分享AI、区块链技术及应用，未来已来

本文详解Matt Pocock提出的双生技能grill-me与grill-with-docs：前者为无状态盘问，通过多轮追问澄清模糊想法，不写文件；后者有状态，边问边将术语与决策落盘至GLOSSARY.md与ADR。二者共享同一访谈逻辑，差异仅在于是否持久化产出。选择依据：无代码库或非代码议题用grill-me；有代码库且计划未定则用grill-with-docs；工作量过大时转用wayfinder。关键提示：主动掌舵、拒绝被动应答，谈不出的问题需用prototype突破。

本文提出一套面向生产交付的AI开发流程，通过“工程规范+OpenSpec+Superpowers”三者协同，实现代码生成与工程体系无缝衔接。核心在于：将团队规范转化为可执行约束，按领域组织并动态加载；用OpenSpec统一需求、设计与任务；接入Superpowers完成可验证的开发与测试；以完成协议绑定规范、代码与证据；最终将生产验收纳入统一交付链路，确保AI生成代码具备可交付性、可审查性与可追溯性。

AI编程提升效率，但代码能运行不等于真正掌握。若忽视理解、验证与维护，复杂系统易因逻辑盲区、边界遗漏或模块冲突而失控。小工具可重来，大项目却需有人懂架构、知风险、能排错。团队应建立审查、测试与监控机制，确保AI生成的代码经得起长期考验。技术越快，责任越重——掌控系统的关键，始终在人。

AI越能干，人反而越忙？因当前Agent多为单次任务驱动，需人类频繁干预。DeepSeek推出Super-agent原型，通过分层架构实现任务持续感知、状态管理与智能调度，让Agent主动协作而非被动执行。其核心是“少打扰”：仅在必要时通知人类，任务状态可持久化、可恢复。系统引入Mandate授权机制，确保自主性不越界。该设计探索了从“工具”到“协作者”的转变，旨在真正解放人力，而非制造新负担。

本文分享了打造AI原生研发团队的实践经验，聚焦通用能力搭建、Harness工程实践与开发-产品协同。通过构建统一研发环境、标准化底座（日志、权限、API等）、Rules/Skills护栏及SDD流程，实现“需求即文档、代码即配置”的轻量高效协作。非开发人员可通过页面评论提需求，AI自主完成全栈开发与验证，显著降低参与门槛。核心在于：以基础设施为底座，让AI高效干活，人专注价值判断，推动团队研发效能跃升。

摘要（≤150字）： RequestingCodeReview是obra/superpowers中的核心技能，倡导“尽早、持续审查”。它通过子Agent独立审查代码变更，提供精准上下文（BASE_SHA、HEAD_SHA、DESCRIPTION等），聚焦Diff而非历史对话，实现高效质量管控。关键思想在于职责分离：实现者不自审，由独立Reviewer基于变更对比反馈，按严重性分级处理。该流程将代码审查固化为工作流关卡，推动AICoding向“规划-实现-测试-审查-交付”分工协作演进，提升工程化水平。

是一个封装了可复用工作流的文件夹。你只需将常用指令写入一次，保存在 Skill 中，之后每次调用即可自动执行，无需重复输入。扩展 Codex 的能力：为 AI 代理注入特定领域的专业知识。提升效率：避免重复劳动，节省时间。保持上下文干净：只在需要时加载相关内容，减少 token 消耗。Codex Skills 是提升开发效率、实现提示工程自动化的关键工具。通过封装常用工作流，你不仅能减少重复劳动，还能构建可共享、可维护的 AI 工作单元。

AgentSkill是2025年Anthropic推出的AI智能体技能开放标准，以文件夹+SKILL.md形式封装领域流程与SOP，实现可版本管理、跨平台复用。一个Skill包含元数据与操作指令，支持自动/手动/路径触发，通过“渐进式披露”机制仅在命中时加载完整内容，降低上下文开销。适用于发版、评审等重复性任务，强调团队协作与流程标准化。开发者可通过官方仓库、社区或自建方式获取与编写Skill，兼容Cursor、Claude等主流Agent工具。

