#AI Coding

4周前

ShipAny Two 30k✅ 半价活动已结束，接下来就不吆喝了，继续补文档、堆功能、发展生态，做 AI 时代最好的建站框架。 2025 最后一个月，打算用 ShipAny Two 把原来的项目重构一遍，能捡起来一个是一个。 MCP、Agent、AI Coding 重点投入。 AI 发展越来越快，做产品越来越开心。💃

#ShipAny Two #建站框架 #AI Coding #项目重构 #积极

1个月前

我最近模型选择和国产平替 AI Coding：最佳：Claude Code + Opus/Sonnet 平替：Claude Code + GLM-4.6/Kimi-K2-Thinking/Minimax-M2 专业写作：最佳：GPT-5.1 thinking 平替：Kimi-K2 thinking DeepResearch：最佳：Gemini DeepResearch 平替：国内的产品都做的很烂，主要是搜索的信息源不行。

#AI Coding #Claude Code #GLM-4.6 #Kimi-K2-Thinking #MiniMax-M2

1个月前

我把前几天在Trae的分享整理成了文字稿「」这篇文章写给已经在或准备在真实生产项目里用 AI Coding 的后端 / 全栈工程师和技术管理者。它不会教你「按钮在哪里」「哪个 prompt 最神」，而是想在大约 15 分钟里，帮你搞清楚三件事：哪些任务交给 AI 最「划算」；怎么让项目本身变得更「AI 友好」，提高一次命中率；当生成不再是瓶颈时，工程师应该如何设计验证流程，把时间花在真正值钱的地方。

#AI Coding #后端/全栈工程师 #生产项目 #AI 友好 #验证流程

1个月前

后天（11月26日，周三）晚八点，我们继续AI交易实践分享的第三次会议： 1、分享AI Coding在交易/投资环节中可以做的数据分析、实用工具等； AI Coding是我

AI交易比赛：DeepSeek V3领先，GPT-5惨遭亏损· 98 条信息

#AI交易 #AI Coding #数据分析 #投资环节 #实用工具

1个月前

想不到程序员们使用 LLM 进行 AI Coding 已经四年多了，是从 2021 年 10 月份开始的，那时候很多程序员发现 Copilot 的代码补全功能不只适用于生成代码，还邪修出了使用 Copilot 的补全自动写小说的用法，那还是新冠疫情正盛的时候，恍如隔世啊

#程序员 #LLM #AI Coding #Copilot #新冠疫情

1个月前

Google AI Studio 好看的不像是我认识的那个 Google，感觉 AI 时代，特别是 AI Coding 能力加速之后，传统小公司可以敏捷和快的优势不是特别的存在了...

#Google AI Studio #AI Coding #传统小公司 #敏捷性 #AI时代

1个月前

传闻都是真的 Gemini 3 是 Google 的 GPT4 时刻惊艳，攫升，遥遥领先。这应该是 Sam Altman 梦里的 GPT5 的样子。 Google 还推出了下一代的 IDE。 AI Coding 之争也许终结了。 ListenHub 今天接入。

#Gemini 3 #Google #GPT4 #AI Coding #ListenHub

1个月前

看推友今天刷了半墙 Gemini 3 的前端测试，说一句不好听的： Gemini 3 不是在帮前端写代码，它是在替前端写代码。注意帮和替的一字之差，前者是放大器，后者是吞掉。当然前端不会消失，但基本可预见只会写前端的人会被机器秒成一地灰。我过去的观点是： AICoding 一定是模型最先爆发的赛道，而前端是最先被爆的赛段。现在我还是这个观点。

#Gemini 3 #前端开发 #AI Coding #自动化 #行业变革

1个月前

随着对AI Coding实践的愈加深入，真的越来越庆幸并感谢自己在过去15年里深刻的工程经验，初高中大学教会自己基本原理，毕业后误打误撞的沉迷到现在做解耦和重构，曾经枯燥无味甚至负产出的自我愉悦反而成了AI时代无往而不利的坚实基础，未来10年，是架构师的时代，30-60岁的架构师会迎来最黄金的10年！

