claude code变红原因
大家好啊，昨天晚上其实是爆出了非常大的一个消息，就是 color code 的 源码泄露了，泄露之后马上就出现了大量的复制。 另外呢，呃，也有一些工程师对这个源码进行了比较细致的分析， 包括这个啊，发布这个源码泄露的作者，而其他人也都做了，很快都做了 rap 之类的拍手之类，新的这个就是转写。 那么这个项目的漏出呢，其实很多人都说堪比这个特斯拉当时开源他们的这个技术， 其实对于整个行业，尤其是这个中国的 ai 大 厂啊，包括开发者都是非常利好的，相当于是一个很大的技术屏权。我也大概看了一下，就是确实里面有很多技术细节，很有参考价值啊。当然他的服务端还没有 并没有泄露啊，主要泄露是客户端，但是确实也是爆，也就是露出了很多高价值的信息。 然后我们这边呢，呃，昨天呢，其实也是完成一次大的升级，然后凌夏的引擎现在已经具备两百多种全球玄学技能了，应该也是全球第一个达到这个水准的。 呃，不管是软件也好，还是说智能体也好，应该是第一个达到的。然后我们下一步呢，就是说一方面是继续提升技能专业性， 达到终极密室以上的这个要求。第二个呢，就是怎么快速的把现在像这些智能机角度的超级智能机角度，一些新的技术，一些发展，快速融入到我们的产品中去。正好我自己也是 利用一些业余或者并行时间，也是开发了这 offencloud 的 ios 版本，然后正好这个 cloud code 出来，我们也准备把这个凌霄的智能机引擎，包括这个本来是准备有可能是开源的这个 offencloud 的 这种移动端的这些项目， 然后都加入这个克拉蔻的这个成分，让它更加智能化。因为欧曼克拉在这个自整体调度这块应该有很多地方和这个克拉蔻的这种还是有差距的。 对，所以说很值得参考一件事情啊，一项技术，也请大家拭目以待，看看我们未来的一系列的新产品推出，谢谢。
粉丝1145获赞1577
相关视频
03:10查看AI文稿AI文稿微软刚刚下令，要求内部数千名工程师在六月底前必须从 cloud code 迁移到自家的 github co pilot 上。究竟是什么样的原因，让这个给 astropica 投了几十亿美金的金主，竟然亲手封杀了自家平台上的 cloud code 的 使用权呢？ 第一层原因， cloud code 性能太强太好用了，已经威胁到了微软的根基。 get 当初的微软啊，只是内部小范围的试水，没想到一用就彻底出圈了。测试数据的差距非常明显啊。 cloud code 的 代码生成基准得分是百分之八十点八， 微软 copilot 呢，只有百分之七十二点五。尤其是百万级长上下文跨几十个文件的重构调试， copilot 的 完成率高达百分之八十九，而 copilot 呢，只有百分之六十。 更有超过六成的工程师啊，在微软内部的调查中，认为，复杂开发场景里面， copilot 的 更好用。事实上呢，此类高性能的 ai 编程工具，正在慢慢地减弱开发者上传代码到 gitlab 的 意愿。 一边呢，是自家的抠拍了的不争气，另外一边呢，是对手的产品强势渗透，这等于是直接有人跑到自家的后院里挖墙角，微软肯定是坐不住的。第二层原因呢，简单直接就是成本太高。 toker 的 账单啊，直接把微软给吓到了。 这个 ai toker 的 收费这件事情啊，微软自己就是这套模式的开创者。结果呢，自己先被反噬了。高频调用啊，极其的烧算力， 像 uber 这样的大规模使用者，四个月就烧光了全年的 ai 预算。眼看着内部的账单疯涨，又恰逢微软的财年节点，所以啊，干脆直接禁用卡点控制新财年的预算，逻辑上呢，也非常现实。 第三层的原因呢，就是安全隐患太大，企业呢，扛不住风险。之前克拉德克出过严重的代码泄露事件，几十万的核心代码外流，还爆出过安全审核失效的致命漏洞。更关键的是，漏洞修复代码早就有了，但是克拉德克的呢，却迟迟没有全量推送。 这个呢，对于微软这种高标准的企业来说啊，让自己的员工天天用着一颗随时可能被利用的定时炸弹，无论从安全角度，还是数据合规角度啊，都是无法容忍的。 而第四层原因呢，就是生态必须自主，不能把命脉交给别人。那些大厂之间啊，看似是合作，但实则啊，都在暗自布局自己的生态壁垒。 微软当初引入 cloud， 是 为了放在云平台上卖给外部的客户赚钱的，但自家工程师的开发习惯、技术站思维方式，绝对不能长期依赖别人家的工具。你可以对外合作让利，但是核心的生产工具必须赚在自己手里。 所以宁愿牺牲一点短期效率，也要守住长期技术生态的主导权。归根结底啊，微软禁用 cloudco 的 不是商业赌气，也不是单纯的内卷， 而是性能冲击、成本失控、安全隐患、生态自保四重原因叠加起来。所以这不仅仅是一次工具的切换，更是大厂在 ai 时代的生存逻辑缩影。 当成本和安全不可控的时候，即使你技术再好，哪怕你是合作伙伴，也必须被斩于马下。我是老林，关注我评论区聊聊吧。
591老林说
01:12
01:35查看AI文稿AI文稿用括号扣的啊，很多人一上来就会踩坑。那今天收五个最常见的。第一个，指令太模糊，帮我修复登录 bug。 那 到底报了什么错？附件步骤是什么？你想要什么结果？那 cloud 的 不是你肚子里的蛔虫啊，你给他信息越少，他猜的越离谱。 正确的做法是啊，把文件路径、报错，截图、日制全甩给他，再说清楚附件的步骤和你期望的结果。你喂的越细啊，它输出越准。第二个，不用 cloud 点 md。 cloud 点 md 是 什么？ 就是在你的项目根目录下放一个叫 cloud md 的 文件，里面写上你的项目背景，技术栈，编码规范。那 cloud 的 每次启动的时候都会去读这个文件，没有它啊， cloud 每次都要重新去参与这个项目，到底是干嘛的？有了它，一上来就能够进入工作状态，很多新手压根不知道有这个功能啊，但其实它真的很好用。 第三个，一次性让 cloud 改太多的东西，有人一上来就有一个超大的需求，让他一口气重构整个项目，然后呢？改着改工了，那你都不知道是哪一步出了问题。那正确做法是啊， 把大学九拆细，改一点验一点，每次改完让他帮你提交代码保存进度出了问题啊，你还可以回滚。那第四个，改完不验证，这个坑最多人踩啊。 卡拉扣的改完不代表他改对了代码能跑，也不代表逻辑对了，有时候他还会偷偷影响别的功能，你可能都不知道。所以啊，一定要让卡拉扣的帮你写完测试并验证，验证通过了才算完。 第五个啊，不管你对话长度聊太久，对话越来越长， cloud 的 输出质量就会下降，他记不住前面说过什么，或者会记混。那怎么办呢？用两个命令，第一， compact， 压缩历史对话， 保留关键的信息，减少上下文的占用。第二， clear， 直接清空上下文，从零开始。那任务做完了，最好开个新的对话，别在同一个对话里面聊太多的东西。那这五个错误啊，你中了几个呢？欢迎在评论区聊聊。
