2025-第二十九周

🧪 上下文投毒 - 幻觉或错误信息进入上下文后会被反复引用，导致代理执着于错误目标（如 Gemini 玩《宝可梦》时因幻觉制定荒谬策略）。
🎯 上下文干扰 - 上下文过长时，模型过度依赖历史记录而忽略训练知识（如 Gemini 2.5 在超 10 万 token 后重复旧动作而非制定新计划）。
🤯 上下文混淆 - 无关内容污染响应质量（如伯克利实验显示模型调用无关工具，小模型在 46 个工具下完全失效）。
⚔️ 上下文冲突 - 新增信息与原有上下文矛盾（微软实验证明分阶段输入信息会导致模型得分暴跌 39%）。
⚠️ 代理的高风险性 - 代理因多源信息整合、连续工具调用等场景更易遭遇上下文失效。
🔮 解决方案预告 - 动态加载工具、建立上下文隔离区等方法将后续探讨。

译：我是如何使用 LLM 辅助我写代码的

本文作者 Simon Willison 分享了他使用大语言模型（LLM）辅助编程的实践经验，强调了合理预期、上下文管理、测试代码等关键技巧，并通过实际案例展示了如何高效利用 LLM 提升开发速度和学习效率。

🎯 设定合理预期：LLM 本质是高级自动补全工具，需结合开发者技能使用，而非完全依赖。
📅 考虑训练数据截止日期：模型对库的熟悉度受限于训练数据时间，选择稳定且流行的库效果更好。
🗂️ 上下文为王：LLM 的表现高度依赖对话上下文，可通过导入代码或文档优化结果。
❓ 询问选项：在项目初期用 LLM 调研技术方案，快速验证可行性。
✍️ 明确指令：像对待“数字实习生”一样，用详细需求描述生成代码（如函数签名 + 英文说明）。
🧪 必须测试代码：LLM 生成的代码需人工验证，这是开发者不可推卸的责任。
💬 对话式迭代：通过多次反馈修正结果（如“重构这段代码”“按时间排序”）。
⚙️ 使用代码运行工具：如 ChatGPT Code Interpreter 或 Claude Artifacts，在沙箱中实时验证代码。
🎨 Vibe-coding 学习法：通过“凭感觉”快速实验探索模型能力边界。
🚀 开发速度优势：LLM 能实现原本因时间成本被放弃的项目，如半小时内完成版本说明页。
🔍 放大专业知识：LLM 效果与使用者的经验正相关，擅长回答代码库问题（如架构解析）。
⚠️ 随时接管：遇到复杂问题（如 GitHub Actions 配置）时需人工干预。

译：Claude Code 中级指南

本文是一篇关于如何高效使用 Claude Code 的中级用户指南，作者 Gatsby 基于自身学习经验，总结了安装配置、精度优化、工作流技巧等实用方法，帮助用户快速提升 Claude Code 的使用效率。

🚀 安装与初始化
- 通过 npm 安装 Claude Code，启动会话后优先用 summarize this project 让 Claude 理解项目上下文。
- 使用 /init 创建 CLAUDE.md 文件存储项目摘要，确保跨会话记忆。
📝 持久化上下文
- 通过示例提示（如项目功能、技术栈、目录结构等）填充 CLAUDE.md，避免每次会话重置上下文。
⚠️ 避免大段输入
- 将长文本指令写入文件后让 Claude 读取，而非直接粘贴到提示框，以提高回答质量。
💡 深度思考模式
- 使用 ultrathink 等关键词提升 Claude 的思考深度（消耗更多 token），适合复杂问题。
🔍 分阶段工作流
- 按 探索→规划→编码→提交（Explore, Plan, Code, Commit）顺序下达指令，减少偏差。
✅ 测试驱动开发（TDD）
- 先让 Claude 编写测试代码，再实现功能，最后通过测试，确保代码可靠性。
♻️ 会话管理
- 使用 /clear 重置混乱的会话，或通过 claude --resume 恢复历史会话。
🔔 任务通知设置
- 配置任务完成提醒（如终端铃声），避免长时间等待无反馈。
📊 用量监控
- 运行 npx ccusage 查看每日 token 消耗和费用估算，优化使用效率。

