Published on

2025-第五十周

Authors

该周报主要为各个地方内容的汇总整理

技术

使用 React Activity 组件预加载视频 | Kent C. Dodds 的 Epic React 系列

原文标题: Use React Activity to preload a video | Epic React by Kent C. Dodds

使用 React 的 Activity 组件可以预加载视频，解决条件渲染时视频无法预加载的问题，提升用户体验。

  • 🎬 条件渲染导致预加载失效：当视频元素通过条件渲染（如三元表达式）控制显示时，preload="auto" 无法生效，因为视频不在 DOM 中，浏览器无法预加载。
  • 🛠️ Activity 组件解决方案：React 19 的 Activity 组件允许视频始终存在于 DOM 中，通过 mode 属性控制显示（'visible'）或隐藏（'hidden'），从而启用预加载功能。
  • ⚡ 提升加载性能：用户点击播放时，视频可立即显示，无需等待加载，尤其有利于慢速网络连接下的体验。
  • 🔄 状态与效果管理：Activity 在隐藏时会清理副作用（如暂停订阅）、保留组件状态，并在再次显示时恢复，适用于标签页、模态框等交互场景。
  • ⏸️ 自动播放控制：结合自定义 Hook（如 useAutoplay）可管理视频的播放与暂停，确保隐藏时暂停、显示时播放，兼顾预加载与播放控制。
  • 📚 扩展应用场景：Activity 还可用于恢复组件状态、保持 DOM 状态（如表单输入）及提升水合性能，是 React 19 中解决实际问题的强大工具。

锚点定位与内嵌修改的包含块（IMCB）

本文解释了 CSS 锚点定位中“插入修改包含块”（IMCB）的概念及其作用，通过可视化工具演示了如何通过调整inset、align-self和justify-self属性来控制锚定元素的位置。

  • 🧩 IMCB（插入修改包含块）是理解 CSS 锚点定位的关键概念，它通过inset属性调整包含块的大小和位置。
  • 🔀 使用position-area选择“位置区域网格”中的一个区域作为锚定元素的包含块，再通过inset调整形成 IMCB。
  • 🛠️ 通过align-self和justify-self属性可以在 IMCB 内微调锚定元素的位置，例如实现右上角定位。
  • 🎥 作者创建了交互式演示工具，可视化 IMCB 和包含块，并允许动态调整inset、align-self和justify-self属性。
  • 💡 默认情况下inset值为 0，因此包含块与 IMCB 通常相同，但调整inset可改变锚定元素的定位区域。

工具

auth-cn

Auth-CN 是一个专为 Better Auth 和 shadcn/ui 设计的极简认证组件库，提供可直接安装到项目中的生产级认证界面组件和初始配置，支持通过 shadcn 注册表系统快速集成。

  • 🔐 专为 Better Auth 构建 – 组件库专门适配 Better Auth 认证逻辑，确保安全可靠。
  • 🎨 基于 shadcn/ui 样式 – 采用 shadcn/ui 组件进行视觉设计，风格统一且美观。
  • 📦 一键安装组件 – 通过 shadcn CLI 单条命令即可添加所需认证组件。
  • ✨ 完全可定制 – 所有代码均位于用户项目中，支持深度自定义修改。
  • 🚀 生产就绪配置 – 提供开箱即用的认证界面方案，可直接部署使用。
  • 🌐 集成注册表系统 – 支持通过自定义注册表（@auth-cn）快速安装组件。

TanStack AI

TanStack AI 是一个开源、多提供商的 AI SDK，提供统一的接口，支持多种 AI 服务，无供应商锁定，具备完整的工具调用和类型安全特性。

  • 🚀 多提供商支持：支持 OpenAI、Anthropic、Ollama 和 Google Gemini，可在运行时切换提供商，无需代码更改。
  • 🔗 统一 API：所有提供商使用相同接口，提供独立的函数和自动类型推断，框架无关。
  • 🛠️ 工具/函数调用：自动执行循环，无需手动管理工具，支持类型安全的工具定义和结构化输出。
  • 🌐 完整 AI 生态系统：纯开源库和标准，无中间商或服务费，直接连接所选 AI 提供商。
  • 🖥️ 服务器无关：支持任何后端服务器，提供 TypeScript、PHP、Python 等库的文档化协议。
  • 📱 客户端无关：提供原生客户端库或 React、Solid 等框架集成。
  • 🔌 服务无关：内置支持多种 AI 提供商，并可创建自定义适配器。
  • 🧠 思考与推理：完整支持思考模型，相关令牌可流式传输到客户端。
  • 🎯 完全类型安全：端到端的类型安全，覆盖提供商、模型和选项。
  • 🔍 新一代开发工具：实时显示 AI 连接状态的开发者工具。
  • 💚 纯开源：无隐藏服务、费用或推销，社区支持直接连接提供商。

react-zero-ui

React Zero-UI 是一个旨在实现“零运行时、零重新渲染”的 React UI 状态管理库。它通过构建时预渲染所有已知 UI 状态，并利用 data-* 属性或 CSS 变量切换状态，从而完全避免 React 重新渲染。库提供 useUI 和 useScopedUI 钩子来管理全局或局部状态，并与 Tailwind CSS 深度集成，提供极简的开发者体验和优异的性能。