127起哥的AI实战
01:02查看AI文稿AI文稿cloud 泄露的源码给大家存档了整整五十万行的代码，一千九百多个核心的文件，超级 agent 的 密码全部被迫开源了。网上疯传的原项目地址现在用不了了，但已经有网友全部存档在了这个网站。我昨天熬了个通宵啊，替大家连夜翻完了这些系统提示词，发现了这背后藏着顶级 ai agent 的 密码，代码里甚至藏着未公开的代号。 keras 会变成二十四小时在线的主动助手，主动给你推送通知，根本不要去安装什么复杂的龙虾部署了甚至还有电子宠物八 d 的 趣味彩蛋，不同稀有度等级， 心情值还会进化。天呐，想起了以前养 qq 宠物的快乐，我已经开始提前期待了。甚至还有做梦模式， ai 会在梦中开始整理和你的所有记忆。 特例的场景是真的要来了吗？这一波被迫开源国内这些卷 agent 的 大厂这下别想睡了，估计都在通宵对答案。有了这份参考答案， agent 的 架构和逻辑能力估计下周就要起飞，又一波 ai 大 爆炸的时代要来了，你是不是也迫不及待想研究下圆满老规矩？
02:23查看AI文稿AI文稿当所有人都在告诉你， cloud code 无敌了，靠，赖主无敌了，程序员要失业了。但是我要告诉你一个有点不一样的事实啊，限阶段的 web coding 根本就做不到真正意义上的脱手。所谓的技术平权，是建立在你至少懂一点技术逻辑的情况下。 如果你连最基础的概念都不懂，人家不是在帮你开发，他是帮帮你随机挖坑。为什么？因为很多人连最基本的两个概念都没有搞懂 啊。 l l m 和 agent。 先说 l l m 即垃圾 language model， 你 可以把它理解为 ai 的 大脑，像豆包，千问、 deepsea， 还有 g p t， 本身上都属于大圆模型， 他们负责思考、理解和深沉，但是他们不会帮你真正干活，他们只会告诉你应该怎么做。真正执行的是第二个东西， agent 翻译过来叫代理，你可以把它理解为 ai 的 双手， 他可以帮你改代码，跑命令，读文件，调项目。像 cloud code， codex 这种都是偏向于编码型的 agent。 但问题在于，其实他们都挺瞎的啊，你以为他们在认真开发？但是如果你不写好的提示词 啊，他经常改着改着就把项目改炸了，修一个 bug 照三个 bug， 还会一本正经的胡说八道。所以现在真实的状态是什么呢？ ai 能让懂开发的人效率翻倍，但是远远做不到能让不懂开发的人直接起飞。后面的 mcp， skills， 还有自动化工作流，都是建立在你懂这两个概念的基础上。他说工具怎么选？如果你是 轻度修需求，就是想要写点小工具，做点小网站和小作业。我推荐一个东西叫什么啊通一律嘛啊通一律嘛？不知道有没有人知道的，开箱即用门槛低，而且最重要的是它现在阶段是全完全免费。 但是如果你是高需求想真的做产品或者跑项目的话，我建议你还是上 call 和 calllex 这种，只不过他们都有很多技术门槛，像环境配置， api 啊，费用还有网络这种一个都绕不开。 所以别再信什么一句话做萨斯零零基础月入十万这种鬼话了啊。现在的 web 扣队你更像什么呢？像一个非常牛逼啊但是脾气非常怪的实习生，你以后得会盯着会纠错会提需求， 而不是直接放手不管。 ai 确实在降低门槛，但是他远远没有做到让你什么都不懂就能闭着眼做产品的效果。
470某神人
04:45查看AI文稿AI文稿今天我花二十分钟把这个可绕的扣的给装起来了，其实呢，这个还是比较简单的，我今天就来给大家演示一下，先把这个可绕的扣的零摩擦， 帮大家先装起来，然后再告诉大家后面怎么去领免费的偷客人怎么 处理，自己的文件怎么用。我们首先就准备几样工具啊，一个就是电脑，电脑肯定是要有啊，但这个性能是无所谓。还有一个就是 qcloud 的， 这之前我教大家装过，如果不会的话就翻一下前面的视频， 然后还有一个就的不希克的网页版本，你如果有什么问题，安装过程中出错了什么的，你直接截图发给他，他会给你解答。 那 qq 二的你直接告诉他帮我安装一下 cloud code， 然后他他就会给你自动安安装上去， 这里我已经安装好了，我看一下能不能演示一下 qq 二呢，他每天也是有免费的额度的，所以说处理这些小小事情还是绰绰有余，这就是已经在在装了啊， 你不用管他，他自己会跑，跑完以后呢，那就装好了。那如果呃出问题呢，你就截图发给那个 deepsea 是 吗？根本不用人为的来操作，这难点呢，就是你这个装好以后怎么用，因为他用 cloud code 的， cloud 的 这个这个模型呢是海外的模型，你国内的话还用不了，需要配置一下，我之前用的是 deepsea， 这个配置起来比较简单， 等会告诉大家，如果还不清楚的可以加我的粉丝群哦，我群里会把相关资料上传上去，有问题呢也可以和群友大家一起交流一下，你看安装完成让我来确认一下这个内容。好，这安装好了，然后这些就是文件， 这还有个启动文件啊，直接开始刚刚第一个跳，跳出来的是是是否信任这个文件夹，直接打确定回车就可以了 啊，这里呢就可以开始聊了。我周边之前是有装过的啊，有装过这个模型的，现在已经切换到小米的这个这个大模型， 所以说他能回答我正常的话，你是这里是他会报错的，因为你没有接入这个 cloud 的 这个模型。 那我们怎么办呢？看一下啊，就你先要登录这个 deepsea 的 开放平台，然后 api 开放平台点进去，点进去呢，他这边的话会有一个，呃，个人认证， 个人认证啊，就认证完了以后呢，他会给账号里面充十块钱，那十块钱的话你用一下其实可以用好一段时间啊，再点这里 a p r k， 你 自己创建一个，然后呢，你这个 钥匙拿到以后，直接创建密钥的一个脚本，直接把对这一段文字呢全部发给那个，如果不知道就让 qcloud 帮你找你这跑完以后呢，它会新建一个 apikey 的 这个 hup， 这个自动程序里面呢，他是有你的，有你的这个密钥，把这个命令中的这个密钥替换成你真实的这个 api 的 这个密钥， 就是我刚刚复制的那个外串密码，然后还是发给你电脑这一串文字，那么他会给你新建一个 这个文件，它里面会告诉你是用的是哪哪个大模型吗？ 我这里是 deepsea， 所以 说他已经写好 deepsea， 如果说要用好一点模型，你直接给他替换成好一点模型，然后那两个文件生成以后呢？你就可以重新打开这个 试一下，你打开试一下，你随便给他发句你好或者怎么样，他如果能回答你，那么就说明你这个已经是成功了，就是已经从卡拉的模型切换到 deepsea， 那 么你就可以用国内的这个大模型去调用这个程序。 那大家如果遇到什么困难或者不懂的，可以加我的首页粉丝群，大家一起过来探讨一下吧。