REA通过五层架构（Agent、MCP接口、Bridge桥接、引擎、目标）将散乱的逆向工具统一为可被AI Agent调用的标准链路，解决了逆向工程门槛高、工具碎片化问题。它不重造工具，而是以分层解耦实现“可插拔”扩展：Agent只需提问，底层自动调度Ghidra、IDA、Frida等专业引擎，输出带证据的结构化结果。核心创新在于用MCP协议统一接口、桥接层抽象Provider、目标层覆盖二进制、JS/.NET、APK、运行时与网络数据五大形态。其设计强调本地执行、证据可追溯、不自动安装工具，保障安全与可信。

在传统的 Agent 开发中，我们习惯于将所有指令都塞进 System Prompt。"技能即文件" (Skill as a File)。根据 agentskills.io 的定义，Agent Skill 是一个标准化的文件夹结构，它封装了扩展智能体能力所需的特定领域知识、指令和工具定义。它不再是一段虚无缥缈的提示词，而是一个实实在在的资产包 (Asset Package)。

将RDF数据导入Neo4j，可兼顾语义建模与高性能查询。通过n10s插件，将RDF三元组映射为属性图模型：主语为节点，谓语为关系，字面量为属性，类型为标签。该方案保留语义信息的同时，利用Neo4j在关系遍历、路径查询和可视化方面的优势，显著提升性能。针对多值属性，配置handleMultival: "ARRAY"避免数据丢失；大规模数据推荐先转CSV再用neo4j-admin import批量加载。虽n10s不支持完整OWL推理，但可在Protégé中物化推理结果后导入，实现高效运行。生

切到标签页，创建hasToppinghasBase。hasTopping的 Domain 是Pizza，Range 是。这意味着“只有披萨才有配料，且配料只能是披萨配料”。Inverse（逆属性）是 OWL 的一个重要特性。如果hasTopping的逆是，那么“玛格丽特披萨 hasTopping 罗勒”自动蕴含“罗勒 isToppingOf 玛格丽特披萨”。在 Protégé 中，在hasTopping的 “Inverse Of” 区域选择即可建立双向关系。创建，Domain 设为Pizza。

AgentSkills将Google工程实践转化为可执行AI工作流，通过6大阶段（spec→plan→build→test→review→ship）引导AI如资深工程师般开发代码。它不依赖零散技巧，而是以24个原子化技能确保分层设计、错误处理、测试覆盖与流程纪律。用户反馈：从“写完再改”变为“边写边对齐”，显著提升效率与质量。支持70+工具链，安装便捷，适合追求可靠AI编码的开发者。

面对大型代码库重构难题，传统AI助手因上下文理解碎片化、Token消耗高而效率低下。Code-Review-Graph通过Tree-sitter构建持久化代码知识图谱，以MCP协议实现精准上下文检索，将问题相关实体与关系按需传递给AI，实测中位数节省65倍、最高达376倍Token。它不依赖关键词搜索，而是基于函数调用、继承等真实关系进行推理，显著提升AI回答准确性与稳定性，尤其适合30万行以上复杂项目。安装简便，增量更新高效，已获近3万GitHub星标。对高频使用AI编码的开发者而言，一次索引，长期受益。

AI 编码工具为了审查一次改动，常常要重新读取代码库的大部分内容。用构建代码的结构图，增量保持更新，并通过提供紧凑的上下文，让助手只读取改动涉及的文件。

WorkBuddy插件将Claude等主流AI模型深度集成至VSCode、JetBrains等IDE，提供代码补全、解释、重构、测试生成及终端辅助等功能。支持Plan/Craft双模式，实现从需求规划到代码执行的全流程自动化。国际版兼容Claude、GPT-5、Gemini及腾讯Hy3模型，不内置Codex，但可通过MCP协议协同工作，为国内开发者提供合规、高效且易用的AI编程体验。

