

> 编程领域迎来语音交互革命。Anthropic为开发者命令行工具引入语音模式，同时其年化收入已翻倍至25亿美元，标志着AI编程助手在多模态与商业化上迈出重要一步。

## 终端编程迈入语音控制时代

继网页端大模型相继普及语音功能后，AI编程工具的交互方式也迎来了代际跃升。AI初创巨头Anthropic正式为其面向开发者的命令行产品Claude Code引入语音模式。这意味着程序员可以彻底解放双手，直接通过口述指令完成复杂的架构调整或代码重构。

据核心开发工程师Thariq Shihipar透露，该功能首批面向约5%的Windows平台用户进行灰度测试，并计划在本月内完成全球推送。开发者的操作链路被极大精简，只需在终端敲入/voice指令唤醒监听模块，即可用自然语言下达诸如重构验证中间件或优化递归逻辑等专业需求。Claude Code能够迅速解析上下文意图，并在终端内直接执行对应的代码重写与调试工作。

![22.png](https://static.downly.cn/images/1a3a61e58a10dc040d4082fcce4c7cb8.png)

<center>图源备注 图片由AI生成</center>

## 商业增长与应用场景拓宽

语音模式的落地正值AI开发工具赛道竞争陷入白热化阶段。面对GitHub Copilot的先发优势与Cursor的强劲蚕食，Anthropic凭借Claude系列模型在逻辑推理上的护城河实现了突围。最新的财务数据显示，Anthropic年化收入已成功突破25亿美元大关，较今年年初实现跨越式翻倍，其周活跃用户数也在短短两个月内同步实现翻番。

行业分析师认为，语音交互的引入并非单纯的噱头，而是对开发者工作流的深度重构。在代码审查、系统架构构思等需要高度抽象思维的场景下，对话式交互比键盘敲击更贴合人类的自然思考节拍。Anthropic在商业变现与活跃度上的双重爆发，印证了市场对高阶AI编程助理的强劲需求。

Claude Code引入语音交互 Anthropic年化收入突破25亿美元



> 摘要 谷歌正将人工智能从辅助工具升级为强制性核心生产力。随着内部代码生成比例突破50%，这套涵盖研发与销售的转型方案将直接决定十万员工的职业命运。

## 从可选插件到核心生产力

面对激烈的行业竞争，科技巨头正在内部推动一场激进的工作方式革命。近期公司管理层已向各个部门下达指令，要求员工在日常工作流程中深度集成大语言模型。这项要求不仅限于研发团队，更开始向非技术岗位全面铺开。目前最显著的成果体现在工程研发领域。据统计，内部约有一半的代码已由系统自动生成，随后再交由人工进行审核把关。工程师们被强制要求使用基于公司技术历史训练的内部编程工具Goose，以高效完成代码编写 漏洞修复和系统维护等核心任务。

![32.png](https://static.downly.cn/images/3e4c4d9f3f3723a55b83f9bb671e6392.png)

<center>图源备注：图片由AI生成</center>

## 多维度的岗位重塑与考核绑定

除了技术部门，业务和销售团队也迎来了工作模式的彻底颠覆。非技术岗员工被明确规定利用自动化工具来起草战略文件 分析通话记录并提取深层客户洞察。销售团队部分成员甚至被设定了明确的工具使用频次指标，他们需要借助Yoodli等虚拟形象程序进行沟通演练。为了防止敏感商业数据外泄，公司专门提供了高度定制化的安全版本Duckie。
最令员工感受到压力的措施，是这些工具的使用深度已被正式接入GRAD绩效评估系统。高层强调，内部广泛部署新技术是保持竞争优势的必经之路。这种将熟练度与职业发展直接挂钩的做法，意味着任何试图抗拒这波自动化浪潮的员工，都将在晋升体系中被边缘化。

谷歌强制将AI纳入全员绩效考核 内部代码生成率已达五成



> 智谱正式开源新一代基座模型 GLM-5，以 744B 参数规模问鼎开源榜首，在长程任务与系统工程能力上实现对标国际顶尖水平的重大突破，重新定义 AI 工程化边界。