179老许的采购笔记
04:01查看AI文稿AI文稿上期视频我分享了 cloud code 的 安装和常用技巧，但真正用过的小伙伴肯定会遇到一些问题，比如没法联网搜索、没法识别图片、没法阅读网页、没法监控上下文进度和 coding plan 的 使用情况。哈喽大家好，我是专注用动画科普 ai 的 阿 k， 接下来我就为大家一一解决上述困扰。本期依然全程无广走你。 其实想解决联网搜索、图片识别和网页读取这三个问题，只需要用到一个叫 m c p 的 技术。简单来说，以前 ai 的 能力往往局限于自身的知识库，但有了 m c p 以后， ai 就 具备了使用外部软件的能力， 所以从某种意义上来说， m c p 就是 ai 和外部软件之间的一座桥梁。那到底装哪几个 m c p 能够解决上述三个问题呢？这里我给大家推荐目前 github 上最主流而且确实能打的三个免费开源方案。第一种是用来搞定联网搜索的，叫 brief search， 它的强项在于拥有独立的搜索锁影，而且对 ai 的 读取特别友好。第二种是用来解决网页读取的，叫 fetch， 它能过滤掉网页里的杂乱元素，只把最核心的代码和文字扒下来给 ai 看。第三种是搞定图片识别的，强烈推荐 screenshot mcp， 它能自己截取你当前的画面或者指定窗口去分析报错的原因，这种直接让 ai 看图排错的体验妥妥的极品。接下来我就以 brave search 为例，为大家演示一下如何在 cc 里安装 mcp 工具。 首先你需要有一个 brief search 的 api key， 具体获取方法大家可以问问 jimmy， 为了避免被限流，这里实在无法展开了，只有拥有这个 api， 才能安装它的 mcp， 并获得每月两千次的免费搜索次数。放心哈，个人绝对够用了。 然后我们需要打开终端，粘贴这串代码。注意哈，这里要换成你获取的 api key 哈，那敲完回车，等它自动跑完，你的 c c 就 正式通网了。那另外两个工具就没这么复杂，不需要 api， 直接分别执行这两串命令就行。 那这三个外挂都装好了，具体该怎么用呢？简单，比如你直接敲一句，帮我搜一下某某某某，他自己就会去调用 brave search。 又比如直接甩个链接过去，按这个链接里的开源项目说明，帮我搭个环境， 他马上就能又快又准的执行任务。那遇到程序跑不通的情况，也连截图软件都不用打开，直接给他发一句，看一下我现在的屏幕，帮我找找 bug 出在哪，他就会自己咔嚓一下，截取当前的画面去排错。总而言之， m c p 工具的好处就在于清亮和即杀即用，而且 github 里面好用的 m c p 一 抓一大把，大家感兴趣的话可以自行探索哈。 ok， 那 接下来就是解决上下文监控和 callin plan 用量的问题了，大家看这里，这是我安装的一款名叫 cloud hud 的 开源插件，它的优势就是能够挂在在 c c 输入框下方，并且以进度条形式直观显示上下文用量和 callin plan 用量。 那有了刚才安装的 m c p， 我 们只需要把这个项目的仓库地址丢给 c c， 然后让他帮忙安装就行了。但是大家注意，这个插件原本只能监控 cloud 的 订阅套餐的用量，而我用的是国产 callin plan。 所以 接下来我想告诉大家，我是怎么通过使用 c c 来改造这个插件的。 首先我上期视频说过， c c 终端版最大的优势就是自由度高，而且这个插件又是开运项目，这就意味着我们可以用 c c 来修改插件代码。然后我分析 cloud 套餐机制和我使用的国产套餐机制是一样的，都是无小时限制加上周限制， 所以我只要能够获得我的套餐的用量数据，然后把它们替换到插件里就行了。所以我第一步是先让 c c 用 brave search 搜索如何获得我使用的控制 plan 的 数据。第二步就是让 c c 写个脚本，把我的国产套餐的数据替换到插件里面，读取 cloud 套餐数据的代码中，然后设置每五分钟刷新一次，这样我啥也不用干，刷刷手机就完成了。但是这个时候出现了一个问题， 就剩下文监控还是进入一条形式，但套餐监控变成了文本形式了， 按道理来说也能用，但是我有强迫症，我想既然可用的套餐可以用进度条显示，我不过只是换了数据来源样式，应该是不用动的。所以我用自然语言告诉 c c， 我 要插件原本的进度条显示，颜色搭配也必须遵循原来的插件。然后没多久 c c 就 帮我改好了。 当然我说的很简单，它中间其实还有不少细节，受限于篇幅没法展开。但我真正想告诉大家的是，知道原理就自然知道怎么做。比如我不知道什么是前端，什么是后端，就无法修正进度条显示。 所以大家想要玩好 ai， 真的 一定一定一定要多动手多尝试，从而提升自己的知识储备哈。 ok， 那 以上就是本期视频的全部内容了，我是专注动画科普 ai 的 阿 k， 无惊无险又到六点，下了个班。
3.5万K森动画
00:43查看AI文稿AI文稿glasscode 的 源码泄露了，原因竟然这么离谱？最近啊， ai 圈炸锅了，热门的 ai 构建工具 glasscode 的 源代码一次泄露。更离谱的是呢，泄露的原因不是黑客攻击，也不是内部泄露，而是在最新版的 glasscode 的 npm 的 发布包当中呢。开发者居然忘记了把六十多兆的 sosmap 文件给剔除掉。 懂行的都知道啊，这玩意儿就是代码的底库啊，有了它，根本不需要反翻译反混淆，只需要几十行脚本就能把 ts 的 源码给解析出来。我已经扒下来看过了，基本确定啊，就是 cc 的 源码， 并且呢，也是比较新的版本。这次泄露呢，涉及了两千多个核心的源码文件，包含了内部的 api 设计，加密工具进程间通信协议， m c p skill 的 扩展， a 帧的编排等等诸多的实践细节。虽然这个被开源的只是 c i y 的 源码，不包含可洛模型本身的模型代码和权重，但是呢，对于很多做 a 帧的开发者来说，这也是一个非常好的学习机会了。不说了，看源码去了。