2015款MacBookPro可升级至macOS Monterey（12），为当前最高官方支持版本。该系统兼容Go 1.26、JDK 11/17/21及主流AI工具如OpenAICodex、WorkBuddy，但无法安装ClaudeCode（需Ventura以上）。虽可尝试非官方方式运行更高版本，但存在稳定性风险。建议优先使用云端AI服务，以规避硬件性能瓶颈。

从Trae转向Codex，并非简单“谁更强”，而是工程需求的演进：初期需快速启动，Trae表现优异；但项目深入后，更需可约束、可控制的工具。Codex虽不擅文档交互，却契合真实开发流程——强调上下文理解、小步修改、可测试、可回滚，让AI真正成为“工程同事”。核心转变在于：不再追求“自动完成”，而要“可控协作”。真正的效率，来自对AI的精准驾驭，而非盲目依赖其主动性。

本文基于真实会话日志，揭示ClaudeCode长期使用中的两大痛点：越聊越笨、越聊越贵。通过实测数据（99.5万token上下文、6.4亿缓存读取、单轮成本涨8.5倍），剖析根源——上下文信噪比下降与缓存失效。文章详解上下文构成、噪声累积导致的“迷失在中间”现象、缓存机制与成本关系，并提供可照搬的省Token清单：任务切换即/clear、关键信息写入CLAUDE.md、大量查询用subagent隔离、定期/context监控。核心结论：上下文是消耗品，非档案库；主动管理才是高效使用的本质。

使用Codex前创建Git检查点，确保代码安全。任务前提交并打tag（如before-codex-task），完成后再次提交并打tag（如after-codex-task）。通过git diff审查改动，测试验证后方可合并。若出错，可用git reset --hard before-codex-task回滚，公共分支建议用git revert保留历史。IntelliJ中可通过Git工具窗口便捷操作。保持工作区干净，避免未提交修改丢失，合理利用检查点实现高效、安全的AI辅助开发。

Codex因未限定修改范围，误改无关文件。需立即停止并分类：任务直接相关/间接相关/无关文件。禁止修改配置、数据库及无关目录。测试通过须以表格详列检查项、命令、结果与证据，未执行明确标注。禁止编造API，调用必须有路径或文档依据。测试不可随意修改，仅当需求矛盾时可提修改并待确认。长会话易丢失上下文，应分线程处理，关键规则写入AGENTS.md，阶段后输出摘要，使用/compact或/fork管理。联网、下载依赖等操作须说明原因与风险，优先由人工执行。

DeepSeek思考模式与Codex兼容客户端因reasoning_content字段丢失导致400错误。问题根源在于Codex过滤了DeepSeek特有字段，而API要求其必须回传。解决方案：使用本地代理修复，推荐codex-bridge或deepseek-compat-kit，缓存并补回该字段；备选可尝试修改wire_api为responses，或临时关闭思考模式（牺牲推理能力）。本质为协议不兼容，代理是当前最有效方案。

本地适合需GPU、数据库、私有文件及实时调试的场景，速度快、控制强但有风险；云端适合后台任务、PR工作流、多分支实验，隔离性强且可并行，但无法访问本地未上传文件，依赖环境配置。决策依据：是否需本地资源、任务性质（短/长、交互/后台）、数据敏感性与网络策略。

本文系统介绍Codex高效协作的六大核心模式：先规划（Planmode）、设目标（Goalmode）、合理并行（Subagents）、连接外部工具（MCP）、封装成熟流程（Skills）及自动化重复任务（Automations）。强调应按序渐进：先掌握计划与测试，再逐步引入高级功能。关键原则包括明确目标、控制子代理数量、谨慎接入MCP、聚焦可复用流程、避免自动修改生产代码。最终实现智能、安全、可持续的开发增效。

