sql mcp 服务器列出数据库中的所有表，还要去运行这个 show tables， 哎，他发现数据库中有这么多表，跟江狗相关的，跟右相关的。这么多表，然后呢，开始询问我要为哪些表生成？ c， r o d 可多选。 那这一边我就选择第一个吧，空格选择第一个 user， 然后下来空格选择第二个。学生啊，就这两张表，然后我来选择这个 submit 的 提交啊，提交，这边是提交我的答案， 那么他问我要使用什么语言，什么框架。我这边选择的第一个吧， g m 加 g o m， 他说表结构已经获取，现在让我来开始给你生成代码。他要给这两张表生成代码嘛？好，代码需要放在哪个目录下啊？我直接放在当前目录吧，选择一回车 啊。正在给这个 user 表生成。是否允许编辑这边按下 shift 加 tab， 切换到编辑模式吧。 好，允许他去写入代码。他先去生成了 model 层代码。这边是搞了一个结构体嘛？啊， user 结构体跟那个表进行一个对应， 然后的话他打算去生成到是吧到层的代码，这不将改查嘛。搞了一个 user 到，然后呢打算去生成 service 层，它是一层层往上嘛，从底层，中层，上层去生成， 然后呢开始写这个 test， 也就是说两张表嘛，那他先把 user 表完整的弄好之后就开始去跑这个单测了， 测试没有问题，再去创建另外一个表。这边是要去生成 go 点 mode 文件，因为他要跑单测，发现有些库没有嘛，要去下载安装相应的第三方库。那执行 go mode tidying 安装库嘛？ 这边问我是否要执行这个命令，选择 yes， 那 这边应该是发现代码一些问题吧，发现问题了，它会自动的去修正，下载第三方易拉库， 然后去 go test， 对 吧？运行测试嘛，他说你可以按一下 ctrl b 放到后台去运行，这样的话你就可以在这个对话框里面继续跟他对话了嘛。好，那么这个 user 表终于搞完了，现在他开始准备搞这个学生表， model 层的学生， 现在时间已经过去了五分钟了，还是很慢啊，如果人工搞的话，其实要很快，为什么呢？虽然说这个代码比较多，但很多代码都是直接复制粘贴嘛。你只要做过一个项目，你可以很快的把那个项目代码拷贝过来，然后简单改一改。 所以其实这个人工会比 ai 要更快一点，那甚至更不用说，现在有各种各样的加速，加 go 啊， go frame 啊，包括加把里面的 spring 啊 这些框架工具，也可以自动爆满，生成相关的 o r m 代码。因本质上都是一些规则嘛，所以简单的增删改查， ai 能够完成，但是这个相比之前并未带来效率提升，而且还花费了更多的钱。 当第一个表生成以后，其实第二个表会快很多，现在刚刚过去一分钟，那么它已经来到了测试阶段，对吧？已经开始测了， 而且估计能够一遍过好。这边这两项已经全部完成了，花了七分半好完成，他说已经全部完成，并且呢测试通过， 给了一个代码结构， model 层到层跟 service 层，然后它是在根目录下创建两个单测文件，最好是放到一个单独的测试目录下吧。啊，功能说明， 因为你让它生成增删改查嘛，那么它针对两张表分别生成了 create 创建啊，更新，然后删除，这个是 get by id， 这个是 get by uid 或者是 get by name， 还有那个分页查询都有，这边说分页用的是 where id 大 于 maxid limit n， 实现性能更好。 软删除 user 表支持软删除，因为它只要给这个字段复制，就证明是被删除了嘛？如果这个字段为空的话，证明还没有删除。数据库连接啊，到层呢？共用一个连接时，通过 new 什么到来？附用同一个 d b 十例。 好，我们看一下。那左侧呢？啊，这个到啊，这个 model 啊，这个 service 啊，就是它刚刚报生成的， 我们人工 check 一下，比如说这个 user 吧，这边一个结构体对吧？它这边是搞了 json tag， 还有跟 g o m 相关的 tag 啊，每个字段都有，这边指定了真实的表面是什么，看一下。倒层， 搞了一个 user， 到它要依赖一个 g o m 点 d b， 这是一个勾函数对应的 crate， 你 传进来一个结构体嘛？ user 结构体，那核心呢？是调用这个 g o m d b 点 crate 来插入数据库 啊。更新是调用这个 save 函数删除，根据 id 删除。 