如何正确使用 GPT 模型的推理强度
目前我每个月买的是 200 美元的 ChatGPT Pro 套餐，在 Codex 里两三天就把一周额度消耗得差不多了，根本不够用，因此这个使用强度下，除了关注哪个模型更强，还得考虑另一个问题：我目前的使用方式对不对？同一个模型，每次任务到底应该给它多少推理预算？
全部文章（第 2 / 30 页）
AI时代，产品经理和开发人员的职责区别
AI 出现以后，一个很有意思的现象是：产品经理越来越能“开发”，开发人员也越来越能“做产品”。
AI时代，真正拉开差距的是领域知识
AI让构建内容变得前所未有的简单。写代码、做设计、出方案，似乎只要会提需求，人人都能快速产出点什么。但正是在这种"实施民主化"的背景下，一个被很多人忽略的事实变得越来越清晰：领域知识（domain knowledge）才是AI时代真正的护城河。
Skill和Agent的区别
给同事分配任务时踩了个坑。我说按构建 Agent 的方式去做，结果收上来的交付物全是 Skill。他们觉得做一个 skill 包就算交差了。
从审美评分到垂直领域专家：AI 视觉评价该怎么做
最近在带新同事做可视化需求时，遇到了一个问题：他们可以结合 AI 把功能做出来，但很难判断做出来的东西好不好。
演讲的技巧
看到一篇讲“第一次做会议演讲”的文章，作者是 guillheu。文章写得很实在，是亲历者的复盘，不是“十大演讲技巧”式的清单文。
从 Demo 到生产：AI Agent 工程真正难在哪里
答辩里介绍了不少 AI 与数据可视化结合的实践。有些能力已经能够稳定生成内容，也开始进入实际使用阶段。
Skill、Agent、AI Client 与 Multica：AI 工作流的四层边界
最近我在整理自己的 AI 工作流。Daily brief、Session 分析、代码交付检查、内容生产、知识整理，这些工作都在逐渐用上 Skill 和 Agent。但流程多了以后，有个问题需要理清楚：哪些工作直接在 AI Client 里做就够了，哪些值得交给固定的 Agent，哪些又需要放进 Mu
沟通的重要性与构建 Agent 的正确思路
现在我们基本要求每个人都能全链路地把事情搞定。但我们做的很多事情不确定性很强，需要大量探索和调研，还经常涉及自己不熟悉的业务。碰到这种情况，能不能找到合适的业务专家就很关键。
AI 时代到底应该学什么
今年的热点已经换了好几茬。年初还在聊 Harness，年中变成 Loop Engineering，现在又开始讲 Graph Engineering。名字一个接一个，每个都说自己代表下一代工作方式。