1.0万程序员Hollis
01:01查看AI文稿AI文稿朋友，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。
3.3万吉米AI工作流
00:47查看AI文稿AI文稿在 it 界使用过 ai 的 人都知道 cloud code 非常好用，但不知道 isnoop 这家全球顶级的 ai 大 模型公司是抽了什么风，跟我们是什么仇什么怨？只要是公司或组织超过百分之五十的股权由中国控制， 就立即终止服务。现在呢？你个人账号用着用着也会被封，充钱都没有。好像是注册的时候必须用身份证原件加上人脸识别。 如果哪一点透露出了你是一个中国人，直接封号没得商量，真够绝的。我查了一下，这家公司的创始人兼 ceo 曾经在百度工作过十一个月。不是吧， 工作十一个月就跟我们结下这么大的梁子吗？你们有谁知道他在百度这十一个月，百度究竟跟他对他做了什么？
01:50查看AI文稿AI文稿如果你现在用 cloud code 只会一句一句发需求，那我建议你先别急着让它写代码，因为你可能不是不会用 ai， 而是根本没把它的隐藏能力打开。这期直接讲六个很多新手没打开的核心能力。开完以后， cloud code 才不是一个临时帮你写代码的聊天框，而是一个能长期配合你的开发搭档。 第一个项目，记忆入口名叫 innit， 很多人每次开新绘画都要重新解释技术栈、目录结构和代码风格。 innit 的 价值 就是让 cloud code 生成 cloud md 这种项目，说明先认识你的项目，再开始干活。第二个， play mode。 新手最容易犯的错就是还没想清楚就让 ai 直接改代码。 play mode 的 意义是先让它读项目，拆方案，判断风险，再进入执行。第三个 compact， 压缩上下文，绘画异常， ai 很 容易被前面的信息冲淡，越聊越散。 compact 就 像给对话做一次整理，把真正重要的方案接口和未完成任务留下来。 第四个，自定义命令，官方叫 custom slash commands。 很多人每天都在重复输入同一类提示词，比如代码审查、提交总结、性能检查。它的价值 是把常用提示词沉淀成自己的自定义命令，命令以后随时赋用成工作流。第五个， sub agents。 复杂项目不要总让一个 ai 绘画硬扛所有事情，它的关键是分工，主绘画统统方向， the agent 分 别负责审查、排错、测试和文档。第六个 hoops， 这个能力很多新手完全没碰过，但它决定了 cloud code 能不能守流程。你可以把它理解成自动质检员，改完代码以后提醒检查 结束任务前提醒验证结果。所以真正拉开差距的不是会不会问一句帮我写代码，而是你有没有把 cloud code 配成稳定工作流，项目记忆解决重复沟通 play mode 解决乱改压缩上下文解决跑偏自定义命令解决重复提示词 sub agents 解决分工 hooks 解决交付质量这六个能力建议收藏起来慢慢吃透。关注我，后面继续把 cloud code 的 高阶玩法拆给你看。
4.9万阿森编程日记（AI自动化）
00:33查看AI文稿AI文稿兄弟们，千万别碰牢扣的，碰了你这辈子就完了。你会每天不想吃饭，不想睡觉，你就盯着那个尾巴扣顶，开始敲敲敲敲敲，然后觉得自己是那个造物主啊，救世主啊，上帝啊，佛陀啊，你就觉得这个世界都是你的了，然后你就每天 歪不扣顶，歪不扣顶，歪不扣顶，然后每天在家里面浑浑噩噩的发挥你的创造力，然后把你所想到的一切东西给造出来，千万不要这样，兄弟们，如果你这样了，那，那我也要这样了，嘻嘻。
3.2万小E（Ai嘉豪版
03:43查看AI文稿AI文稿很多小伙伴问怎么让 cloud code 接上 deep seek？ 这条流程我从头到尾给你讲一遍，照着走就行。 视频稍微有点长，建议先点个收藏，耐心看完，按步骤动手。先说清楚， cloud 是 anforepic 的 网页和 app 聊天助手，你打开浏览器就能用。而 cloud code 是 跑在你电脑终端里的编程搭子， 它能直接读你的项目代码，改文件、跑命令，相当于把 ar 装进了你的工程目录。更狠的是，凭借社区里那一大批开源 skills， 它还能调度你电脑里的一切浏览器表格、邮件、设计稿，几乎想自动化什么都可以。 为什么要接 deep seek？ 两个原因，在国内访问稳定，不挂代理，按 token 计费，也比海外接口便宜不少。而 deep seek v 四 pro 的 能力，应付日常写代码、改 bug、 做重构绰绰有余。 开始之前先准备两样东西，第一， node js 十八以上版本提前装好，长期支持版就行。第二， get for windows， windows 用户必装，不装后面依赖会报错。 第一步，安装 cloud code， 在 开始菜单里搜 power shell， 右键以管理员身份运行。打开窗口后复制官方的 m p m 命令，粘上去回车，等它装完。 装完输入 cloud， 加上版本参数，看到版本号就说明装好了。第二步，获取密钥， 进入 api 开放平台，进入控制台后，在左边的侧边栏找到 api keys 这一项，点进去， 页面下方有一个创建 api key 的 按钮，点一下弹出小窗，给这把密钥起个名字，比如就叫 demo， 然后点创建， 创建成功之后会弹出一个密钥字符串，立刻点复制保存到记事本或者密码管理器里。特别提醒，关掉这个窗口之后，密钥就会变成密文，再也看不见。 如果你不小心丢了，只能删掉，重新创建一把。第三步，配置 cloud code， 打开文件资源管理器，进入 c 盘用户目录，再进入点 cloud 这个文件夹。 如果看不到点 cloud， 要先在查看里把隐藏项目和文件扩展名都打开， 然后新建一个文件，名字叫 settings jason 把这段配置直接复制进去，把 api key 行换成你刚才复制的密钥保存即可。第四步，验证打开终端或者 power shell， 输入 cloud， 回车 看到红色边框的欢迎界面，模型型显示 deep seek v 四 pro， 就 说明已经成功接上 deep seek。 最后再送一个加分项。如果你平时在 vs code 里写代码，配好 antropic 官方的 cloud code 插件， 装完进入侧边栏的 cloud code chat， 它会自动识别你刚才配置好的账号，直接就能在编辑器里聊天和改代码。 整个流程下来，你就拥有了一个本地终端加编辑器，双端可用的用 deep seek 驱动的 cloud coat。 你 学会了吗？欢迎评论区聊聊。