find by id， 根据 id 查询，就是 where id 等于什么？ 同时呢，这个删除时间需要为空，删除时间为空才证明它没有被删除嘛？才证明这个数据是有效的啊。 find by e id 查询，这边是 max id， 它的 where 条件，首先保证记录没有被删除，然后呢，这个 keyword like 某某，然后呢，如果 city 不 会空的话，那么 city 等于什么？哎，这边是 id 大 于 maxid count 计数嘛，好看一下， service service 呢？它实际上核心是依赖于到层嘛？这边还搞了一个 request， 那 么你给我传参数时可能是传那个 json， 所以 这边是有对应的 json tag 啊，不同的这个接口函数，它对应着不同的 request， 这边好多 request， 对 吧？所以这边它要根据 request 再转成那个 model， 然后呢，再去掉这个到层对应的函数。 所以 service 层核心还是去掉到层对应的函数啊，只不过在参数这边做了一次转化跟封装。 ok， 看一下测试吧。 user test 这边，它先去出使化 d b 连接， 关键这行这行，你看它测试时候它用的是这个 circulate 啊，本地的内存数据库通过迁移去往这个库里面呢，建好对应的表，这边测试那个 crate。 那 第一行啊，先去拿到那个数据库连接， 然后呢，就创建了一个 service， 然后直接去掉 service 层对应的函数，那么 service 会掉进道里面去，对吧？所以如果我们从 service 层往下测的话，能够跑通，就证明道层也是没有问题的。 这边各种 t 点 file， t 点 arrow， 来判断一下有没有单词失败嘛？还好检查一下啊，每个字段都是否符合预期啊。你看第二个单词函数，它第一行还是去出石化，第一笔连接包括第三个，对吧？也是要去出石化第一笔连接。 ok， 这个是测试， 那我们需要人工的 check 一下啊，跑一下 go test， 杠 v 点当前目录，因为当前目录下有两个 test 文件嘛。好，咱们整体跑一下。 好，这边最终的结果是 pass， ok， 证明所有的单词代码全部通过了，没有问题。 插播一条上岸信息。我录制了一些编程课程，包括 python， 勾语言，区块链变化，还有智能体，我是一个人，一个公司，没有立即变轻的压力，所以呢，我可以花更多时间去打磨一门课程，我做事情可以考虑的更长远， 所有课程都是经过我的精心剪辑的，尽可能让大家花更少的时间达到一个更深的高度。感兴趣的可以进我主页橱窗进行了解，或者呢直接私信咨询。

来看一下 cloud code 的 一个全教程，基础的认知定义的话，它是 antiphic 公司二五年二月推出的原声端的一个。什么 原声终端的 ai agent， 简称 c c cloud code 嘛？嗯，它的一个核心原理就是大模型的循环 l l m 的 一个 loop 啊。 l l m 那优势的话是本地运行的，而且它的一个优秀的 harness 的 一个工程控制，控制的工程适用的场景在于编程的开发、文案攸写、资料整理、数据分析等脑力的工作。适用的场景是编程开发、文案攸写、资料整理、数据分析等脑力工作 啊。第二第二点呢，就来看安装和环境的配置。安装方式，命令行，命令行就是用这个电脑的命令行来安装，或者是 ai 来辅助安装。环境搭配可以去搭配，比如说 curson agent 一个 ide， 那 agent ide 是 什么意思？ aggieter integrated development environment 智能体的一个集成开发环境， ide id 一 对 𠲎 集成，呃，集成集成 development environment 集成开发的一个环境是二五到二六年 兴起的一个新一代 ai 原生的开发工具，把人工智能从被动的代码助手升级为主动的自主合作伙伴，彻底改变了软件开发的一个工作方式。简单来说的话，就传统的 id 是 你写代码， ai 帮你补起 补全，而 agent ide 的 话是你说要干什么， ai 会帮你完成整个开发的流程，它内置了具备自主决策和执行能力的一个 ai 智能体，能够理解你的自然语言的需求，独立规划任务，修改多个文件运行终端命令执行测试、修复错误，甚至提交代码和打开 pull request， 整个过程只需要你在关键节点进行审查和确认。 