写作Skill的去AI味改造
我有个专门用来写中文博客的Skill，但是用它写出来的东西，很多一看就是AI写的。今天对它做了一次比较彻底的改造，这里把找到的问题和对应的解决办法记下来。
AI
共 84 篇文章。
如何给不同类型的软件制定 AI Workflow
不同类型的软件，适合的 AI Workflow 是不一样的，我大致把它们分成两类：内容型的和功能型的。
为什么不同的人对AI能力的体感完全不一样？
有人感觉AI已经能替自己干掉大部分工作了，有人觉得确实有用，但是离替代人还差得很远。对于同一个AI，大家的体感可以完全不一样。
从模块化走到生成式
公司最近在做 Widget，也就是一些小的功能控件。看完之后我的第一反应是，这其实就是模块化、组件化思路的又一次形态变化。这个理念从软件开发早期就有，只是每过一个阶段，名字和形态会变一变，回到第一性原理上看，讲的还是同一件事。
构建 AI 数字分身
我比较理想的状态，是以后很多事情都不用我盯着。任务扔进去以后，AI 自己分析、执行、检查、继续往下跑，最好一天 24 小时都可以工作。我只看最后的结果，或者偶尔处理真正需要我的事情。
构建远程AI工作流
中秋出去旅游前，我已经预设了一些任务，准备在旅途中远程连接家里的电脑，让 AI 继续做开发。电脑放在家里也是闲着，想着任务提前安排好，出去玩的时候偶尔看一下进度就行。
Jev 与可视化
最近 Jev 很火，火到 Reddit 和 X 上到处都是讨论。我第一时间申请了 waitlist，第二天就通过，把它实际用了起来。它和我们熟悉的 GPT、Claude、Gemini 很不一样：不会写文章，不会写代码，甚至不会真正意义上“回答问题”，只干一件事情——判断。
如何选择模型与推理强度
最近在做可视化 Agent，涉及大量开发任务和测试，Token 完全不够用。目前自己买了每月 200 美元的 ChatGPT 套餐，有一个没有周额度限制的 GLM 老套餐，还买了 OpenCode Go，但感觉仍然不够用。尤其是 GPT，虽然已经买到 200 美元，额度还是经不起这样消耗。
AI 是养出来的：从 Eval First 谈领域经验
前段时间我一直在折腾创意可视化。试过不同模型，也写过一些 Skill，效果总差点意思。模型不是做不出来，而是做出来的东西经常“没毛病，但也没什么意思”：页面能跑，图也完整，细节处理得挺认真，可你看完还是会觉得，这不就是换了一种画法吗？
如何最大化利用你的Token
我感觉 AI 现在对我来说，就是一个游戏机，Token 就是游戏币，每天玩得不亦乐乎。只要有一个想法，立刻就能去验证和实现，这种正反馈太强了。
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？
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。
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。
Lieflat Charts 技术拆解：惊艳的可视化是怎么被工程化出来的
最近我在给团队找一套能稳定产出高质量可视化的方案，试到一个开源 skill，叫 Lieflat Charts。同一份数据，不给 Agent 这套 skill，它很容易回到默认蓝、渐变色和拥挤图例。加上以后，出图就像换了一个人。
AI时代的数据可视化生成方式
有了新的业务需求，产品经理先整理需求点，大家讨论大致形式，设计师再出设计稿，最后交给开发编码，做成一个数据可视化组件，然后应用到具体业务里。
本地 Whisper 引擎选型
我本地一直装着 Whisper 做音频转文字（会议录音、课程音频、口语练习这些）。最近看到 faster-whisper，就拿去问了 AI 哪个更适合我。这个话题前后和两个 AI 讨论了三轮，加上自己实测又翻案一次，过程比结论本身更值得记录。
OpenAI、Anthropic、Google 与 DeepSeek，到底有什么不同
我后来又看了一轮这些公司的领导者访谈、官方博客和论文。之前的分析不能算错，但确实把它们分得太开了。
蒸馏投资分析Skill
做了一个小实验：把一批公开投资文本整理成一个可以被 AI 调用的 Skill。
Skill工程架构
最开始我把 Skill 理解成一种更完整的 Prompt：把流程写清楚，把注意事项补全，再加上一些示例，效果应该就会越来越好。
组织就是在设计自己的 RLHF
最近在理解 AI、机器学习、深度学习、强化学习和 RLHF 的关系时，我一开始把它们当成几种并列的技术。后来发现这样理解不对。
AI Coding的Token到底花在哪里
最近在使用 Codex、Claude Code、Kimi Code 这些工具时，我一直有一个疑问：