## 性能跃迁 迈向Agentic Engineering时代

智谱今日发布的 GLM-5 不仅仅是一次版本号的更新，更代表着大模型能力范式的转移——从单一的代码生成进化为能够独立处理复杂系统工程的 **“Agentic Engineering”**。

在权威的 Artificial Analysis 全球榜单中，GLM-5 强势位居全球第四，并摘得 **开源模型第一** 的桂冠。其工程化实战能力已逼近 Claude Opus 4.5
*   **编程对齐** 在 `SWE-bench-Verified` (77.8分) 和 `Terminal Bench 2.0` (56.2分) 中均取得开源界最佳成绩，超越了 Google 的 Gemini 3 Pro。
*   **长程智能体** 在 `BrowseComp` 及复杂工具规划测试 `τ²-Bench` 中稳居开源首位，展现了卓越的任务拆解与执行能力。
*   **经营决策** 在模拟商业环境的 `Vending Bench 2` 测试中，其长期规划能力表现出类拔萃。

![Generated Image February 12, 2026 - 11_09AM (1).png](https://static.downly.cn/images/a81c005a2294b9c18c77ea0461a92130.png) <center>图源备注：图片由AI生成</center>

## 技术硬核 稀疏注意力与异步进化

GLM-5 的强大性能源于底层架构的彻底重构：
1.  **参数规模暴力美学** 模型参数量从前代的 355B 暴涨至 **744B**（激活参数 40B），预训练数据量更是提升至 **28.5T** Token。
2.  **Slime 进化框架** 引入全新的异步智能体强化学习算法，使模型能够像人类一样在长程交互中不断自我修正与进化。
3.  **效率优化** 集成 **DeepSeek Sparse Attention**（稀疏注意力）机制，在处理超长文本的同时，大幅降低了推理成本与显存占用。

## 生态闭环 全面适配国产芯

为了打破算力瓶颈，GLM-5 在发布之初便完成了广泛的硬件适配。目前，该模型已实现与 **华为昇腾、摩尔线程、寒武纪、昆仑芯、海光** 等国产主流算力平台的深度兼容。通过底层的算子级优化，确保了在国产芯片集群上的高吞吐与低延迟运行。

与此同时，智谱同步推出了基于 GLM-5 的 **Z Code** 编程工具，支持多智能体并发开发。更令人瞩目是其办公生态的打通——GLM-5 可直接将素材转化为 Office 文档，并作为原生插件嵌入 Excel，将大模型能力无缝注入日常办公流。

目前，GLM-5 模型权重已通过 Hugging Face 和 ModelScope 正式开源，遵循 **MIT License** 协议，允许全球开发者自由商用。

![Generated Image February 12, 2026 - 11_10AM.png](https://static.downly.cn/images/9b5045a381cf3b998937f2ea1040d5d3.png) <center>图源备注：图片由AI生成</center>

智谱GLM-5开源登场 744B参数重塑国产大模型工程化天花板



> **导语**
> 编程不再是人与代码的独角戏，而是人与智能体的交响乐。OpenAI 正式推出适配 macOS 的 Codex 桌面应用，通过深度整合 GPT-5.2-Codex 模型与多智能体协作逻辑，试图重新定义专业开发者的工作流，并对标 Claude Code 等新兴竞争对手。

## 超越对话框的深度整合

当地时间周一，OpenAI 发布了全新的 Codex 桌面应用，这标志着 AI 编程工具从单一的“聊天窗口”向系统级“开发环境”的跨越。这款应用并非简单的问答机器人，而是深度整合了“智能体化软件开发”逻辑，支持多智能体并行作业。

用户可以通过该应用调用不同专长的 AI 智能体，协同处理复杂的开发流程。例如，一个智能体负责架构设计，另一个负责代码实现，还有一个负责测试与调试。这种分工协作的模式，被视为 OpenAI 对当前编程效率瓶颈的直接突围。

![Google_AI_Studio_2026-02-03T02_08_38.458Z.png](https://static.downly.cn/images/cd21fcb87ebfbc5b644c1ef52166bfc2.png) <center>图源备注：图片由AI生成</center>