#AI Coding #工程经验 #架构师 #黄金时代 #技术沉淀

1个月前

YouMind 代码仓库已经突破 10,000 个 commits 了，不敢想象没有 AI coding 的辅助这要花多少年才能实现。又想起上周末参加某会议时某大佬的论调 —— 「AI coding 发展了这么多年，这么火爆，企业到底因此裁掉了多少员工？」对于效率的提升和门槛的下降真是一点不提。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#YouMind代码仓库 #AI Coding #效率提升 #技术发展 #就业影响

1个月前

昨天和前Monica的产品VP聊总结出产品经理未来的三个趋势第一是：从文档到Demo 从字节到阿里老板们已经开始强制要求只看AI Coding出来的Demo了这很好理解，比起文档和PPT 可交互的成品更容易理解很多年前蒋凡开会不带电脑直接用iPad、手机看Demo 只不过过去需要产研团队协作才能做到现在甚至1-3人即可快速完成第二是：产品经理都要变成工程师这种偏Demo的工程师会由现在的产品和UI转行之前的研发就是偏落地的工程师最后就全都是工程师转不了的直接被淘汰最近参加的黑客松都体现了快速Demo 用社媒获客和迭代产品的强大趋势产品经理落地能力将会得到质的飞跃不再是办公室里吹空调比嘴皮子了第三是：Spec Coding必定盛行先写文档再开发，这本来也是产品的基本工作所以新招人就直接招产品经理然后学Vibe Coding直接开干再加上AI，可以生成非常详细的PRD 以及不断迭代的PRD Spec = PRD = Code 最后，为何这个变化不可逆效率与组织逻辑的必然 1. 减少沟通损耗 2. 大厂效率提升 3. 小团队崛起如果大厂也这么变化 “大团队和小团队没有什么成本和执行力的问题,没有区别了,最后就是想法。”

#产品经理转型 #Demo驱动 #效率提升 #AI Coding #Spec Coding

1个月前

感觉AI Coding开始往垂直方向发展。一句话生成互动教学一句话生成小游戏 ... 如果后续Text Diffusion框架成熟，生成速度大幅提升。鼠标点击，实时预测生成软件不是梦啊。

#AI Coding #垂直发展 #Text Diffusion #互动教学 #小游戏

1个月前

ai coding 让手机编程成为常态…

#AI Coding #手机编程 #常态 #技术 #未来

1个月前

我现在使用 AI Coding 的最大瓶颈是验收太慢了。因为我要 review AI 写的每一行代码，这个速度不可能快。我订阅了每一个 AI Coding 产品，但每天都只能用掉一点点。感觉这不应该是 AI 时代的生产力……

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#AI Coding #生产力瓶颈 #代码审查 #效率低下 #用户体验

1个月前

大家好，Yansu 是我们公司的新产品，也是我这几个月主要在忙的事情。在「Vibe Coding」这个词出现之前，我一直在做 AI Coding 的产品。我一直相信，AI Coding 是未来。只是，当大家开始谈论 Vibe 的时候，我反而有点迟疑。因为人类总是这样，喜欢把那些本该无所谓的事搞得特别严肃，比如形式、仪式感、等级；但在真正该严肃的事上——健康、尊严、生命——又常常显得漫不经心。而我觉得，Coding 这件事应该是严肃的。尤其当你写的代码不只是一个个从 0 到 1 的 Demo，而是一个已经运行了很久、默默服务着无数人的复杂系统时。在一个庞大而复杂的系统里写代码，是在和无数人的努力对话。每一次提交代码，都是在维护某种秩序、某种价值的延续。所以我们提出了「Serious Coding」这个词。它是基于内部知识的、基于严格验证的、基于最终意图的。Yansu，就是对这个想法最自然的回应。

#Yansu #Serious Coding #AI Coding #Vibe Coding #产品发布

1个月前

非常有意思：感觉AI Coding在重塑我对很多信息的辨别方式。刚我继续看《专业投机原理》，看着我想到之前刷社交媒体时的一种投资策略：有人只买美股市场上的市值最高的股票，只要市值最高易主，就切换。我当时第一反应是：很聪明