202多多Lab
01:36查看AI文稿AI文稿你还在研究大模型参数，那讲真的，这一轮你已经慢了。半个月前的那次原码泄露，很多人当八卦看，但真正看懂的人已经在抄作业了。今天呢，我不讲新闻，我只讲一件事，顶级 ai 公司是怎么把你甩开两代的？ 那第一点， prompt 不是 提示词，是程序。大多数人写 prompt 就 像在许愿啊，帮我写个页面，帮我做个接口，然后模型就开始猜你想干嘛，但人家是怎么写的？明确任务，明确工具调用，明确参数结构，明确禁止行为，每一句都是指令。 那我给你一个最简单能落地的改法，把 prompt 拆成三段，你是谁？你要做什么？你不能做什么，那就这一个改动，你 agent 的 稳定性 直接翻一倍。第二点，上下文不是越多越好，是越干净越强。很多人一遇到问题就说模型上下文不够长，那我直接告诉你，错，顶级产品是怎么做的？ 不重要的信息直接删，重要的信息做筛选，核心的信息做强化，那一层一层过滤。所以它为什么不乱？不是因为上下文长，是因为上下文干净。 那你现在就可以做一个简单的优化，每轮对话结束之后呢？手动只保留关键信息总结，别把所有的垃圾上下文都喂给模型。这一步呢，能直接解决百分之八十的越聊越傻的情况。那这次事件呢，本质也说明一件事， ai 下半场拼的不是模型，是工程能力。 prime 设计上下文，管理 agent 流程，谁先把这套东西搭起来，谁就能吃掉下一波的红利。最后说一句重点，别再自己摸索了，学习 ai 最怕的不是难，是你根本没有路线图， 大学半年一点成果都没有。那我整理了一份二零二六年最新的学习路线，四个阶段，先学什么，后学什么，用什么书，看什么，教程全部都给你拆清楚了，需要的直接安排。
71AI果果姐
00:40查看AI文稿AI文稿全球最有钱的科技公司，被自家工程师用 ai 写代码烧光了预算。微软最新内部通知，六月底强制停用 cloud code， 全面改用自家 copilot。 原因是太贵了， token 计费暗自收钱，工程师写的越多，公司付的越多。讽刺的是，微软投了 open ai 一 百三十亿美元， 自家 co pilot 还是打不过 cloud code。 微软工程师对 cloud 的 满意度百分之九十一，对自家产品却只有百分之六十，这说明什么？ ai 时代最大的谎言就是便宜高效。真相是谁用谁知道，贵的肉疼，微软都扛不住，中小企业怎么办？
791顶级AI观察
01:20查看AI文稿AI文稿新手用 cloud code 高频翻车的五个点，今天一次性帮你避开！第一个翻车点，不写 cloud 点， md， 它每次开新对话都从零猜你的项目技术栈、目录结构、命名规范全靠瞎蒙，结果就是改风格不一致， 要用错文件反复反攻。新手第一步直接跑匿名，让 cloud code 自动生成专属记忆档案。第二个翻车点，分不清 plan、 edit、 ask 三大模式，全程默认丢需求。 plan 先规划方案， edit 才动代码。 ask 只解答不改文件， 复杂任务一律先 plan 再 edit， 安全又稳。第三个翻车点，盲目开 auto 或优乐模式，他拿到方向盘自己跑，新手还没看清就跨文件改了一堆，等回过神来，关键逻辑早被覆盖，回滚都难。 新手老老实实手动确认每一步，等熟了再放权。第四个翻车点，长对话从来不 compact， 上下文越堆越满，偷啃烧的飞快，他还会被早期的过时信息带偏，回答开始前后矛盾记不住最新决策 对话变长就 compact 一下，关键结论留在记忆档案里。第五个翻车点，不接 git， 就 让它随便改，新手项目连仓库都没出，使化模型改崩了，想退回上一版都做不到。辛辛苦苦写的代码， 一次错误重构就全没了。动手前先 git init 加 commit， 每一步都有快照可回滚。记忆档案模式分清，关掉 auto， 勤用 compact 接好 git， 五个翻车点，一次避开。关注我，带你吃透更多 cloud code 高阶玩法！
1277阿森编程日记（AI自动化）
14:15查看AI文稿AI文稿大家好，我是娜娜。最近科技圈最重磅的消息莫过于微软突然宣布从今年六月三十日起，全面叫停内部数千名工程师使用 anthropic 的 cloud code 编程工具， 强制要求他们转向自家的 github copilot c l i。 这件事之所以值得所有人认真看，是因为它打破了我们过去对 ai 行业的一个基本认知。那个累计给 open ai 投了超过一百三十亿美元，手握全球最大云算力平台 az 的 微软， 居然会说自己用不起 ai 了。更讽刺的是，微软不仅是 antropic 的 投资方之一，还为 antropic 提供了大部分的云计算基础设施。换句话说，微软一边在给 cloud 搭服务器，一边看着自家工程师用 cloud 烧自己的钱，最后实在烧不动了，只能强制断供。 这不是孤立。就在同一时间， uber 的 首席技术官普拉文内帕丽娜加发布内部备忘录，承认公司二零二六年全年的 ai 专项预算，仅仅过了四个月就已经全部烧光，而烧钱的主力同样是 cloud code。 当微软和 uber 这种级别的科技巨头都开始喊用不起的时候，我们必须意识到， ai 行业的补贴时代已经彻底结束了。那个 ai 能无限提升效率，成本只会越来越低的美好趋势，正在被一张又一张天价账单撕的粉碎。 我们先把这件事的基本情况说清楚，这次微软叫停 cloud code 的 范围主要覆盖负责 windows、 microsoft 三百六十五、 teams、 outlook 和 surface 产品线的所有工程师，人数接近十万。 微软给出的官方说法非常体面，体验与设备事业部执行副总裁拉杰什甲在内部备忘录中表示，当初同时开放 copilot c i 和 cloud code， 目的就是为了在真实的工程工作流中进行精准测试，快速学习不同工具的优缺点。现在，六个月的测试期已经结束， cloud code 完成了它的使命，所以团队将全面转向可以自主掌控的 github co pilot c l i。 但几乎所有内部消息和行业分析都指向了同一个更直白的原因，太贵了。 