## 极致效率与用户体验定制

新版 Codex 搭载了两个月前发布的 GPT-5.2-Codex 模型，将尖端的代码生成能力封装在极简的交互界面中。OpenAI 首席执行官萨姆・奥特曼表示，工具的核心目标是让软件开发速度仅受限于用户的创意输入速度。

在功能上，应用支持自动化任务设定，允许智能体在后台自主运行并将结果存入队列，开发者无需时刻盯着屏幕等待响应。此外，用户还可以定制智能体的交互风格，从严谨的逻辑分析到通俗的解释说明，均可灵活切换，以适应不同开发者的工作习惯。

## 开发者争夺战进入白热化

尽管 GPT-5.2 模型在基准测试中表现优异，但在处理现实世界复杂的软件漏洞修复时，与 Claude Opus 和 Gemini 3 相比并未形成绝对碾压之势。因此，OpenAI 此次发布桌面端应用，意在通过更深度的系统整合与工作流优化来构建护城河。

随着编程智能体的竞争焦点从单纯的模型算力转向综合体验，谁能更好地融入开发者的本地环境，谁就能在这场技术变革中占据主导地位。

OpenAI 发布 macOS 版 Codex，桌面端编程迈入“智能体”时代



> 编程工具领域迎来重磅整合，OpenAI 的 Codex 模型正式入驻 JetBrains 全系 IDE。依托 GPT-5.2 的底层能力，开发者现可在本地环境中无缝调用云端智能，实现从代码规划到发布的闭环式 AI 辅助开发。

## 编程利器装上最强 AI 大脑

对于全球开发者而言，JetBrains 系列 IDE 是不可或缺的生产力工具，而 Codex 则是 AI 编程领域的标杆。两者的结合，意味着程序员手中的“利剑”被注入了灵魂。无论是构建后端逻辑的 IntelliJ IDEA，还是数据科学领域的 PyCharm，现在都已直接集成了这位“AI 编程代理”。

此次整合的核心突破在于“双模”作战能力。开发者可以在云端智能体与本地开发环境之间自由切换，并行处理多项任务。这改变了过去需要在编辑器和 AI 对话窗口间反复跳转的割裂体验，真正实现了在单一界面内完成代码规划、编写、测试及发布的全流程闭环。

![Google_AI_Studio_2026-01-24T04_41_22.596Z.png](https://static.downly.cn/images/a2eb6ef0ee5511b90e0641432f5a61d3.png)
 <center>图源备注：图片由AI生成</center>

## GPT-5.2 赋能与灵活接入

技术圈最为关注的是此次接入的底层模型版本 **GPT-5.2 Codex**。相较于早期版本，新模型在代码逻辑理解和生成的准确度上实现了维度的跃升，能够处理更为复杂的工程化需求。

OpenAI 为此提供了极其灵活的接入方案，用户既可以使用 ChatGPT 账号登录，也可以通过 API Key 或 JetBrains AI 订阅来激活服务。值得注意的是，为了尊重开发者的选择权，JetBrains 默认未启用该功能，用户需手动在插件市场安装 AI Assistant 才能解锁这一强大的数字大脑。这不仅仅是一个插件的更新，更是 AI 深度重塑软件工程生产力的重要里程碑。

生产力跃迁 OpenAI Codex 深度植入 JetBrains 全系工具



> **导语**
> xAI 正在秘密研发名为“Grok Build”的全新编程产品，意在通过“氛围式编程”重塑开发体验。曝光的界面显示其采用了更加直观的交互设计，并计划向移动端延伸。结合即将更新的 Grok Code，马斯克正试图大幅降低编程门槛，推动 AI 辅助开发进入新纪元。

## 界面革新与交互体验

科技圈的最新爆料揭开了 xAI 在编程工具领域的野心之作——Grok Build。作为“Vibe Coding”（氛围式编程）理念的核心载体，该产品目前的网页端预览版展示了与其竞品截然不同的设计哲学。