本文系统梳理了七大软件开发实战场景：从精准定位修复Bug、新增功能实现，到前端落地、科研实验可复现性保障、数据清洗自动化、遗留代码重构及代码审查。每个实战均强调“只读分析—最小改动—验证闭环”的工程规范，突出证据链、可追溯性与风险控制，涵盖技术细节与大厂级深度考量，适用于高要求工程实践与团队协作。

CodexCLI适用于工程、科研与自动化任务，推荐安全启动方式为codex --sandbox workspace-write --ask-for-approval on-request，实现工作区读写自动处理，越界操作需确认。常用命令包括/plan规划任务、/review代码审查、/goal设定目标等。实战演示中，通过只读分析定位train.csv缺失问题，分步制定修复方案并执行，最终输出完整交付报告。codex exec支持脚本与CI集成，适合稳定、可验证的批量任务，但避免在无隔离环境使用--yolo。

阿里开源AI代码审查工具OpenCodeReview（OCR），基于两年内测数据，实现行级精准缺陷检测。它结合工程控制与Agent智能，解决通用AI工具的覆盖不全、位置漂移与不稳定问题，支持Gitdiff审查、全量扫描及CI集成，通过规则匹配与上下文隔离提升准确率。在相同模型下，其F1、Precision显著优于ClaudeCode，token消耗仅为1/9。一键安装，兼容主流编程工具与CI流程，助力高效可信代码审查。

本文详解阿里巴巴开源的open-code-review（OCR）如何将代码审查升级为AI原生SDLC中的agentic流水线。通过“确定性规则管线+LLM Agent”混合架构，OCR先过滤低价值变更，再精准生成带行号的审查意见，显著提升效率。集成仅需三步：复制GitHub Actions模板、配置LLM凭据、启用触发机制。支持SARIF输出，实现安全告警持久化；可自定义规则文件，让审查标准版本化。在AI批量产出代码的背景下，OCR将人类注意力从逐行审查转向风险判断，推动审查从“人工活动”变为“可度量、可追

阿里巴巴开源的OpenCodeReview（OCR）凭借混合架构，实现高效代码审查。本文详解在Codex中集成OCR插件全流程：先全局安装ocrCLI，配置LLM（如Claude），再通过Codex Marketplace添加并启用插件。插件不替换LLM后端，而是作为可调用Skill，由本地ocrCLI执行审查任务。支持对话式调用与底层命令行操作，职责分明，兼顾准确性与灵活性。三步完成：装CLI、配LLM、装插件，即可跨平台统一使用代码审查能力。

AGENTS.md是Codex的“长期项目说明”，通过全局、仓库、目录层级规则实现高效协作。好的AGENTS.md应简洁明确：包含目录结构、命令、禁止事项与完成标准，避免冗长。通用项目强调不改数据库、不增依赖、必跑测试；科研项目严控算法与随机性，确保可复现；数据处理则要求审计日志与透明变更。统一规范，提升可靠性与效率。

AI加速代码生成，但程序员的核心价值转向需求澄清、范围控制与验证交付。当AI说“完成”，真正的挑战才开始：厘清需求边界、确保测试有效、追溯修改逻辑。与其追求快速生成，不如重构协作流程——明确结果、分步实施、要证据而非承诺。工具越快，责任越重。真正高效不是依赖AI写代码，而是用清晰的判断力驾驭它，实现可靠交付。

Codex的核心价值与风险均源于其“能行动”。建议新手默认使用read-only模式，任务确认后切换至workspace-write，避免滥用danger-full-access。审批策略应设为untrusted（陌生项目）或on-request（日常开发），禁用--yolo以防止失控。网络访问默认关闭，仅在必要时开启并限制域名。严禁将密钥、凭证、敏感数据直接输入提示词，应使用假值或环境变量替代。Cloud环境虽有隔离机制，但仍需遵循最小权限原则，确保安全可控。