那它与传统 ide 的 本质区别，传统的 ide， 比如说 vs code， 它这个是吧？ ai 的 定位呢？就是侧边栏的插件是被动的响应， agent ide 是 核心架构，主动协助的工作方式是 开发者逐行去编辑。 ai 提供一些建议，那我们 a 证 id 是 开发者描述这个目标， ai 直接去执行任务能力边界单文件的一个代码生成补缺，而 a 证 id 它是多文件的重构，全流程的自动化。开发者的角色是代码的编辑者。那我们 a 证 id 里面是 需求的定义者和结果审查者。上下文，理解有限的上下文，那我们这里用的是一个完整的代码库和项目架构的理解关键能力特征。真正的 a 政策 id 必须要具备以下的核心能力， 一、目标导向的自主性，理解高层次的开发意图，无需逐行去指令。二、任务规划与分解，将复杂的需求拆分为可执行的子任务。三、环境交互能力， 操作文件系统终端版本控制外部的 a p i。 四、自我修正能力，运行测试，解读错误的信息，迭代，改进代码。五、常上下文，内个处理，理解整个代码库的结构和依赖的关系。主流的 agent id 的 工具，截止到二六年的五月， 市场上主流的这个工具是包括了 cursor 是 市场占有率最高寄予 vs code 的 构建的，那上手门槛是最低的 windows， 这都没听过。 然后这是什么？大大型的代码库和企业级的文件？ jet brain ear， 这个是 什么？隔离式的工作空间， a w s 的 一个规范驱动模式， google 的 anti gravity， anti gravity 的 话它是反重力的 google， google 这个听过就支持多个， 最多支持五个 a 阵的并行工作生成，可验证的交付，还有是字节的。这个 tree 的 tree 是 国内版全部功能免费支持自定义的智能体的一个创建，所以这个 cursor 和这个什么对吧？啊？ anti gravity， 还有这个 tree， 它是自定义智能体的一个构建，它可以干嘛？它是它其实整个是说智能体的集成开发环境，就本来是你自己写代码，现在你只要告诉它需求，然后你去审查结果就 ok 了。 然后模型的配置的话是官方模型的一个登录 cloud code， 它有官方的模型，国产的一个模型的话，比如说 deepsea 这些是国产大模型 啊。基础初步化的一个设置的话，包括了主题的选择，安全配置文件夹的一个信任，安全配置的话你是完全的相信它，还是说你在中间的话要进行确认？三、基础使用权限模式、权限模式 plan mode 是 计划模式、默认模式、自动编辑模式、无确认风险模式，有计划模式、默认模式、自动编辑模式和无确认 分险模式，它就其实就是给它的权限，嗯，是高还是低？交互的方式包括了文字对话，然后 at 文件，发送图片斜杠命令就是怎么去， 嗯，给自己就是说给他下命令，它是包括了文字文件，还有说图片斜杠命令，常用的斜杠命令就是一个斜杠 model， 斜杠 斜杠 b t w 斜杠 simplify， 斜杠 help， 它就是 model 模型 b t w simplify 就 给它简化一些自己的一个命令， help 执行的命令，心中端运行 叹号，前端运行， control b 的 话，它是一个后端后台运行，心中端运行前缀运行，还有就是一个后台的运行 管控的技巧的话，回滚的功能，双击是退出，然后还有这个 re， rename 版本的管理，呃， get get 的 一个存档提交和回滚。上下文管理可以怎么样子？上下文因为有些太多了，你可以给给它进行压缩一些信息，不然会消耗很多的客户坑。 compact 压缩斜杠，它不是说命令吗？ clear 就是 清空斜杠。 contact contest， 它是一个呃，对对比， contact contact 它是一个对比查看账比，然后 对话恢复的话， resolve， 还有 cloud cloud， 它继续进行对话个性化的定制。首先第一层的话，它是一个 cloud cloud 的 一个三层。记忆的话首先是大局，大局的话是通用的规则，对所有的项目都生效，就相当于一个基础的设置 项目级项目专属的规范，可以团队共享文件夹及就指目录特殊的进行规则。 