Grok Build 引入了独立的标签页设计，并在屏幕中央设置了显著的提示输入栏。这种极简主义的布局旨在减少视觉干扰，让用户能够更专注于逻辑表达而非代码语法。更为引人注目的是，xAI 团队正计划将这一体验移植到移动端。这意味着未来的编程可能不再局限于桌面显示器前，开发者甚至普通用户都能在手机上通过自然语言完成代码构建，这将极大地拓展编程工具的用户基数。

![Google_AI_Studio_2026-01-10T03_50_59.799Z.png](https://static.downly.cn/images/aac51c8a67ebde6a05bfcd5442b0b8bc.png) 
<center>图源备注：图片由AI生成</center>

## 本地代理与命令行进化

除了界面层面的 Grok Build，马斯克此前透露的 Grok Code 引擎也将迎来重大技术演进。在未来的更新计划中，Grok Code 将首先以“本地代理”的形式推出，并深度集成命令行界面（CLI）。

这一更新将赋予 AI 更大的权限和能力。用户只需输入自然语言指令，AI 即可在后台自动执行代码的“规划、搜索和构建”全流程。这种从“辅助写代码”到“代理完成任务”的转变，是 AI 编程工具发展的关键分水岭，极有可能彻底改变现有的软件开发工作流。

## 编程门槛的持续降低

Grok Build 与 Grok Code 的组合拳，清晰地展示了 xAI 在 AI 与编程融合领域的战略路径。通过降低技术门槛，xAI 试图将编程能力赋予每一个拥有创意的人，而不仅仅是受过专业训练的工程师。

随着技术的成熟，未来的编程或许将变成一种纯粹的逻辑与创意表达，繁琐的语法和环境配置将由 AI 全权接管。xAI 的这一布局，不仅是在打造工具，更是在培育一个庞大的潜在开发者生态，为未来的人工智能应用爆发储备力量。

马斯克布局氛围式编程 xAI新工具Grok Build曝光

<video src="https://static.downly.cn/images/13-Steps-to-High-Efficiency-by-the-Creator-of-Claude-Code.mp4" controls width="50%">
  Your browser does not support the video tag.
</video>

> 在 AI 辅助编程领域，我们通常只把 AI 当作一个更聪明的自动补全工具。然而，Claude Code 的创造者 Boris Cherny 展示了一种完全不同的维度：他通过构建一套严密的系统工程，将自己从“代码撰写者”转变为“AI 军团指挥官”，实现了月产 4 万行高质量代码的惊人效率。

本文将基于 Boris Cherny 的实战演示，详细复盘他的 13 步工作流，并补充我们对于高阶技能定制的第 14 步实践，深入剖析这套范式背后的技术哲学。

------

## 01. 并发多线程 (Parallelization)

### 🎥 Boris 的实战现场

Boris 的终端界面就像一个繁忙的指挥塔。他通常会同时开启 5 个并行的 Claude 会话（Tabs 1-5），每个 Tab 都有明确的职责划分：

- Tab 1：专注于数据库层面的重构任务。

- Tab 2：处理前端组件的视觉调整。

- Tab 3：运行单元测试并修复回归错误。

  为了解决“等待 AI 生成”的时间浪费，他利用系统的“通知铃声”功能。当后台某个 Tab 完成任务时，会发出提示音，他便立即切换上下文进行确认。这种方式消除了人类在等待 AI 思考时的闲置时间。

### 🧠 技术视点：工程师的“调度器化”

> 这标志着工程师的核心能力正在发生代际转移。

过去，我们的核心能力是“专注力”和“手速”；而在 Boris 的模式下，核心能力变成了**任务架构拆解（Architecture Decomposition）\**与\**上下文切换（Context Switching）**。如果不具备良好的架构思维，无法将一个大需求拆解为 5 个低耦合的子任务，那么开启 5 个窗口只会带来 5 倍的混乱。**并发的前提，是解耦。**

------

## 02. 端云协同 (Teleport)

### 🎥 Boris 的实战现场

Boris 演示了如何打破“本地终端”与“云端网页”的物理隔阂。他使用 `teleport` 命令配合后台任务符 `&`，将本地正在进行的终端会话“瞬移”到浏览器端的 Claude 界面。