OPC 时代的分工方式
刚才和产品经理、设计师讨论后续的产品规划，发现大家对「后续怎么做」的理解存在比较大的偏差。这里做个记录。
读《WorkBuddy如何把Agent做成可用产品》：拿着它对照了一遍我们自己的项目
今天看到腾讯技术工程发的一篇文章：从模型到Harness：WorkBuddy如何把Agent做成可用产品，作者 Anne 是 WorkBuddy 团队的策略产品经理，负责研发与办公场景 Agent 的上下文策略。
如何构建一套面向真实业务的模型能力评测框架
Kimi K3 模型发布了，想验证一下它在我们真实的数据可视化业务中到底能做到什么程度。
AI协作生成PPT的难点-需求澄清
这次案例本身也整理成了一个可以直接阅读的网页：<a href="https://t.zhouchangju.com/english/toefl-study/" target="blank" rel="noopener noreferrer">TOEFL 学习复盘网页</a>。
Vibe Coding近期经验总结
最近我在用 Vibe Coding 的方式开发叙事可视化工作站。项目目前只完成了一部分功能，还在持续开发，但这段时间遇到的问题已经非常多了。
AI协作开发中最容易反复犯的七类错误
最近我在用多个 AI Agent 并行推进一个客户端改造项目。
读《State of Open Source AI 2026》：模型会越来越便宜，真正应该掌握的是Harness
今天看到 Mozilla 发布的 《The State of Open Source AI 2026》。一开始我以为这又是一份讨论开放模型和闭源模型谁更强的报告，但完整看下来以后，发现它真正想讨论的并不是模型排名。
基于OpenCode做客户端：选型、边界与升级
最近在设计一个 AI 视频创作客户端，需要选一个开源项目作为开发底座。候选有三个：OpenCode、T3 Code 和 Multica。底座选定之后，又接连遇到三个问题：业务代码放哪、上游怎么升级、sidecar 怎样才算接入完成。这篇文章把整个过程做个记录。
如何把公司文档里的经验，变成自己项目里的工程约束
之前我调研过一个同类的二次开发项目。一开始我的想法很直接：把它的源码和文档找出来，看看他们怎么做的，哪些架构可以照着用，哪些功能可以直接参考。
我们到底在做什么：AI视频客户端其实是一套Harness
最近在重新拆 AI 视频项目的任务，有两件事让我停下来想一个更基础的问题：我们到底在做什么。
让AI自主开发跑起来：先写验收，再拆任务
最近我在尝试把一批开发需求交给多个 AI 执行。这批需求的一部分来自会议录音转写：里面有产品边界、技术方案、人员分工，也有口误、同音字和讨论到一半又被推翻的想法。最直接的做法是把转写总结成任务列表喂给 AI，等它写完再补测试和自测。
AI开发流程复盘
最近我用一套自己常用的开发套路，从零交付了一个个人项目 Evolution OS（人生进化系统）。整个过程跑下来比较顺。这套流程我觉得可以作为后续做个人新项目的标准套路，这里做个记录。
从会用 AI 到建设自己的 AI 基建
过去一年，很多人对 AI coding 的理解还停留在“让 AI 帮我写代码”。但真正拉开差距的地方，可能已经不在于一次提示词写得多漂亮，而在于你能不能把反复发生的工作、隐性的判断经验、验证规则、学习循环攒成可复用的 AI 基建。
解读 Codex-maxxing for long-running work
最近看了一份 OpenAI 的白皮书，标题是 Codex-maxxing for long-running work。一开始我以为它会讲很多具体技巧，比如怎么写 prompt、怎么开线程、怎么安排自动化。但读完之后发现，它真正想讲的不是某个功能，而是一个更大的变化：
Loop Engineering
前阵子在 Ziron 里跑服务端 packet 切片迁移，我把整个流程拆成了一个可以自己循环的系统：每一轮提取一个 packet 组，写 fixture、跑兼容性测试、更新文档、提交、合并，然后读 STATUS.md 里写好的下一个任务，继续下一轮。这就是后来被叫做 Loop Engineering
如何设计项目AI改造Skill
最近在 AgentInfra 里做了一个新的 Skill，名字叫 harness-builder。
PI学习笔记
DeepSeek V4 系列支持 Thinking / Non-Thinking 双模式，thinking 默认 enabled。关闭方式：
TTS工具开发笔记
这次本来只是想解决一个很小的问题：给托福听力弱词生成一批质量还可以的音频材料。
如何蒸馏我自己的写作风格
最近在折腾一件事：把自己的博客写作风格蒸馏成一个 Skill。