auto memory， auto memory 它是自动记忆，去记忆一些什么东西，它会在你就是在操作的过程中，它会记录你的用户习惯，反馈项目进度。外部资源 操作就是可以开启，可以关闭，还可以去查看记忆和删除一些记忆，自定义文档，比如说品牌规范语言的一个规范。 六、高级拓展功能 skills 就是 一个技能分类，可以分为知识型，流程型，工具型，混合型 skills， 它有这些分类知识流程工具，还有混合型安装，手动放置，还有 final skill 的 一个辅助，创建 skill creator 的 一个辅助外部连接工具 m c p 就 ai 与外部服务器的一个转接， c l i 的 话是命令行工具，高效去调用外部的功能。 m c p 是 ai 与外部服务的转接。 m c p 是 什么？ model context pro protocol， 它就是一个 model context protocol 模型的上下文协议，它是 ai 智能体时代的一个行业标准协议，被称为 ai 世界的一个呃， usb c 接口，也就是刚才问的 ai 就是 agent ide 背后最核心的一个技术之称之一。 m c p l cloud 的 子公司 antopik 二十四年一月推出的开源的标准， 它解决了 ai 发展史上一个关键的问题，就让 a 任何的 ai 智能体都能即插即用地去连接外部的工具、数据和服务，而不需要为每个工具去编辑定制的集成代码。解决了什么问题？在 m c p， 它就相当于一个 usb c 的 一个接口， 那就是在诞生之前的话，其面临着 ai 工具，其实面临着呃嗯 n 乘以 n m 的 一个困境， n 个不同的 ai 应用，比如说 cloud， gpt、 酷 sir v s code， n 个不同的外部工具 github 然后就比如说这个 stack a w s。 结果就是需要开发 n 乘以 m 个独立的一个适配器，成本极高，而且难以维护。 m c p， 它通过统一的标准接口把它这个问题简化为 n 加 m。 只要 ai 应用 支持 m c p 的 客户端工具，支持 m c p 服务器，它们就能自动地互相连接，就能自动互相连接。核心的架构与三大功能 m c p 采用客户端服务器的架构， 然后它们为 ai 的 话提供了三类标准化的交互能力。首先第一个是 resource 资源，让 ai 读取外部的数据文件、 数据库 notion 等界面 tools 就 工具能让 ai 去执行操作运行终端的命令，调用 api， 发送邮件等。 some prompts 就是 一个提示，呃，提供预定制的提示词模板，引导 ai 在 特定的场景下更好地工作。与 ai agent ide 的 一个关系，那他就是之前就问这 agent ide 它是一个 mcp 对 吧？传统的 ide 它是只能在有限的上下文中去生成代码，那现在的 agent ide 呢？它 ai 可以 理解整个项目的结构，读取任意的文件，运行终端命令，测试错，测试执行这个测试，修复错误，甚至提交代码和打开 pr。 截止到二六年的五月，所有的一个主流 agent ide 的 话，都能够原生支持 mcp， 而且有庞大的 mcp 的 一个服务器生态的系统几乎覆盖了覆盖了所有的一个开发工具和服务。 c l i 的 话全称是 command line interface 命令行的界面是最古老最核心的计算机的交互方式之一， 一些通过纯输入就输入纯文本的命令来控制计算机来执行任务，没有图形的按钮、菜单和鼠标的操作。在二六年的技术语境下， c l i 的 话，它就是命令行的一个界面，没有被淘汰，反而因为 ai 智能体和 ai ide 的 兴起，成为了最强大的开发工具接口。核心概念对比， c l i 和跟 g u i graphical user interface 图形界面， 图形用户界面是相对的概念。首先这个命令行的界面交互方式就是文本，那这个图形用户界面的话是要点击拖拽图形元素，图形的一个元素 啊，学习曲线的话，陡峭，需要记忆命令，那这个是平缓的，直观易懂，执行速度极快，几乎没有额外的开销，较慢，需要渲染。页面 自动化能力极强，可以脚本化，批量执行，即有。就图形用户界面的话是较弱，难以自动化，远程操控，原声支持带宽的占用极低。 图形用户界面它是依赖远程的，桌面，带宽要求高。