- **场景切换**：当需要处理复杂的长文本阅读、查看图表或进行更自然的对话交互时，他切换到网页端。
- **状态同步**：在网页端确认好思路或生成文案后，所有的上下文和结果又能反向同步回本地终端，继续执行代码命令。

### 🧠 技术视点：交互模态的流动性

> 未来的开发环境将不再固守单一的 IDE，而是“数据流”的载体。

CLI（命令行）适合执行和精确控制，GUI（网页）适合阅读、规划和视觉反馈。Boris 的实践告诉我们：**上下文（Context）应当像流体一样**，根据开发者的认知需求，在不同的容器之间自由流转，而不是被锁死在某个软件窗口里。

------

## 03. 慢思考 (Thinking Models)

### 🎥 Boris 的实战现场

在处理复杂的逻辑重构时，Boris 并没有选择响应最快的模型，而是强制指定带有思维链（Chain of Thought）的 Opus 4.5 模型。

尽管这需要等待数分钟才能看到结果，但他强调，对于核心逻辑，必须让 AI 像人类高级工程师一样进行深度的推理。他宁愿花时间等待一个准确的方案，也不愿快速得到一个充满 Bug 的代码块。

### 🧠 技术视点：算力换人力的经济账

> 这是一个关于“信噪比”的决策。

在软件工程中，**生成速度 $\neq$ 开发效率**。修复一个由快速模型产生的幻觉 Bug，其耗时（定位、调试、修改）往往是生成时间的 10 倍以上。这里的策略是典型的“慢即是快”：用昂贵的推理算力，去置换昂贵的人类调试时间。**准确率（Precision）远比延迟（Latency）重要。**

------

## 04. 共享大脑 (CLAUDE.md)

### 🎥 Boris 的实战现场

Boris 展示了他在项目根目录维护的核心文件：CLAUDE.md。

这不是给人类看的 Readme，而是给 AI 看的“宪法”。文件中定义了：

- **架构规范**：如“本项目使用 MVC 模式，Service 层不应直接返回 DTO”。

- **编码细节**：如“日期必须使用 ISO8601 格式”、“禁止使用 `eval` 函数”。

- 路径映射：解释项目特有的黑话和目录结构。

  每次启动 Claude，它都会预加载这份文件，从而让一个通用的 AI 瞬间变成最懂该项目的“资深员工”。

### 🧠 技术视点：隐性知识的显性化

> 这是文档工程（Documentation Engineering）在 AI 时代的复兴。

传统团队中存在大量“部落知识（Tribal Knowledge）”，它们只存在于老员工的脑子里。`CLAUDE.md` 迫使我们将这些隐性知识显性化。这本质上是一种**轻量级的 RAG（检索增强生成）**，它解决了 LLM 的无状态问题，让项目具备了可传承的“记忆”。

------

## 05. 复利工程 (Compounding Engineering)

### 🎥 Boris 的实战现场

当 Claude 犯错（例如引入了一个被禁用的库）时，Boris 的做法令人印象深刻：他不仅仅是纠正代码，而是直接在 GitHub 评论区 @claude 下达指令：“你犯了一个错误，请把这条新规则更新到 CLAUDE.md 中，以后不要再犯。”

通过这种方式，每一次错误都转化为了文档中的一条新规则，确保 AI 不会在同一个地方跌倒两次。

### 🧠 技术视点：错误的资产化

> 我们正在目睹一种全新的“资产积累”方式。

在传统开发中，踩过的坑容易被遗忘；而在这种模式下，**错误被提炼成了系统的“养料”**。随着项目推进，`CLAUDE.md` 越来越完善，AI 越来越聪明。这不仅仅是在写代码，更是在训练一个不断自我进化、不断增值的数字资产。

------

## 06. 计划模式 (Plan Mode)

### 🎥 Boris 的实战现场

Boris 通过双击 Shift+Tab 进入一个特殊的“计划模式”。在此模式下，AI 被禁止写一行代码。

他和 AI 像两个在白板前的架构师一样，纯粹通过自然语言反复推演：“如果我们要改这个 API，会影响哪些文件？”、“数据库 Schema 需要怎么变？”。只有当计划被彻底确认无误后，他才会切换回执行模式让 AI 动手。

