xwhxbg

看起来贵司是没有调研过 vibe coding 的 workflow 导致认为 vibe coding 就是跟 AI 聊天导致的问题

上下文这个是通过 beads 数据库解决的，所有的 commit 和 LLM 的 plan 都会存里面，这样即使上下文 compact 了也会自动取数据库里的东西，能明白某个函数当初为什么这样设计，现在我们改动会如何影响那个设计

人为调试，这点看起来是因为用 prompt 根 LLM 说不通所以懒得搞了直接人工上，实际上你应该把你调试的过程，用 LLM Prompt 一步一步实现，请 LLM 帮你去调试，例如加日志，启动测试环境等等，最终把这个过程萃取成 skills

幻觉问题，很显然你们没有任何 rules ，LLM 可以随便撒谎，不做 fact check

垃圾代码，你需要一个插件去让 LLM 精简代码，参考 https://github.com/anthropics/claude-plugins-official/blob/main/plugins/code-simplifier/agents/code-simplifier.md ，然后在 PR 阶段用 LLM review ，可以有效避免因为概率问题导致的 oneshot miss

codex 5.2 让你体验一下代码之神的感觉

@Chicagoake 是的，临近假期，很多小学/中学/大学老师都有刷网课的需求，据我观察目前他们都喜欢用 QQ

@timespy 感谢提醒，我都忘了这茬了

@uberarctic 这是巨佬！

@Chicagoake 这说到我今年寒假准备帮人刷网课赚钱了，到时候看看小红书有没有单子

@FynnRelx 难怪 CEO 去住豪华酒店了，可惜裁了的人怕是回不来了

@Leeeeex AI 不能凭空跑 skills ，例如你要排查一个项目的 bug ，并不是你拍脑袋请 AI 读所有代码然后就自动有 skills 了
LLM 本质上是向量空间搜索，如果把全世界的代码可能当做一个海，LLM 想要从海里捞出来你想要的那条鱼（代码），为了提高效率，需要你提供上下文（ RAG ），这一步相当于告诉 LLM 你要去哪一片海域更容易捞到我要的金枪鱼，其次提供 skills ，类似渔网/渔船，即你告诉 LLM 不要试图用手抓鱼也不要试图用原子弹炸鱼，我们最好就是渔船拖网去抓金枪鱼，然后你就祈祷 LLM 能在你指定的哪一片海域用你指定的工具，稍微发挥下能抓到你要的那条金枪鱼

@nealHuang Skills 是比较宽泛和弹性的，比如我举例中，如果 AI 根据 skills 运行，发现运行链路没问题，它可以自由开始根据代码进行推断，甚至可以加打印，重新部署测试，适合排查类的任务，因为此类任务中通常需要根据每一步查到的信息进行决策
skills 也不像 rules 需要你提前想好去写好，skills 可以通过你指挥 LLM 做一次任务，然后请 LLM 自己从做的事情中去抽取出来
优点是前期投入很小，弹性很大，很容易修改，即使不具备专业知识也可以指挥 LLM 修改
缺点是不如 rules 稳定，有时中间自由发挥导致出现问题