#AI Coding #投资策略 #美股 #市值 #投机原理

2个月前

精选文章第 70 期本周 AI 领域的热度持续聚焦于 AI 智能体的深入开发与工程实践，以及 AI Coding 如何在企业级场景中落地并量化提效。从 OpenAI、GitHub 的智能体平台战略，到阿里云、高德的实战经验，再到理想汽车的 VLA 自动驾驶模型，一个更智能、更自主的 AI 研发生态正在加速成型。以下是本周亮点内容 🔽

#AI智能体 #AI Coding #企业级应用 #智能研发 #生态

2个月前

新的 AI coding 经验：ChatGPT 的 Deep Research 支持关联 GitHub 仓库，用它出的报告来指导 codex 重构，是 vibe coding 屎山的清理神器，显著强于 claude code plan mode 或者 codex 自己写报告自己改。唯一缺点是极慢，完整流程半小时起步。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#AI Coding #ChatGPT #GitHub #代码重构 #效率

2个月前

用 AI coding 快速开始一个产品很容易，但是要打磨好一个产品还是需要不容易。

独立创业者如何突破零收入困境，迈向月入1000元· 307 条信息

#AI Coding #产品开发 #产品打磨 #快速开始 #不易

2个月前

发现企业内想推AI Coding是很难的，一个团队内，每个人对AI的认知、使用的工具、使用的模型都是不同的，他们对接的设计、产品的输出也各不相同，业务本身也很难能让AI完全理解，这些问题在一人项目里基本都是不存在的。企业内部一个运转了十年的项目想要通过vibe coding去让AI做牛马干活很难，你搭建的文件系统来帮助AI更好的了解项目也基本不可能，因为10个人的团队，每个月代码变动量极大，你的文档更新是跟不上的，如果不能整个团队一起维护这套文档系统，那靠一个人是维护不过来的。所以这个时代的AI Coding红利，就是更倾向于个人或者小团队的快速发展，在企业内推vibe coding还得再等几年，或者永远也等不到。

#AI Coding #企业 внедрение 困难 #个人/小团队红利 #vibe coding 挑战 #技术 внедрение 瓶颈

2个月前

分享一点 AI Coding/Codex 实践技巧：告诉 AI 如何验证这个方法其实我提到多次，只不过再随手贡献一个案例罢了。 Coding Agent 能力挺强的，能自己写代码自己调用工具，但是它有时候并不知道该如何验证数据。如果说你只是告诉它哪里错了，它并不一定能通过阅读代码找出问题所在，但如果你告诉它如何验证，那么它就能在修改完后自行验证，验证时如果发现问题就会继续修复，直到完全修复为止。比如我在调试一个 API 发现返回结果不对，那么我就告诉它输入是什么，实际输出是什么，期望结果是什么（甚至于我没说它也猜得到），然后让它自行写测试代码验证。那么它就不仅阅读代码修改问题，还会写测试程序去验证，直到解决问题。