### 🧠 技术视点：决策层与执行层的分离

> 这解决了新手使用 AI 最容易犯的错：过早陷入细节。

Plan Mode 强行将**设计（Design）\**与\**实现（Implementation）** 剥离。这不仅通过思维链（CoT）降低了 AI 的幻觉风险，更重要的是，它强制人类保持在“决策层”。**AI 是手，你是脑，动手之前先动脑。**

------

## 07. 斜杠命令 (Slash Commands)

### 🎥 Boris 的实战现场

Boris 演示了他自定义的 /commit-push-pr 命令。

只需输入这一个指令，Claude 就会在后台自动执行一系列复杂的动作：检查 Git 状态 -> 分析变更内容 -> 生成符合规范的 Commit Message -> 推送到远程分支 -> 调用 GitHub API 创建 PR。原本需要敲击十几次键盘的流程，被压缩成了一次指令。

### 🧠 技术视点：流程的“模糊自动化”

> 这是对传统 Shell 脚本的降维打击。

传统的脚本是僵化的，参数必须精确匹配。而挂载了 AI 的 Slash 命令是**基于意图（Intent-based）**的。开发者只需要发出意图，AI 负责填充参数、处理异常。我们正在从“自动化（Automation）”向“自主化（Autonomy）”过渡。

------

## 08. 子智能体 (Sub-agents)

### 🎥 Boris 的实战现场

在处理特定任务时，Boris 会调用专门的“子智能体”。例如：

- `code-simplifier`：这是一个被设定了极强约束的 Agent，它只负责简化代码语法，绝不修改业务逻辑。

- verify-app：专门负责按照测试手册运行端到端测试的 Agent。

  主 AI 负责攻坚，子 Agent 负责扫尾，分工明确。

### 🧠 技术视点：单一职责原则 (SRP) 的 AI 实践

> 我们写代码遵循 SRP 原则，使用 AI Agent 也应如此。

一个通用的“全能 Agent”往往表现平庸。通过构建专门的 Sub-agents，我们可以针对特定任务（如安全审计、性能优化、文档生成）微调 Prompt 和工具集。这是**多智能体协作（Multi-Agent Systems）** 的实战雏形。

------

## 09. 钩子 (Hooks)

### 🎥 Boris 的实战现场

Boris 配置了严格的 Pre/Post-execution Hooks。每当 AI 生成代码准备写入文件之前，系统会自动触发 Prettier 或 Linter。

无论 AI 生成的代码格式多么混乱，在写入磁盘的那一刻，它都会被强制格式化为团队标准风格。

### 🧠 技术视点：最后一道防线

> 这是防御性编程在 AI 时代的必要延伸。

我们不能无条件信任 AI 的输出质量。Hooks 建立了一个**不依赖于 AI 自身道德约束的外部质量门禁**。这不仅解决了 AI 代码“能跑但很难看”的顽疾，更守住了代码库整洁度的底线。

------

## 10. 权限管理 (Permissions)

### 🎥 Boris 的实战现场

Boris 并没有让 AI 处于完全的“裸奔”状态（`dangerously-skip-permissions`）。相反，他精心设置了白名单：

- 读取类命令（`ls`, `cat`, `git status`）：默认允许，无需人类确认，保证交互流畅。
- 破坏类命令（`rm`, `upload`, `deploy`）：必须弹窗询问，且高危操作会被钩子拦截。

### 🧠 技术视点：基于行为的零信任架构

> 信任，但要验证（Trust but Verify）。

在 AI 能够自主执行命令的时代，安全架构必须从“基于身份”转向“基于行为”。这种配置既保证了探索性任务的效率，又锁死了破坏性操作的风险。

------

## 11. 万物互联 (MCP)

### 🎥 Boris 的实战现场

通过 Model Context Protocol (MCP)，Boris 让 Claude 连接到了 IDE 之外的世界。

他展示了 AI 如何直接读取 Slack 中的讨论记录来理解需求背景，或者直接查询 BigQuery 数据库来验证业务逻辑，甚至连接 Sentry 查看线上的实时报错日志。