简单来说呢， g u g u i 图形界面， 图形用户界面让用新手更容易上手。 c l i 的 话是命令行界面，让专家效率倍增，为什么开发者离不开 c l i？ 首先是极致的效率，熟练后一条命令就能完成 图形界面里面的十几步点击的一个操作。二、可以自动化，可以将多行命令写成脚本，一键执行重复的任务。三、远程控制，可以通过 s s h 在 全球任何地方都控制服务器，这是这个什么图形用户界面没有办法比拟的。 四、资融资源占用低，在服务器、嵌入式设备等资源有限的环境中是唯一的选择。五、工具生态，几乎所有的一个开发工具，服务器的软件， ai 的 一个工具都优先提供这个 c l i 的 一个接口，每天都在接触的 c l i 工具，系统自带的，比如说这个， 嗯， windows 里面 command command power shell， 还有一个是 windows 的 一个 terminal power shell， 这个是很常见的开发必备， get 的 话是版本控制，所有开发者每天都必备的。 然后 python 的 话，包管理器，还有容器管理，集训管理， obsidian 的 一个命令行的启动工具，以及这个 cursor cursor 的 什么？比如说 agent id 的 命令行的接口， 命令的基本结构， c c l i 的 一个命令的基本结构，一条标准的命令，它由三部分构成，命令选项，参数。命令的话就是要操作的名称，比如说 git git 啊，版本控制，对吧？选项，它是以这个开头修改命令的动作，比如说 git clone depth one， 对 吧？然后再就参数是命令执行那个对象，比如说文件的路径， url 名称等势利害，比如说这个 git clone， 还就是一个网站， 命令是这个 git 呃子，命令就 clone， 然后再参数的话是这个网站 c l i 跟 ai 呃 ai 这个 agent id 的 一个关系， 这是最需要了解的一点，也是 c l c l i 在 今天就是一个叫什么命令行工具，对吧？命令行界面，命令行界面在今天爆发的原因，因为 ai 完美决定 去解决了 c l i 的 最大痛点，需要记大量的一个命令和参数。现在你不需要记住这个 get reset hard 这个 had 是 什么意思？只需要告诉 agent i d e。 撤销我上一次的提交，它就会自动生成正确的一个命令行界面的一个短 命令行界面的命令并且操作。而你之前问的这个 m c p 模型的一个上下文的协议跟 ai ide， 本质上它都是通过这个命令行的命令行的工具来跟计算机交互的。 m c p 服务器很多都是通过 c l i 命令暴露这个工具的能力。然后 agent ide 的 核心功能呢，就是自动生成并且执行终端的 c l i 就是 命令行命令行这个界面的一个工具， 它的一个命令，几乎所有的一个 ai 智能体都优优先用这个命令行界面来操控文件系统，就比如说我们要关机，对吧？关机的话你可以在那点点击关机，也可以用这个命令行工具直接打开这命令行工具，然后输入这个什么关机的这个 指令，然后来操作，所以就是 c u i 的 话来操作文件的系统，运行系统和调用服务。 sub agent， 它是一个子 agent， 功能的话就是能够去并行工作，独立的上下文创建的话是自动派生的，还可以是手动的 agent 创作。 hook， hook， 它是一个自动的触发器， hook， 自动触发器，任务提醒、代码检查等条件触发。还有就是一个插件，插插件的话是打包 skills， 还有 m， c， p 等功能， plugin 的 一个就是插件的一个管理， 而且可以打包这些功能插件可以打包这些功能。学习总结的话，核心的阶段上手使用管控优化、个性化，再到一个高级的一个拓展，核心的逻辑就是从一问一答到构建一个 ai 写作的系统。 再来看一下这 cloud code 的 一个使用的全全部的教程。首先基础的一个认知，它是干嘛的，对吧？它它是一个通过干嘛通过。大模型循环，就是相当于说你，嗯，提问你，你给他一个指令，然后他不断地去 啊，就是找到答案了之后又又又又又把这个答案重新去，去到 deepsea 再再去给它循环，这就要大模型循环，是吧？安装基本的一个使用管控的技巧，个性化的去定制，高级的拓展以及学习的一个总结。