#AI Coding #Codex实践技巧 #Coding Agent #API调试 #测试代码验证

2个月前

指挥 Codex CLI 干了四五个小时，把之前写的“网页音视频加速播放”油猴脚本改成了 Chrome 插件，已经提交商店审核。快速记录几点感受： 1. 聊四到五个小时，开始限制 token 了，不太够用，聊的过程中，感觉 token 消耗是个黑盒，不知道它在干什么 2. 当遇到报错时，会给它提供报错信息以及截图，但一开始总是有点不信任它能把问题搞定 3. 代码一旦改坏了，最想做的就是回到上一步，但上一步我给它安排了四五个任务，这时候要是只让它移除其中某段代码，又怕引出新的报错。事实证明，最稳妥的方式还是每个 feature 都独立进入 git 管理，否则回退会非常麻烦。feature 都进入 git 管理 4. codex 读代码读的实在是太认真了，以至于执行任务的速度特别慢，对于稍微复杂点的任务，或者同时布置了多个任务，需要 5～20min 才能搞定 5. 每次对话结束，我都希望它能自动把过程记录下来，但它做得并不好，总结的内容也很一般。 6. 80% 情况写出来的代码能直接跑；出错的那 20%，经过第二轮调教后大多也能跑通。 7. 看着它执行某个任务的空档，脑子里有了新的想法，会想让它并发执行很多任务，但又担心它处理不过来。 8. 95% 都是 AI 写代码，但有些问题它排查得实在是太慢了，会忍不住自己上手，比它要快很多。 9. 有部分任务它处理的并不好，例如让它生成 svg 图标，效果很差。 10. 表达清晰很重要，如果任务描述的过于抽象，它可能会理解错，如果跟他沟通的时候，具体到函数名或 DOM id，它的处理基本会更准确。以上遇到的问题，基本都找到了好的解法，等后面整理了再分享。还是要多用，才能不断优化工具的使用。总的来说，整个项目完成的速度已经是我自己的 5 倍以上，因为省略了学习陌生知识的时间。说实话，一个月花 2～3k 在 AI Coding 上，完全是值得的，相当于给自己找了个外包。

#AI Coding #Codex CLI #Chrome 插件 #效率提升 #外包

2个月前

今天对 AI Coding 是什么打了一个我认为非常恰当的比方：

#AI Coding #比方 #恰当 #技术 #讨论

2个月前

人类在vibe coding中的作用就是帮AI处理上下文不足的问题，现在AI Coding中所有的技巧都是在解决上下文问题。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#AI Coding #上下文问题 #Vibe Coding #AI辅助 #技术

2个月前

最近在看一圈 ToB agent 的落地情况，有个判断越来越清晰：至少还得 1 年，国内 ToB agent 才可能真正起来。第一，国内的模型能力，还不够。 ToB 业务链条长、场景复杂、对结果的容错率极低。现在的大模型，哪怕再微调十遍，稳定性不够，自洽性不够，还不够听话这些问题依然严重。 prompt 写得挺对，它干的事还是不怎么靠谱。像个刚转岗的实习生，流程懂了点，但是做起来全是 bug。第二，做技术和懂业务的，不是一拨人。 ToB agent 最大的挑战是知识怎么迁移。比如想让 agent 搞懂保险理赔、医疗问诊、法律审查……这些不是写 prompt 能解决的，它们背后是几十年经验、人情流程和模糊判断。越值钱的知识，掌握它的人越年长，越难被结构化表达，更别说这批人愿不愿意倾囊相授。技术今天搞出来一个 agent，业务方只会说三句话：你这不准啊、我们流程不是这样的、你这漏了关键条件，但这个流程是之前开发跟业务一起梳理出来的。这背后藏了抵触，技术和业务之间，隔着的不是 AI，是一整座山。那为什么 AI coding 能先跑出来？因为这事里最懂业务的就是技术自己。谁最懂代码结构？技术！谁能写 agent 调 agent？技术！谁能 debug agent？还是技术！技术是唯一一拨能自己用，自己调 bug的群体。业务等于本体，没有认知 gap，也不需要跨专业翻译，一整个闭环自然就跑通了。本质区别在这：AI coding 是单边迁移服务自己， ToB agent 是双边博弈，需要认知共建。一个能快，一个必须慢。对于 AI coding，只要模型理解开发者就够了。ToB agent，不仅模型要懂业务，开发者还得懂业务，然后两边还得对得上话。这，太难了。真正的转折点要出现：必须满足模型能稳定编码行业知识，Agent 能封装复杂动作并处理结果反馈（前提是老顽固们愿意掏心窝），企业能放心把核心流程交出去。到那一天，ToB 才真正算是 ready 了。那时候再回头看 coding agent 的进化速度，也许已经不是一个量级的对比了。技术在革自己命这件事上，从来没有输过任何群体。

#ToB agent #大模型能力 #技术与业务认知差异 #AI Coding #行业知识迁移