微软没有公开具体的花费数字，但知情人士透露， cloud code 的 账单已经高到连微软都觉得肉疼。 uber 那 边的数据更有参考性，每个工程师每月使用 cloud code 的 费用在五百到两千美元之间。这意味着，一个一百人的技术团队，光这一项 ai 工具的开支一年就能达到几百万美元。 这背后是整个 ai 行业定价模式的根本性转变。过去我们习惯了软件行业的包月订阅制，付一笔固定的月费，想用多少用多少。 但现在，面向编程场景的 ai 工具几乎全部转向了基于 token 的 按用量计费模式。提问越复杂，调用越频繁、任务越深入，产生的费用就越高。 在传统的软件开发逻辑里，工程师写的代码越多，公司创造的价值就越大。但在 ai 智能体时代，这个逻辑被彻底反转了。 ai 写的代码越多，公司付给外部供应商的账单就涨得越快。 这就像你雇了一个效率极高的员工，但他每敲一个字都要单独收费。当他干活比十个普通员工还勤快的时候，你的财务平衡反而会被直接打破。 over 的 案例最能说明问题，他们有百分之九十五的工程师在日常使用 ai 工具，其中百分之八十四已经进入了智能体编码模式。百分之七十的线上代码提交源自 ai 生成，产量确实提升了，但代价是原本计划用一整年的预算，四个月就烧得一干二净。 财务团队当初基于固定席位和低频调用建立的成本预测模型，在面对数千名工程师并行开启的智能体工作流时彻底失效了。 所以微软的选择其实非常理性。 github 属于内部核算成本资源在 azure 体系内流动，编辑成本极低，而 cloud code 是 一笔实打实的外部现金支出， 哪怕两者的生产力完全相同，单从财务角度看，微软也没有任何理由继续为 cloud 买单。不过事情显然没有这么简单，如果只是成本问题，微软完全可以限制使用量，或者要求团队按需申请，而不是一刀切全面叫停。 越来越多的迹象表明，这次断供更像是一场精心策划的战略撤退，而不是一次单纯的财务决策。 很多人注意到，微软是在向内部开放 cloud code 整整六个月之后才宣布停止使用的，这个时间点非常微妙。 linkin 上有开发者一针见血地指出，微软这根本不是用不起，而是把 cloud code 当成了免费的陪练， 先让竞争对手的产品进入自己的工程团队，让他在真实的工作场景中暴露自家 copilot c l i 的 所有短板，然后用半年时间收集反馈，疯狂迭代， 最后在产品差距缩小到可以接受的程度时，关掉对手的工具，把所有工程师全部迁回自家产品垃圾使假。在备忘录里的那句话也印证了这个猜测， cloud code 在 这一学习过程中发挥了重要作用。这句话翻译过来就是，我们已经从你身上学到了足够多的东西，现在你可以走了。 这种先引进再学习后替代的策略，确实只有微软这种级别的公司才能玩得转。它同时拥有底层云基础设施、全球最大的代码托管平台 github 以及十万名工程师作为实验样本。 大多数公司根本没有这种奢侈的选择权，他们只能单纯的用不起，而微软可以选择学完再停。但如果我们再往深挖一层，就会发现，这个看似高明的策略背后，藏着微软更深层次的焦虑。 如果自家的 coplab 真的 足够好用，微软根本不需要搞什么精准测试，更不需要让竞争对手的产品在自己内部流行半年。 这次断供本质上暴露了一个令微软非常难堪的事实，在 ai 编程这个核心战场，它已经被 antropica 实质性的超越了，这才是这件事真正重要的地方。它不是一次简单的工具切换，也不是一笔财务账的问题。它折涉出微软在大模型时代正在面临的三重根本性困境。 第一个困境，也是最核心的困境，微软始终没有真正属于自己的前沿通用大模型。很多人可能会觉得奇怪，微软不是投了 openai 一 百三十多亿美元吗？怎么会没有自己的大模型？但事实就是如此， 自二零一九年与 open ai 达成合作以来，微软几乎把所有的 ai 赌注都压在了 open ai 身上，自身的通用大模型研发几乎处于停滞状态。今年四月，微软 ai 研究实验室发布了三款 m a i 系列模型，但全部都是语音转录、语音生成和图像创建，这类垂直领域模型 没有一款能够对标 g p t 四或者 cloud 通用大语言模型。这意味着，微软所有的核心 ai 能力本质上都系于 open ai 一 身。 更麻烦的是，今年四月，微软和 openai 已经正式结束了持续七年的排他性绑定。阿扎尔不再是 openai 唯一的云出口， ip 授权也从独家转为了非独家。过去微软最大的护城河之一就是独占 openai， 但现在这条护城河正在快速消失。一旦 openai 彻底脱离微软的掌控，微软将没有任何能够替代 gpt 四或者 cloud 的 底层模型。这种平台强、模型弱的结构，本质上是一种技术空心化。微软虽然拥有全球最强的 ai 商业入口之一，却缺乏真正决定 ai 能力上线的机模控制权。 第二个困境，微软自家的产品力已经实实在在地打不过竞争对手了。过去两年， github co pilot 一 直是 ai 编程的代名词，但二零二六年的 ai 编程市场已经发生了天翻地覆的变化。 cloud code 真正改变行业的地方在于它把代码补全工具变成了掌上下文工程代理。 传统的 copilot 只能帮你写几行代码，而 cloud code 可以 直接参与整个软件工程流程。它支持百万 token 的 上下文窗口，单次绘画可以处理大约三千个文件， 在跨数十个文件进行重构或调试的场景下， cloud code 的 完成率达到了百分之八十九，而基于 gpt 四 o 的 github copilot 只有百分之六十。 在权威的 cyberbench 编程基础测试中， cloud code 的 得分是百分之八十点八， github co pilot 仅为百分之七十二点五，相差了八点三个百分点。这个差距在日常开发中是非常明显的。这也就是为什么在微软内部，最受欢迎的编程工具不是自家的 co pilot， 而是 cloud code。 据 the verge 报道，在开放 cloud code 之前，微软百分之九十一的工程团队都在使用 github co pilot。 过去六个月里， cloud code 的 使用量严重蚕食了这一比例。一名微软内部人士透露， cloud code 在 工程师群体中的满意度高达百分之九十一。当一家公司的核心开发者对外部竞品的满意度远高于自家产品时，问题就不再是害怕对手赚钱那么简单了。 