今天看到有人在一个评论区说啊， cloud code 只能服务程序员，普通人根本没用，哎，我回了他一句，我的视频都是 cloud code 剪的，这算程序员吗？然后对方接不住了，跟我说，我的视频没有人看， 哎，我今天想讲的其实也不是 cloud code 到底是不是只能写代码？我觉得这个问题真的太低级了。我真正想说的是，很多人根本没有意识到大模型带来最大的一个变更，不是写代码，不是写诗，不是画图，它最大的一个能力是第一次给了普通人一种快速把任何工作结构化的一种能力。 不要小看结构化这三个字，很多人连结构化的意识都没有，因为你可能没有从事过 it 相关的一个工作，也没有做过系统设计，没有受过这一类的思维训练，从小到大安步就般的长大，所以天然会觉得，哎，这个世界就是一堆事情，一堆信息，一堆任务。 但是你真正的仔细去想一想，特别是最近几十年人类发展的一个规律，我们整个世界发展的一个进程就是把各种商增的事物结构化下来， 然后不断的沉淀和信息。抛开大模型不说，在大语言模型诞生之前，这个世界是结构化的吗？肯定是一部分结构化的， 你看我们现在用到的各种 app 程序软件本质是什么？它们都是结构化能力的产物。程序员把现实世界这些无序的东西和对象，比如名字、地址、订单、价格、行为关系， 变成了数据库里干净的字段表、规则和流程。这个世界才有了电商，有了外卖，有了导航，有了支付，有了办公系统，才有了今天这套高效率的数字世界。也就是说，计算机程序诞生了这么多年，几乎一直在做同一件事情，就是把现实世界里抽象、混乱、无序的对象， 变成计算机能够处理的结构化的数据。但是传统程序一直有一个天花板，它只能处理你设定好的，定结构也是提前定义好的。 一旦碰到杂乱的文本、图片、聊天记录、语气、文档、 ppt、 视频，传统程序是做不了的，因为这类东西里有大量人类看一眼就懂，但是程序很难判断的抽象关系。 大模型最革命的地方就在这里，他不是一个聊天工具，也不是一个写代码工具，他把传统计算机结构化世界的能力拔高了一个抽象层级，他具备的类人的结构化的能力，你当然可以说他现在充满了幻觉，有时候会不准，现在不稳定，但是这些都不重要，只是现在这个发展阶段的表象。 真正重要的是他具备了传统程序任任何一个以前的传统都不具备的能力。他能够读文本、看图片，理解人类才能理解的语义，判断重点、拆任务、总结规律，你给他打一大坨完全没有任何逻辑的信息，他都能帮你梳理成一个完整的一个表达和文 案，甚至说大模型自己是怎么来的。大模型本质上也是一套高维度的结构化书籍。 我们去看 transformers， 做的事情就是把人类语言这种极其抽象、极其复杂的东西，压进了一个可以用数学表达的高维结构里面。先有了这套架构，才有了今天的大模型的智能涌现。大模型本身就是高度结构化的产物， 所以我经常看到有人说，哎，克拉克不就写代码了吗？大部分人用不到。大哥，有没有一种可能，你现在做的大部分的工作，本身就是在把杂乱的信息加工成有序的信息。 写个报告是把灵采的信息变成一份整洁的文档。做表格是把混乱的数据变成自导。做 ppt 是 把复杂的观点变成展示结构。回复客户一段客户一段话是把你的模糊的诉求变成可解决的一个问题。 剪视频是把素材、节奏、情绪变成一套视觉修饰结构。写小说是把人物冲突、情绪、情节变成一套故事结构。所有人的所有工作几乎都在做这一件事情。把人物冲突、情绪、情节变成一套故事结构，所有人的工作几乎都是这样的。 那你过去为什么没有被传统计算机程序替代？不是因为你的工作神圣不可替代，是因为你的工作里面有太多计算机识别不了的抽象判断。 但是现在呢？大魔星具备了类人的判断的能力，意味着你工作里面那些无法被计算机识别，但是其实并不复杂的判断过程可以被智能体替代了。 所以我不想跟你讨论可洛克是不是拿来写代码的，这个真的太 low 了，真正可怕的不是他会写代码，他能把你的工作变成机器可以执行的结构。 当你可以看到的他是一个口井 a 井的，我看到的是什么？我看到的是他能帮你持续的提升你的生产力，把复杂的事物重新结构，所以你在纠结工具边界的时候，这个问题本身就已经 没有意义了。在这个时代，我觉得一个人真正的价值不是会不会用 kaleidoscope， 是 你能不能把这个混乱的世界，把你想做的事情拆成结构，拆成规则，拆成流程，拆成可以被智能体执行的方法。你未来能够把多少的混沌变成秩序，并且结合模型的能力把它给转化掉，你的生产力就有多强。