  • 🚀 零重新渲染：通过纯 CSS 驱动 UI 状态更新，无需 React 重新渲染，实现最快 UI 更新。
  • ⚙️ 构建时预渲染：在构建阶段通过 AST 解析器扫描代码，生成优化的 CSS 和初始 data-* 属性，避免运行时开销。
  • 🌐 全局状态钩子：useUI 钩子用于全局状态（如主题），直接修改 <body> 的 data-* 属性，状态全局可用。
  • 🎯 局部状态钩子：useScopedUI 钩子用于元素级状态，将 data-* 属性限制在特定元素内，并生成局部 CSS 选择器。
  • 🎨 CSS 变量支持：可通过 CssVar 选项使用 CSS 变量管理状态，支持全局或局部变量。
  • 🧪 实验性功能：提供 SSR 安全的 zeroOnClick 处理程序，使服务器组件具备客户端交互性，仅增加约 300 字节运行时开销。
  • 📦 极致轻量：核心体积小于 350 字节，无运行时 CSS 状态开销，集成 Tailwind 变体类，开发者体验友好。
  • 🤝 开源贡献：鼓励社区贡献，提供问题模板、讨论区和新手任务，采用 MIT 许可协议。

rudrodip/nexfaster：在Next.js中集成React Router 以实现客户端路由

NexFaster 是一个基于 Next.js 15 的极简模板，集成了 React Router 7 以实现纯客户端路由，提供快速、现代化的开发体验。

  • 🚀 快速启动：通过简单的克隆、安装和运行命令即可开始项目开发。
  • 🏗️ 架构设计：结合 Next.js 与 React Router，所有路由重定向至 /shell 页面，由 React Router 在客户端处理导航。
  • 📁 核心文件：包括路由配置、Shell 页面加载、React Router 主应用及站点配置等关键文件。
  • 🔧 路由扩展：在 app.tsx 中轻松添加新路由，支持多页面应用、受保护路由和嵌套布局。
  • 🎨 功能特性：具备闪电般客户端路由、零配置集成、Tailwind CSS 样式、深色模式、响应式设计和 TypeScript 支持。
  • 🛠️ 技术栈：使用 Next.js 15、React Router 7、Tailwind CSS、shadcn/ui 组件库、Lucide 图标和 TypeScript。
  • 🤝 开源贡献：欢迎提交 Pull Request 参与项目改进。
  • 📄 许可证：采用 BSD Zero Clause 许可证，允许自由使用和分发。

GitHub - shivantra/react-web-camera: React Web Camera — 一个 React 组件，用于直接从浏览器捕获多张照片。适用于网页、响应式应用和 PWA。解决了<input type="file" capture>一次只能拍摄一张照片的限制。

React Web Camera 是一个轻量灵活的 React 组件，用于从用户摄像头（前置或后置）捕获图像，支持 jpeg、png 和 webp 格式。它解决了移动端 <input type="file" capture> 只能拍摄单张照片的限制，适用于网页、响应式应用和 PWA，提供多图拍摄、摄像头切换和完全可定制的 UI。

  • 📷 支持前后摄像头 – 轻松切换前后摄像头进行拍摄。
  • 🖼️ 多图像格式 – 可导出为 jpeg、png 或 webp 格式。
  • ⚡ 可调拍摄质量 – 通过 0.1 至 1.0 的范围控制图像质量。
  • 🔄 摄像头切换功能 – 无缝在前置（用户）和后置（环境）摄像头间切换。
  • 📸 多图拍摄 – 在单次会话中拍摄并管理多张照片，适用于网页和移动端。
  • 🎯 即时摄像头就绪 – 组件加载后立即访问摄像头。
  • 🛠️ 完全程序控制 – 可使用 capture()、switch() 和 getMode() 等 ref 方法。
  • 🎨 自定义样式 – 可自定义容器和视频元素的样式以匹配设计系统。
  • 📦 易于安装 – 支持 npm、yarn 和 pnpm 安装。
  • 🌐 多框架示例 – 提供 Vite.js、Next.js 和 PWA 的集成示例。

keichi/binary-parser：用于二进制数据的极速声明式解析器构建工具

binary-parser 是一个用于 JavaScript 的二进制解析器构建工具，允许以声明式方式编写高效的二进制解析器。它支持解析结构化二进制数据所需的所有常见数据类型，并通过即时动态生成和编译解析器代码来实现接近手写解析器的性能。