Whisper提取文本和切分音频
很多口语音频不是一个文件对应一个题目，而是一个文件里面同时包含多个环节。比如先是 Listen and Repeat，后面又接着 Take an interview。如果只是把整段音频丢给 Whisper 转成文本，当然能看懂内容，但这还不够。
AI趋势追踪-我们的岗位还能活多久
最近几个月我一直在盯几件跟 AI 有关的事：Claude 的发布节奏、几篇讨论 PM 和开发者岗位会被怎么洗牌的文章、还有 Vibe Design 这类新提法。单独看每一条都像是新闻，但放在一起的时候，它们其实在回答同一个问题——我们这些写代码、做产品的人，岗位还能活多久。
OpenClaw背后的哲学
不夸张地说，OpenClaw 这波热，不是因为它“又是一个更强的聊天机器人”，而是因为它第一次让很多人真切感受到：AI 开始从“回答问题”变成“替你操作世界”。官方把它定义为“运行在你自己设备上的个人 AI 助手”，可以接入你已经在用的沟通渠道；而媒体和官方评论对它的描述也高度一致：它不只是能说，还
Agent技术选型分析
Agent 框架选型不能只看谁最火。真正要先问的是：流程有没有分支和重试，任务会不会跑很久，状态要不要恢复，工具和人类审批是不是链路的一部分。
从harness看未来软件工程师的工作职责
我现在更确定的一点是：AI 写得快，不等于系统交付得快。工程师的价值不会只剩“亲手敲代码”，但也不会自动消失，它会更多落在问题定义、执行环境、反馈回路和结果验证上。
OpenClaw学习笔记
如果我希望 OpenClaw 单独开一个受管浏览器，而不是复用当前 Chrome：
从AniClipart学习梯度下降
简短答案: PointMLP 不知道目标在哪里！
程序环境下代理不生效的问题
在开发 DeepListener 时，我们遇到了一个极其困扰的问题：
技术拆解-ChatCut
ChatCut 值得关注的地方，不是“AI 自动剪视频”这个口号，而是它把视频素材先变成可检索、可推理的语义索引。剪辑的核心动作也就从拖时间轴，变成了找素材、组织叙事和生成可编辑的片段序列。
AG-UI
AG-UI 对我最大的启发，不是又多了一个协议名，而是它把 Agent 和前端 UI 之间的边界讲清楚了：模型怎么想是一层，工具怎么调是一层，运行过程怎么让用户看见、确认和接管，又是另一层。
MediaPipe学习笔记
在现代 Web 开发中，交互方式早已不局限于鼠标和键盘。随着计算机视觉技术的进步，特别是 Google MediaPipe 的出现，我们可以在浏览器中以极低的延迟实现人脸追踪、手势识别等高级功能。
什么是Agentic AI
Agentic AI（代理型AI，或译作智能体AI）代表了人工智能发展的一个新阶段，其核心在于强调 AI 系统的自主性、目标导向和行动能力。
2025年SeeConf参会记录
5 年前，偏右在做 Ant Design，现在他在探索 AI 工程和前端的职责边界。他将在 SEE Conf 2025 分享《AI for Frontend》。
前端裁剪-Clip
本文汇总 Web 前端可用的裁剪技术、实现原理、特点对比、典型应用场景与代码示例，便于在实际需求中快速选型与落地。
曲线遮罩裁剪问题复盘
本文完整记录 iOS/Chrome 下曲线连接与遮罩裁剪失效的问题调查、根因分析、修复方案与关键代码变更，便于后续回溯与参考。
如何排查CD环节的问题
到这一步，就能看到报错信息了： shell [ ERROR ] Rollup: Missing Export @stencil/core/internal/app-globals (1:7): "default" is not exported by "src/global/global.ts",
基于AI进行项目重构的工作流
最近我在频繁地进行项目的优化重构操作，在这个过程中积累了一些理解项目和分析项目的经验，这里简单地记录一下作为今后的参考。
通过一个项目掌握Agent开发的全部内容
目前，Agent 相关的开发已经成为主流趋势，因此出于多方面考虑，我们必须掌握 Agent 开发的流程以及相关的技术细节。
资讯可视化-如何提升生成内容的质量
目前，我们对 prompt 的依赖程度过高，大部分逻辑都通过 prompt 来实现，这一现状带来了大量的不确定性与稳定性问题。对此，我认为较为合理的改进方向应从两个层面着手： 第一，将部分工作从 prompt 转移到工程化层面，尤其是那些具备确定性的工作，比如一些程序化计算流程的管理等； 第二，对于
AI Coding-2025年8月
用 AI 写代码以后，我最大的感受不是“终于不用学习了”，而是更容易误以为自己已经掌握了。代码能跑出来，只说明模型完成了一次生成；需求有没有讲清楚、边界有没有守住、改动能不能验证，还是人的责任。