员工长期使用外部工具，意味着他们的开发工作流、调试习惯、工程上下文，甚至整个技术思维都会随着工具一起迁移。对一家平台型公司来说，最可怕的从来不是竞争对手赚到钱，而是自己的开发者开始在竞争对手的生态里工作。 第三个困境，微软正在逐步丧失对整个 ai 生态的控制权。就在微软内部工程师纷纷转向 cloud 的 同时，整个企业市场也在发生同样的变化。 根据 rap 公司五月十三日发布的 ai index 报告，今年四月， anthropic 的 企业付费采用率达到了百分之三十四点四，首次超越了 open ai 的 百分之三十二点三成为了企业市场新的 ai 头号供应商。 推动这一反超的核心引擎正是 cloud code， 它发布仅半年就做到了十亿美元的年化收入，到二零二六年初已经达到了二十五亿美元。 目前， cloud code 占据了全球 ai 编程工具市场百分之五十四的份额，全球财富十强企业中有八家是他的付费客户。 据估算，全球 github 公开提交中，大约百分之四已经由 cloud code 参与完成。 anthropic 预计这个数字到今年年底将超过百分之二十，而微软在这一轮增长中，几乎没有分到什么蛋糕。 高盛的统计数据显示，二零二六年全球 ai 创业公司的年化总额约为八百亿美元，其中 open ai 约二百五十亿， antropic 约一百九十亿，两家合计占了百分之八十九。 微软虽然能通过 azure 提供算力赚钱，但 ai 时代利润最厚、控制力最强的那部分价值正在被模型公司和 agent 平台拿走。更让微软难受的是，他本来应该是这场 ai 编程革命最大的开发者生态， 但现在 cloud code 占据了开发者心智， anthropic 拿走了企业增长， open ai 逐渐脱离了微软的独占体系，而微软自家的 github co pilot 市场份额已经下滑到了大约百分之二十五。 微软突然发现，自己拥有 github， 却未必拥有下一代 ai 编程生态。把这些线索串起来，我们就能看懂微软这次断供 cloud code 的 真正逻辑了。 这不是一次简单的成本控制，也不是一次成功的偷师，而是一次迫不得已的组织防御。当产品竞争不过的时候，微软没有选择先把抠拍了的能力追上来，而是选择先暂停 cloudco 的 内部使用权限。这本身就说明问题已经从产品竞争演变成了生态安全问题。 微软必须在工程师的工作流被 cloud 彻底锁定之前，强行把它们拉回自己的生态体系里。据报导，微软甚至一度考虑收购 ai 编程工具 curser 来弥补扣拍乐在体验上的差距，只是后来因为监管风险等因素没有推进。 这恰恰暴露了微软现在最尴尬的处境，它拥有全球最强的开发者平台之一，也拥有最庞大的企业客户体系。但 ai 编程时代最关键的入口，开发者每天真正使用的 agent 工具 却正在落到别人手里。而一旦开发者的习惯、工作流和工程生态都被重新建立，后面再想夺回来，就不是加几个功能换一次产品策略那么简单了。 当然，我们也不能就此断定 anastropic 已经赢了。 rap 的 报告也指出了 anastropic 目前面临的三个明显逆风。首先是激励错位， anastropic 的 收入和 token 消耗量直接挂钩，这意味着它有动力推动用户使用更贵的模型，哪怕更便宜的模型已经足够用了。 其次是最近一段时间， cloud 的 服务质量有所下降，频繁出现宕机和速率限制问题。最后， antropic 最新的模型更新会让包含图片的提示词成本增加三倍，这无疑会进一步加具企业的成本焦虑。 但无论如何，微软和 uber 的 遭遇已经给整个行业敲响了警钟， ai 的 真实成本远比我们之前想象的要高得多。过去那种 ai 会无限降价的假设已经被证明是错误的。 过去半年，全球 ai 软件的有效价格实际上涨了百分之二十到百分之三十七。包括微软自家的 github， 也已经取消了所有的固定费率计划，全面转向按用量计费。 人类正在从订阅经济正式跨入效用经济。 ai 不 再是一件可以无限使用的工具，而是一种高能耗的公用事业，就像电和水一样，用多少就得付多少钱。 这个转变将彻底重塑整个 ai 行业的商业逻辑。过去， ai 的 推广由 cto 和开发者驱动，追求的是快和酷，但从现在开始， cfo 将成为 ai 团队真正的最高指挥官。 每一笔 ai 投入都必须经过严格的 roi 核算，那些不能带来明确商业回报的 ai 项目将会被大规模砍掉。对于 ai 实验室来说，这也不是一个好消息。 现在他们面临着一个两难的选择，要么任由企业因为太贵而缩减 ai 用量，这会直接拖慢他们的收入增长速度，撑不起 ipo 前的高估值。要么主动降价自己吞下亏损。但这会在最糟糕的十点进一步恶化。他们本就脆弱的单位经济， 无论走哪条路，最终的结果都是一样的，账算不通了，总得有人为这笔亏损买单。悬在整个 ai 行业头顶的那个词叫做减值。 回到微软这件事本身，它给所有平台型公司上了非常深刻的一课。在大模型时代，没有底层模型的控制权，再大的生态，再多的用户也可能被别人从底层架空。 微软拥有 github， 拥有 azure， 拥有十亿级的企业客户，但它依然挡不住 cloud 从开发者工具这个入口一步步蚕食它的生态根基。 这就是为什么现在所有的科技巨头都在疯狂投入自研大模型，因为大家终于明白，大模型不是一个可以通过投资或者合作就能解决的问题，它是未来所有科技竞争的基础。 没有自己的大模型，就永远只能做一个渠道商，永远只能赚产业链里最薄的那部分利润。好了，以上就是本期视频的所有内容，如果你喜欢本期视频，不要忘记订阅、点赞、分享，这样就不会错过每一期的精彩内容。感谢收看，我们下期再见！