### 🧠 技术视点：打破 IDE 的“数据孤岛”

> 当 AI 开始感知业务数据时，它才真正成为了“全栈”。

这预示着 **AIOps** 的到来——AI 不再仅仅处理代码文本，而是能够感知线上状态、用户反馈和业务数据。它正在从一个“编码工具”进化为一个能够感知上下文的“业务伙伴”。

------

## 12. 长任务管理 (Ralph Wiggum)

### 🎥 Boris 的实战现场

对于那些极度耗时的任务（如全项目大规模重构、运行数小时的回归测试），Boris 使用了一个被称为 "Ralph Wiggum" 的后台挂机插件。

他将任务扔给这个后台进程，配置好“完成强提醒”，然后就去处理其他事情，甚至睡觉。在这些隔离环境中，他给予 AI 更高的自主权。

### 🧠 技术视点：异步生产力的解放

> 人类的时间是线性的，但算力是可以并发的。

通过将长耗时任务剥离给后台 AI，工程师实现了**算力与人力的解耦**。你不再需要盯着进度条发呆，这是对人类注意力的极致保护。

------

## 13. 反馈闭环 (Feedback Loop)

### 🎥 Boris 的实战现场

这是 Boris 演示中最精彩的部分：赋予 AI 眼睛。

当 AI 修改了前端代码后，它会自动启动一个浏览器实例，像真实用户一样点击按钮、输入表单、截图并分析控制台报错。如果发现页面崩溃或报错，AI 会根据错误信息自动修正代码，直到通过验证。

### 🧠 技术视点：从“开环”到“闭环”

> 这不仅仅是自动化测试，这是“自主纠错”。

目前的 AI 编程多是“开环”的（AI 写完 -> 人去测 -> 人反馈）。Boris 构建的是**闭环系统**（AI 写 -> AI 测 -> AI 改）。只要有了可靠的反馈机制（视觉验证、测试套件），AI 就能在不断的试错中收敛到正确结果，这才是 AI 能够独立完成任务的关键。

------

## 14. claude Code Skills 进阶实践

### 🚀 超越脚本的终极形态

Boris 展示了如何用 Slash Commands 和 MCP 连接工具，但这依然是零散的。通过研究 Anthropic 最新的官方规范，我们发现 Claude Code 真正的杀手锏其实是：**Agent Skills（代理技能架构）**。

这不是简单的写个脚本，而是定义了一种**标准化的能力封装协议**。如果说 `CLAUDE.md` 是公司的“宪法”，那么 Agent Skills 就是 Claude 的“岗位技能手册”。

### 🛠️ 我们的实践：构建标准化的 Skill 目录

我们不应满足于散落在各处的 Prompt，而应按照官方规范，构建可复用的 **Skill 文件夹**结构：

#### 1. 采用“三位一体”的目录结构

一个标准的 Skill 不是一个文件，而是一个目录：

- **`SKILL.md` (大脑)**：核心指令文件。包含 YAML Frontmatter（元数据）定义 `name` 和 `description`，以及 Markdown 格式的操作指南。这是 Claude 唯一“必读”的部分。
- **`scripts/` (肢体)**：存放 Python/Bash 脚本。用于处理需要精确执行、容错率低的逻辑（如数据清洗、格式转换）。这比让 LLM 自己写代码执行要稳定得多。
- **`references/` (海马体)**：存放 PDF 规范、API 文档或模版。这些是 AI 按需查阅的知识库。

#### 2. 利用“渐进式披露”机制 (Progressive Disclosure)

这是该架构最精妙的技术设计，旨在解决上下文窗口（Context Window）的限制：

- **静默态**：Claude 启动时，只加载所有 Skills 的 `name` 和 `description`（约 100 tokens），极度节省资源。
- **激活态**：只有当 Claude 判定当前任务需要该技能时（例如你提到“处理这个 PDF”），它才会动态加载该技能完整的 `SKILL.md` 指令。
- **执行态**：只有在真正执行细节时，才会去读取 `scripts/` 或 `references/` 中的具体文件。