MetaPrompt
简而言之：我要的是一个 元 Prompt —— 用来指导 AI 从已有代码中逆向提取出"原始需求 Prompt"。
AI开发中是否应该使用框架
在 B 站看到一个视频：不要用 AI 框架，作者的观点和观众的评论很有意思，因此我用 AI 将其整理了一下。
文档驱动开发
文档驱动开发的核心思想是：No Code - 先用 AI 生成完整的技术文档，再基于文档生成代码。这种方法论源于我在实际项目中的探索和思考。
资讯可视化流程分析
这篇想解决的是一个很具体的阅读问题：用户读资讯时，遇到数字、公司、术语和事件线索，经常要跳出去查。我的方案不是另做一个大而全的 Agent，而是把文章拆成可追踪的 chunk，再把解释、图表和时间线嵌回原文附近。
近期关于AI Coding的感想
最近这段时间，我几乎每天都在和各种 AI 编程工具打交道。这个过程有点像是在玩一场大型的"抽卡游戏"，有时候你会抽到 SSR，有时候则是连续的 R 卡。
如何制定前端组件协议
最近需要开发一个前端组件协议，根据历史经验，协议的制定是非常关键的，一旦设计得不合理，就会埋下巨大的隐患，影响后续组件的可扩展性和可维护性。因此以往这个环节的工作都是比较头疼的，且都由相对资深的开发人员来完成，且制定了也会很慌，总是担心考虑不够周到。
技术拆解-CozeStudio
Coze Studio 最值得看的不是“低代码 Agent 平台”这个标签，而是它怎么把模型、工作流、插件、知识库、数据库和发布管理放到一个工程系统里。它的问题也很典型：Agent 产品一旦从 demo 走向平台，就不只是 prompt 和工具调用，而是领域模型、资源管理、运行时、权限和运维一起上桌
AI可视化增强分析助手开发实践
这篇记录的是一次“把 AI 分析放回阅读现场”的尝试。用户不用复制到别的工具里，选中文本后就在浏览器侧栏里看到分析结果、图表、流程图或者富文本解释。
Gemini CLI 使用技巧
这篇是我用 Gemini CLI 一段时间之后攒下的技巧和踩坑记录。不是文档搬运——官方文档能查到的我就不重复了——重点是那些实际用起来才发现的点：什么场景它好用、什么场景它会让你抓狂、以及跟 Claude Code 比起来各自的定位。
Vibe Coding Experience Summary
Recently, in my development work, I have extensively used Vibe Coding, continuously engaging in a demand-feedback-correction cycle with AI IDEs. Durin
Vibe Coding经验总结
最近在开发工作中，我大量使用了 Vibe Coding，不断与 AI IDE 进行需求-反馈-修正的循环交互。在这个过程中，我一直在思考如何能够将 Vibe Coding 的效果发挥到最大。我认为最关键的是需要整理出一套方法论，解决以下两个核心问题：
微信小程序入门
进入小程序注册页填写相关信息 !image.png
阅后即焚类型的可视化
解决<font color="#ff0000">长尾</font>可视化需求、<font color="#ff0000">一次性</font>需求。 目前AIGC暂时不能解决复杂可视化问题，就先解决简单可视化问题。 展平式的SVG + Claude ## 适用场景 不同的方向，产品规划和技术路线是
2025年D2参会感想
所有工作能够集中在一个IDE内部完成，而不需要跳转到其他地方时，效率会大大提高。例如，之前使用AI工具时，我们通常需要在ChatGPT中对话，然后将返回的结果复制粘贴到其他地方进行后续处理。这种操作方式不可避免地会导致思维被打断，专注力也因此被分散。 相比之下，如果所有工作都能在同一个IDE中完成，
如何编写VSCode的代码片段插件
要编写并发布一个 VSCode 的代码片段（Code Snippet）插件，你可以遵循以下步骤：
可视化技术架构升级
现在处于类似jQuery和三大框架之间的那个框架层出不穷的阶段，后面会有一个或者几个牛逼的技术框架来统一整个开发领域，Agent可能会是一个选项。
关于AI产品的关键因素的思考
这一年，公司在全力推动 AIGC 产品。似乎每个部门都在做，但是真正成功的产品几近于零。
LLM学习笔记
大语言模型（Large Language Models）能够解决的核心问题是自然语言处理中的文本生成和预测。具体来说，其目标是建立一个对给定输入序列概率进行建模的模型，利用该模型来生成具有自然流畅性和连贯性的文本，包括自动摘要、机器翻译、聊天机器人、问答系统等。