今天学的 cloudcoat 命令，保证有一个关键命令你不知道，这期我把 cloudcoat 讲成一只猫头鹰，它观察力很强，行动也很快，但越强的 ai， 越不能让它在代码森林里乱飞。这期我们只讲四个指令，先把它控制住， 不要死记命令，你就把它们想成猫头鹰的四件装备。 memory 是 树洞笔记，用来沉淀项目经验。 plan 是 业行地图，用来拆解复杂任务。 permission 是 边界牌，用来控制危险动作。 compact 是 夜视镜，用来续上关键上下文。 第一个 memory， 它不是临时备忘录，而是树洞笔记、项目规则、踩坑经验、反复遇到的 b u g 修复记录，这些长期有用的写进去，但临时想法、一次性任务过期方案不要塞进去。 输入 memory 之后，你会看到三个入口。第一个是 project memory， 这是最重要的项目记忆，存在项目代码规范、常用命令、目录说明和权限边界。 第二个是 user memory， 放的是你的个人偏好，比如输出风格、技术栈习惯、命名习惯。第三个是 auto memory， ai 自动整理出来的记忆， 选中后可以打开查看和编辑，重点记住项目规则放 project memory， 个人偏好放 user memory， ai 自动总结的内容要人工检查。 第二个 plan， 实战里 plan 不是 让 cloud 写一篇漂亮计划，而是逼他先把任务拆清楚，先看风险在哪里，怎么做到最小改动，最后写清验收标准。没有验收标准的计划基本等于没有计划。 在 cloud code 里，使用 shift 加 tab， 可以 在不同模式之间切换。切到 plan mode 后， cloud 会先阅读代码，分析问题，拆解方案，但不会直接修改文件， 等思路确认清楚后再切回 edit mode， clone 才会开始真正改代码。这个流程适合处理复杂需求，重构排查 bug， 避免一上来就乱改。 第三个 permissions， 它是森林边界牌，不要所有动作都谈确认，也不要全部放开。读文件搜索代码可以放行，改配置装依赖最好先问，删除文件，读取密钥，直接拦住权限，不是刹车，是护栏。 permission 这个界面重点看三层控制。 allow 是 自动放行，低风险操作，放这里减少反复确认。 ask 是 每次先问，不确定有没有风险的操作，先让 cloud 问你。 deny 是 直接禁止高风险命令，敏感文件威胁操作直接拦掉。这里的关键不是全部放开，也不是全部拦住，而是把权限分层，能自动做地放 allow， 需要确认的放 ask， 绝不能碰的放低。奈权限边界配清楚 cloud code， 才能既高效又不乱来。 第四个 compact， 复杂修改聊久了，废弃方案，错误猜测，临时试验会混在一起，留太多， cloud 会被就上下文带偏，到百分之六十到百分之七十就主动压缩，别等快满才开始救火。 compact 用来压缩上下文，它保留目标、关键决策和下一步，压掉废弃方案，调试日制这些噪音，比如从百分之九十四降到百分之四十六，核心就是主线留下噪音，压掉任务继续。 最后记住这四步，用 memory 沉淀项目经验，用 plan 拆解复杂任务，用 permissions 控制危险动作，用 compact 续上关键上下文。 cloud code 不是 越强越好用，实战里能控制的 ai 才是好工具。

很多人调了几次 a p i， 写了几个函数，就觉得自己搞定了智能体。但这只是单纯的接口堆砌，远算不上工程，真正的难点压根没触及。这本书的作者皇家打了一个比方， claude 像一匹脾气暴躁的马，要驾驭它，你得有一套合身的工具 harness， 这套工程系统才是真正的分水岭。比如第三章讲的 skill， 书中把它拆分为触发层、编排层、执行层，读完你会立刻明白这个框架不参与逻辑推理，只管固定流程的执行。再到第五章介绍的 hoofs， 十七种事件类型，什么时候该拦截，什么时候该放行，都逐一讲透彻了。多任务如何并行而不冲突， 上下文如何压缩而不崩溃，这些内容能帮你把原理真正理顺。其实技术的细节终会被淘汰，但工程思维长存。想从单纯的体验者升级为掌控者，这本 cloud code 的 实战一定别错过了，强烈推荐！