#### 3. 设定“自由度” (Degrees of Freedom)

我们在编写 `SKILL.md` 时遵循“窄桥原则”：

- **低自由度**：对于发布生产环境的操作，我们提供固死的 `scripts/`，不给 AI 自由发挥的空间，确保 100% 的一致性。
- **高自由度**：对于“代码优化建议”类技能，我们只提供 Markdown 文本指导，让 Claude 发挥它的创造力。

### 🧠 技术视点：AI 的“Docker 化”时刻

Agent Skills 的出现意味着 **AI 能力的标准化和模块化**。

- **可移植性**：你可以把一个写好的 `data-analysis` Skill 文件夹打包发给同事，他的 Claude 瞬间就学会了如何分析公司特有的数据格式，无需任何 Prompt 调试。
- **程序性记忆**：以前我们通过 RAG 给 AI **陈述性记忆**（知识），现在我们通过 Skills 给 AI **程序性记忆**（方法）。

------

**结语**

Boris Cherny 的 13 步工作流，配合最新的 Agent Skills 架构，本质上是将程序员从**代码的实现者**，升级为了**代码生产系统的设计者与监督者**。

拒绝“聊天式”编程 - 深度解析 Claude Code 之父的系统化开发流


> 谷歌 Gemini API 首席工程师 Jaana Dogan 披露，Anthropic 的 Claude Code 仅凭借三段提示词，在一小时内生成了一个困扰谷歌团队长达一年的分布式代理编排系统。这一事件不仅令内部震撼，更标志着 AI 编程已从单纯的代码补全迈向了系统级架构构建的新纪元。

## 效率鸿沟 1小时碾压1年研发周期

在 AI 编程工具竞争日益白热化的背景下，谷歌内部的一次“破防”评价引发了行业深思。Jaana Dogan 透露，其团队曾花费一年时间试图构建一个复杂的分布式代理编排系统，但屡次受阻于架构分歧，未能成功落地。

当她尝试将同样的需求提交给 Claude Code 时，结果令人震惊：AI 仅用短短一小时便输出了一个结构清晰、逻辑完整且可直接运行的系统原型。尽管生成的代码在细节上仍需优化，但在完成度上已足以媲美人类团队一年的迭代成果。Dogan 感慨道，2022年 AI 的能力仅限于补全一行代码，而到了2025年，它已具备从零构建整个代码库的能力。这种指数级的进化速度，迫使曾断言“自动化编程还需五年”的行业专家们不得不重新审视当下的技术水位。

![Google_AI_Studio_2026-01-04T06_23_26.594Z.png](https://static.downly.cn/images/e915dba7e9baf74d93704ef5eaec66b9.png)
 <center>图源备注：图片由AI生成</center>

## 安全围栏 Google 内部限制竞品使用范围

尽管 Claude Code 展现了惊人的工程能力，但在谷歌内部，其应用场景受到严格限制。出于数据安全与合规考量，谷歌目前仅允许员工在开源项目中使用该工具，核心业务系统仍必须依赖自研的 Gemini 模型。

Dogan 强调，这种来自外部的强力竞争并非单纯的威胁，而是一种高效的激励机制。Claude Code 的表现正倒逼 Gemini 团队加速补齐短板，特别是在代码生成质量、复杂工具调用以及深层工程理解能力方面。这不仅是工具之争，更是对 AI 模型底层逻辑推理能力的终极考验。

## 范式革命 胜负手在于系统级构建力

Dogan 的经历揭示了 AI 编程领域的一个关键转折点：竞争维度已从初级的“单文件补全”升级为高阶的“复杂系统设计”。

真正具备替代初中级工程师潜力的模型，必须能够理解分布式架构、跨服务通信、状态一致性等复杂的工程概念。Claude Code 在此次任务中展现出的逻辑严谨性、长上下文推理能力以及对工程规范的遵循，证明了 Anthropic 在系统级构建力上的优势。

对于谷歌而言，这既是警钟也是催化剂。在未来的 AI 编程战场上，唯有持续交付可信赖、可维护、可扩展的代码，才能真正赢得开发者的心智。编程的未来已不再是探讨“是否会被取代”，而是开发者如何利用 AI 在一小时内完成过去一年的工作，从而去共创更高维度的技术价值。

搜索结果: 编程工具