这里的公众号内容与我的公众号保持同步,主要是一些编程知识分享
gpt-5.4-mini 和 gpt-5.4-nano 发布后,怎么在项目里选
Published: at 00:00openai/gpt-5.4-mini 和 openai/gpt-5.4-nano 今天发布了。如果你项目里有一部分只是做很轻量的 AI 处理,可以考虑换成 nano 来省钱省算力。注意目前 gpt-5.4-nano 反而比 gpt-5-nano 贵一些,追求性价比可以直接用 gpt-5-nano。
Streamdown 简介:更适合流式输出的 Markdown 渲染
Published: at 00:00我以前主要用 react-markdown,但内容开始做流式输出后,未闭合的代码块、列表会让渲染很别扭。迁移到 Streamdown 之后体验顺很多,还自带 math、code 等插件,基本开箱即用。
Claude Code 和 Codex 最佳实践:两篇官方文档的共同点
Published: at 00:00对比 Claude Code 与 OpenAI Codex 的官方最佳实践,提炼共同建议:先规划再写代码、说清「做完长什么样」、用项目级配置和技能复用、管好上下文。文末提醒多翻官方文档。
Kent 用 Cursor 把个人站从 Remix 迁到 React Router,顺便升了一堆依赖
Published: at 00:00Kent C. Dodds 用 Cursor 把 kentcdodds.com 从 Remix v2 迁到 React Router v7,依赖按难度分批升级,大改动交给后台 agent 跑,自己睡觉时修完类型和路由,最后合并上线。
试用 v0 Cloud Agent 后,和 Cursor Agent 比了比
Published: at 00:00昨天试用了 v0 的 Cloud Agent,步骤和 Cursor Agent 大体相近,但环境配置、数据库集成和预览部署都因 Vercel 集成变得很省事;不足是缺 Skills 等,本地开发仍更顺手。相同点是都要连 GitHub、新需求开分支、做完提 PR。
老 COBOL 系统改造贵到做不动?AI 把账算过来了
Published: at 00:00COBOL 撑起大量银行、航空、政府系统,但懂的人越来越少。以前改造卡在「把老代码搞清楚」比「重写」还贵。AI 能自动做探索、画依赖、写文档、做风险分析,人拍板策略,改造周期从好几年缩到几个季度。同一套思路也可以用在 Node 6、webpack 3、React 15、Vue 2 等老前端系统上,分块重构、每步可验证。
试了试 Cursor 云端 Agent 做 Web 前端,流程挺顺
Published: at 00:00用 Cursor 云端 Agent 开发 Web 前端的真实流程:连 Git 仓库、在 Ubuntu 里配环境(支持 Dockerfile、环境变量)、按需求自动建分支、截屏录屏看效果、最后点一下就能 Request PR。做移动端和桌面端能否配好环境还不确定;用的是 Opus 4.6,成本高,只浅尝了一下。
Cursor 说的「第三个时代」:从 Tab 到云端 Agent
Published: at 00:00Cursor 官方博客把 AI 编程分成三个时代:Tab 补全、同步 Agent、云端 Agent。现在他们内部 35% 的 PR 已是云端 Agent 产出,人的角色从「逐行写代码」变成「拆题、审结果、开多个 Agent 并行」。
AI 编程开始短视频化了?这 4 个信号很准(然后逐条聊几句反方观点)
Published: at 00:00有人说不想读文档只想问 AI、报错就复制粘贴、AI 不在就不想写代码、用 AI 逃避设计决策,是「短视频化」的四个信号。这篇把原文保留,再逐条说说另一面的看法。
发现 AI 用错方式?加一句「并更新 AGENTS.md」
Published: at 00:00让 AI 用对工具、记对约定,不用每次都重新试错。当你纠正它时,顺带说一句「并更新 AGENTS.md」,把约定写进项目,下次直接按文档来,省 token 也省心。
会提问,才能把 AI 当成十倍工程师
Published: at 00:00GitHub 上有个著名的仓库叫 How to ask questions the smart way,这条原则在 AI 时代依然适用。不会提问,AI 再强大也帮不上忙。今天分享几个来自 Amp 官网的实战 prompt 案例,教你如何精准指挥 AI 完成复杂任务。
前端周报捡回来了:从 4 小时到半小时,靠的是自动化
Published: at 00:002021 年做过 30 多期前端周报后停更,2024 年用 GPT 又跟了十几期,每次仍要 1~2 小时。现在用 Codex / Cursor 的 Automation 定好周三发、周二自动整理 PR,人只做审核和 Code Review,整改交给自动化闭环,半小时内搞定。
基于 AI 的新型面试长什么样?两位同学和我聊了聊
Published: at 00:00现在面试越来越偏「做项目」,以前做个小项目要一周,有了 AI 两小时内能搞定。目前主要有两种形式:离线交代码包,或在线带额度限制的 AI 协作,后者能保留 Git 和对话过程,方便面试官复盘。
用 Linear 或 GitHub 和 AI 一起做「发帖审核」流水线
Published: at 00:00用 OpenClaw 大龙虾 + Linear MCP 搭了一套自动发帖流程:AI 按模板发到 Linear,人审过了就发,不过就打回改。团队协作工具配上 AI,成了你和 Claude 一起干活的地方;用 GitHub 也一样,一发帖就开 PR,合并再发。
以后 Code Review 会比写代码更重要
Published: at 00:00面试可能不再考手写代码,而是给一段有瑕疵的代码让你找问题。工程师的价值会从「能写多少行」转向「能把控多复杂的系统」。
公司月耗 1000 刀 token 怎么省?换模型就能省一大截
Published: at 00:00全用 Opus 成本高,一般用 Sonnet 4.6 就够、价差 40%,读代码用 Codex 5.3 更便宜;再加一条:一个 chat 只做一件事,上下文干净、回答质量更高,费用也好控。
同档位模型用最新的,别亏在旧版本上
Published: at 00:00同一档位的大模型往往同价,新版能力更强。以 Claude Sonnet 和 GPT 为例:Sonnet 4.0、4.5、4.6 同价,新一代 GPT 有的比 4o 还便宜,选旧版等于多花钱少办事。
很多 Skill 只是命令行的一层壳,那怎么找更好的?
Published: at 00:00不少热门 skill 本质是 CLI 的壳,比如 Website Audit、Agent Browser、Find Skills。要找更好的 skill,不如直接想:怎么找到更好用的命令和工具。
第三方现成组件 vs 自己写:有 AI 之后我选后者
Published: at 00:00PostHog 问卷、Clerk 登录这类「贴代码/嵌组件」的方式控制力弱、改样式还得在对方编辑器里折腾。有 AI 后自己写组件成本变低,和项目融合度更高,我已经把几个项目都改成自研了。
公司没有 AI 业务,简历上还能写什么?
Published: at 00:00想跳槽但公司不做 AI?可以写用 AI 提升开发体验:AI Code Review、自动生成 Commit Message 与 Changelog、批量加测试和 I18N、项目升级等,都能体现 AI 应用能力。