IntelliJ IDEA Community Edition用户可通过JetBrainsAIChat（AIAssistant插件）在2025.3+版本中使用Codex代理，实现代码重构、Bug修复、测试生成与代码库问答。需安装最新AIAssistant插件，开启AIChat并选择Codex作为代理，支持通过JetBrainsAI订阅、ChatGPT账户或OpenAI API密钥登录。注意：Community版无免费AI层级，需付费或自备密钥。推荐工作流：从项目导航开始，提出小而可审查的修改请求，并像审查P

IDEA插件与终端调用Codex不一致，源于两者使用不同身份：终端用全局CLI，插件则依赖IDE私有ACP代理，无法读取外部环境变量。解决关键在于配置自定义Codex引擎：通过AIChat窗口添加acp.json，指定使用DeepSeek等API，并正确设置base_url和OPENAI_API_KEY。确保启用MCPServer、升级IDE至2026.1以上版本，重启IDE并选择新配置的Codex(Custom)引擎即可。

<think>我们根据要求，生成≤150字的文章摘要。内容概括：推荐先用WorkBuddy而非Codex，原因在于日常任务够用、易上手、能读本地文件、有记忆，适合内容/副业/一人公司；Codex适合开发者或复杂工程。强调先做成第一件事，工具会变但方法相通。摘要需简练。</think>先用WorkBuddy，别急着上Codex。它易上手、能读本地文件、有记忆，帮你搞定资料整理、写文章、做PPT等日常交付；Codex虽强，但更适合开发者和复杂工程。先把第一件事做成，工具会变，方法与结果才

<think>好的，需要根据用户提供的内容生成一个不超过150字的摘要。用户给了一篇长文章，关于ClaudeCode装画图Skill提升老项目改造效率的。摘要要精炼，抓住核心信息：SKILL安装、四类图、Prompt技巧、知识资产沉淀这些要点。字数限制在150字以内。</think>给ClaudeCode安装画图Skill，能让AI读代码、画架构图、沉淀系统知识，从编码助手升级为工程助手。老项目改造重点画四类图：架构图、模块依赖图、时序图、ER图。关键技巧包括：让AI读取真实文件或D

<think>我们只需要根据内容生成摘要，不超过150字。摘要应涵盖主要信息：平台、Windows安装方式（官网下载、Microsoft Store、winget命令）、系统要求、新应用整合Chat/Work/Codex，旧应用变Classic，macOS要求等。注意简洁。</think>ChatGPT桌面版支持Windows、macOS和Linux。Windows用户可通过官网自动下载、Microsoft Store搜索或winget命令安装，需Win10 17763+或Win11

<think>我们只需要根据内容生成摘要，≤150字。需要简洁概括安装与使用要点。</think>DeepSeekHarness（DSH）是AI编程助手与Agent运行框架，通过WebUI或Python SDK操作本地项目，实现代码修改与任务自动化。安装需先装Node.js，再在终端执行npx @deepseek-ai/dshweb，按提示完成配置，添加DeepSeek API密钥，最后创建工作区即可执行PPT编辑等任务。

<think>我们只需要根据内容生成摘要，不超过150字。内容讲的是ClaudeCode接入DeepSeek的方法，包括从现有安装迁移或从零安装，配置环境变量，以及WebSearch和模型映射。摘要应简洁概括。</think>ClaudeCode终端AI助手可接入DeepSeek，需配置环境变量（API Key、Base URL及模型映射），支持Linux/Mac与Windows。从零安装需Node.js 18+及npm全局安装，配置后运行claude即可。DeepSeek原生支持W

<think>我们只需要生成摘要，≤150字。概括主要内容：Codex配置DeepSeek模型，可一键或手动，支持多个客户端统一配置，切换历史会话分组的说明。</think>Codex配置DeepSeek模型作为提供方，支持一键脚本或手动编辑config.toml，完成配置后CLI、ChatGPT桌面端、VSCode插件均可使用。切换后历史会话按登录方式分组显示，恢复原配置可找回。