06:43查看AI文稿AI文稿曾经我对 cloud code 的 终端爱不释手，但现在我只能说一句， codex 真香啊，真香！ 大家好，我是布鲁。随着 codex 近期频繁的更新，我自己的工作站也已经全面的切换过来了。今天就来分享一下我自己的完整使用经验，怎么用 codex 打造一套不打断心流的生产力闭环。 本期视频我把它分成了七个章节，每一张都是我自己实际在用的技巧，希望能对你有所帮助。那我们话不多说，直接开始 第一张，先来介绍一下我的工作站是怎么布局的。左上方是 codex 的 对话框，下方是 terminal 终端。 你可能会问，已经有 codex 的， 为什么还要开一个 terminal 跑 c c？ 因为我发现对于一些需要探索、需要设计的任务， c c 的 表现要更出色一些。所以我的习惯是用 c c 来做方案设计，配合 planning with files 这个 skill， 把设计思路直接落成文件， 然后再让 codex 读这份计划，接手后续的具体实施。这样一来， cloud code 负责想， codex 负责做，两者可以各司其职。 右上方这个区域我用来做任务完成后的查看和审阅，比如代码的 review， 文件的浏览，还有浏览器都在这里。虽然现在浏览器还不支持多标签页，但对于日常的任务来说完全够用。这边我就分享一个实际的案例， 我让 c c 参考了最近很火的这篇卡巴西提出的知识库的文章，让他借鉴里面的思路，出一份设计稿和完整的实施计划。目的呢是做一套前端的页面，方便我日常的维护文档使用。 接着 c c 就 会调用 planning with file 这个技能啊，将所有的计划落成文档，然后我就会回到 colex 这边，让 colex 去阅读当前项目内的这份计划文件，然后基于这份计划文件让他进行开发。开发完结果之后，我会在这边 内置的浏览器里面去进行结果的 review， 包括代码的一个审查，整个过程从设计到开发再到 review， 全都在这一个工作站里面完成，不需要切换任何的窗口，这就是我前面所说的，心流不会被打破。 第二章，批注功能。这个功能是我觉得 codex 真正强大的原因之一，也是最能体现沉浸式开发的地方。 以前我们改代码的方式是找到文件定位到哪一行，描述问题，让 ai 修改，整个过程中你的注意力是在代码上的，但现在 codex 的 批注功能让这件事情变了，你可以直接在文件上进行批注，告诉他哪里怎么改，需要怎么改。 更厉害的是，现在这个批注功能不止限于代码文件，你可以直接在前端页面上进行批注，看到哪个按钮位置不对，哪块布局不满意，直接在页面上标出来， codex 就 能理解你的意图，并帮你进行调整。这件事的意义在于，正好对应了 webcodd 的 核心理念， 开发者的重心不在于怎么写，而在于写出来的东西对不对。批注功能把这个理念落地了。 第三章，上下文管理 codex 项目里可以同时开多个县城，每个县城对应一个任务，互相独立，不干扰。对比 cloud code 需要开多个对话窗口， codex 把所有县城都收在了一个项目下，管理起来会清晰很多， 然后是项目的记忆核心就是 a 键的点 md， 这个文件你可以类比为 cloud md， 把项目的背景、开发规范都写进去， ai 每次进来都会读取，不用反复的交代。 还有一点， codex 的 上下文管理非常省心，它会自动帮你压缩上下文，它也没有提供像 cloud code 中 compact 的 那样的命令，这种事情让 ai 自己处理就好了，你专注于任务本身就行。 第四张，自动化这块是我觉得 codex 比其他 agent 做得更好的地方，几个原因，第一，用起来非常的方便，直接在 gui 里面新建自动化任务，还内置了很多模板可以选择， 大到项目管理技术、眼镜，小到个人的生活习惯，都可以交给它来定期的处理。第二，自动化可以调用 codex 自身的能力，比如插件、 skill、 mcp、 浏览器操作、电脑操作等全都能用进来，这就是为什么我说 codex 在 逐步形成自己的生态。 第三，我们可以根据不同的场景来灵活的选择模型和推理强度，简单的任务用轻量模型，复杂的任务上强推理，这样的话头肯可以用的更加的合理。第四，稳定性，我实测下来， codex 相较于其他的 agent， 定时任务的准确性已经能达到生产级别，相当的靠谱。 第五张插件和技能， codex 有 相当丰富的官方插件和 skill 生态。先说说两者的区别， skill 就是 纯文档，本质是给一份 ai 的 说明书，告诉他在特定场景下应该怎么做事。比如说我前面提到的 planning with files， 就是 一个 skill 插件的概念会更大一些，你可以把它理解为 codex 打补丁，里面可以包含 skill， 也可以带上 mcp 配置，甚至集成其他的 app。 一个插件装下去， codex 就 多一套能力。 另外， codex 在 插件和 skill 的 管理体验上面要比 cloud code 的 友好太多了。 cloud codex 需要改配置文件，而在 codex 里直接在界面上点击安装，或者自己创建，整个过程非常的直观。 第六章浏览器和电脑操作 codex 可以 直接操控浏览器，你可以让它自动填表，抓取数据，验证 ui 效果。 比如我需要批量收集一些网页上的信息，直接告诉 codex 去哪个页面拿什么数据，它就能自己打开浏览器去完成操作，整个过程中都不需要你的介入。除了浏览器， codex 还能直接操作你的电脑文件的整理，应用的打开都可以交给它来处理，相当于有一个助手在帮你操作桌面。 不过这里要说明一点，随着 ai 自动化越来越普及，现在已经有不少软件开始加强安全控制，对自动化操作做了限制，所以实际能操作的范围会因软件而异，遇到限制情况也很正常，大家用的时候留意一下。 第七章通用功能这些功能不是 codex 独有的，很多 agent 都支持，但作为一个完整的工作站，这些基础能力 codex 当然也不会缺少。先说 play mode， 在 执行一个比较复杂的任务之前，先让 codex 把完整的计划列出来，你过一遍觉得方向对了再让他动手， 这个习惯能帮你省掉很多返工的时间，大任务尤其推荐开 play mode。 再说 m c p， 也就是模型上下文协议，通过 m c p 可以 把各种外部的工具和服务接进来，让 q d x 能力边界大幅扩展，无论是连接数据库，调用第三方的 api， 还是接入自己家的服务，配置好之后， q d x 就 能可以直接调用。 另外还有一点， q d x 相较于 logot code 的， 有一个非常关键但很容易被忽视的小功能，语音识别。目前我的任务几乎都是语音发起的，连打字都很少了。 ok 以上就是我在使用扣袋子过程中总结的一些技巧，如果对你有帮助的话，希望能得到你的点赞和关注。 最后我想说一句， ai 发展太快了，各家 a 键的功能越来越趋同，但工具再多，适合自己的才是最好的。有时候做做加法，找到真正需要的，做做减法，去掉用不上的，慢慢摸索出一套自己的工作范式才是最重要的。我是布鲁，我们就下一期再见。
5.4万布鲁歇一歇