译：我如何 Vibe Coding

本文作者 Xuanwo 分享了他作为开源 Rust 工程师如何将 AI 工具（如 Claude Code）融入日常工作流的经验。他强调了 AI 在代码重构、工具使用和任务规划中的优势，但也指出其局限性，需结合人工审查和明确指导。文章还提供了具体工具配置、工作流设计及实用建议，适合希望高效利用 AI 辅助编程的开发者参考。

🧑💻 作者背景
- 开源 Rust 工程师，工作环境开放，允许 LLM 直接访问代码上下文。
- Rust 语言特性（如优秀工具链和文本化代码）与 AI 协作高度适配。
🛠️ 工具集
- 主要使用 Zed 编辑器 和 Claude Code（通过自定义 Docker 容器运行）。
- 配置别名 claudex 快速启动 Claude，并挂载代码、配置和笔记目录。
🤖 AI 使用理念
- 将 LLM 视为初级开发者：擅长结构化任务，但需人工提供上下文、方向和审查。
- 仅让 AI 编写可掌控的代码（如重构已有模块），避免完全依赖其设计新组件。
⏳ 工作流设计
- 每日分为 5 小时区块（匹配 Claude 使用限制）：上午规划（用 Obsidian 记录笔记），下午编码与审查。
- 通过 git worktree 启动多实例协作，依赖 Rust 工具链（cargo check/test）自动化验证代码。
🚨 关键注意事项
- 警惕 AI 过度自信（如虚构 API），需人工把控公共 API 和复杂逻辑。
- 反对盲目配置 MCP 服务器，优先利用本地工具链（如 gh CLI）。
💡 实用建议
- Claude 4 是目前最适合编程的模型（强于规划和工具使用）。
- 将 AI 融入现有工作流，而非颠覆习惯（如不强制切换 IDE）。

context-engineering-intro

介绍了**上下文工程（Context Engineering）**的模板和使用指南，这是一种为 AI 编程助手提供全面上下文信息的系统化方法，比传统提示工程（Prompt Engineering）和随意编码（Vibe Coding）更高效。文章详细说明了模板结构、操作步骤、最佳实践，并强调了通过示例和文档提升 AI 实现复杂功能的能力。

🚀 快速开始
- 克隆模板仓库，设置项目规则，添加代码示例，创建初始需求文件（INITIAL.md），生成并执行产品需求提示（PRP）。
📖 什么是上下文工程？
- 从传统提示工程的“便签式”指令升级为包含文档、示例、规则和验证的完整系统，减少 AI 错误并确保一致性。
🏗️ 模板结构
- 包含全局规则文件（CLAUDE.md）、示例目录、PRP 生成与执行命令，以及需求描述模板（INITIAL.md）。
🔧 分步指南
1. 设置全局规则（项目规范、测试要求等）；
2. 编写详细需求文件；
3. 生成 PRP（含实现步骤和验证）；
4. 执行 PRP 自动实现功能。
✍️ 编写有效需求文件
- 需明确功能描述、示例引用、相关文档链接及其他注意事项（如性能要求、常见陷阱）。
🔄 PRP 工作流程
- 生成阶段：分析代码库、收集文档、创建详细蓝图；
- 执行阶段：按计划实现、验证测试、迭代修复。
📂 示例的运用
- 在examples/目录中提供代码结构、测试模式、集成方案等示例，显著提升 AI 实现质量。
✅ 最佳实践
- 明确需求、丰富示例、添加验证关卡、定制项目规则（CLAUDE.md），并充分利用文档资源。

技术

工具

更新

设计

AI

其他