  • 🚀 高性能解析器构建工具 – 通过即时编译生成高效代码，性能接近手写解析器。
  • 📦 支持丰富数据类型 – 包括整数、浮点数、位字段、字符串、数组、选择结构和指针等。
  • 🔧 声明式 API 设计 – 提供链式方法调用，可直观构建复杂解析逻辑。
  • 🧩 灵活的数据处理 – 支持动态长度数组、条件解析、嵌套结构和自定义格式化。
  • 🔄 递归与自引用解析 – 通过 namely() 方法支持解析递归数据结构。
  • 📏 上下文变量支持 – 可选启用 $parent、$root 等上下文变量，便于跨层级数据访问。
  • 🧪 完善的错误处理与断言 – 提供 assert 选项进行数据验证，确保解析正确性。
  • 🌐 广泛的编码支持 – 字符串解析支持多种编码，包括 UTF-8 和十六进制等。
  • 📄 活跃的开源项目 – 采用 MIT 许可证，拥有活跃的社区维护和丰富的示例。

paulmillr/readdirp: 递归版 fs.readdir，内存与 CPU 占用极低。

readdirp 是一个递归读取目录的 Node.js 库，提供流式 API 和 Promise API，具有低内存和 CPU 占用。它支持文件/目录过滤、深度控制、符号链接处理等功能，适用于高效遍历文件系统。

  • 📦 递归读取目录：提供 fs.readdir 的递归版本，支持流式与 Promise 两种 API。
  • 🚀 高性能设计：通过流式处理实现低内存和 CPU 占用，适合处理大量文件。
  • ⚙️ 灵活过滤选项：支持通过 fileFilter 和 directoryFilter 自定义文件与目录的包含/排除规则。
  • 📏 深度与类型控制：可设置递归深度（depth）和输出类型（文件、目录或全部）。
  • 🔗 符号链接支持：可配置 lstat 选项以包含符号链接条目。
  • 📄 详细文件信息：返回 EntryInfo 对象，包含路径、基础名、状态统计等数据。
  • 🛠️ 多版本兼容：支持 Node.js 8+ 版本，最新版本使用 TypeScript 重写，提供 CommonJS 和 ESM 模块。
  • 📜 开源许可：基于 MIT 许可证发布，由社区维护并广泛使用。

paulmillr/chokidar：轻量高效的跨平台文件监控库

Chokidar 是一个跨平台文件监控库，以其高效和轻量著称，适用于 Node.js 环境，支持递归监控、符号链接、文件过滤等功能，并优化了事件处理和资源使用。

  • 📁 跨平台文件监控库 – 提供高效、轻量的文件系统监控，支持 macOS、Windows 和 Linux。
  • 🔄 优于原生 fs.watch – 解决了事件重复报告、文件名丢失等问题，提供更可靠的事件响应。
  • ⚙️ 丰富配置选项 – 支持忽略特定文件、递归深度限制、原子写入检测和轮询模式等。
  • 📦 广泛使用与稳定 – 自 2012 年发布，被数千万仓库使用，经过生产环境验证。
  • 🚀 持续更新优化 – 最新版本 v5 仅支持 ESM，减少依赖并提升性能，要求 Node.js v20 以上。
  • 🛠️ 易于集成使用 – 通过简单 API 监听文件变化，支持添加、删除、更改等多种事件。
  • ⚠️ 故障处理与兼容 – 提供解决文件句柄耗尽等常见问题的方法，并说明版本升级变化。

tinylibs/tinybench: 🔎 一个简单、小巧且轻量级的基准测试库！

Tinybench 是一个简单、轻量级的 JavaScript 基准测试库，适用于多种运行时环境，提供精确的计时和统计分析功能。

  • 🔎 轻量级设计：库体积小巧，仅约 10KB（压缩后约 2KB），无外部依赖。
  • ⏱️ 精确计时：基于 Web API（如 performance.now 或 process.hrtime）提供准确的时间测量。
  • 📊 统计分析：支持延迟与吞吐量的统计分析，包括标准差、误差范围、方差和百分位数等。
  • 🔄 并发支持：支持任务级别和基准测试级别的并发执行模式。
  • 🎯 事件驱动：兼容 Event 和 EventTarget，可监听任务周期、中止等事件。
  • 🤖 自动异步检测：能自动识别异步函数，也支持手动设置异步选项。
  • 📈 结果表格化：提供 bench.table() 方法，可将结果转换为适合 console.table() 的格式。
  • 💾 样本保留：可选择保留原始样本数据，便于进一步分析或可视化。
  • ⏹️ 可中止测试：支持通过 AbortSignal 在基准测试或任务级别中止执行。
  • 🔧 自定义时间戳：允许使用不同的时间戳提供程序（如 hrtime、performance.now 或自定义实现）。

更新

Vite 8 Beta：基于 Rolldown 驱动的 Vite | Vite

Vite 8 Beta 现已发布，它采用 Rolldown 作为新的打包工具，取代了原有的 esbuild 和 Rollup 组合，带来了显著的构建性能提升和更一致的行为。此次更新统一了底层工具链，为未来的功能改进奠定了基础。

  • 🚀 性能大幅提升：Rolldown 基于 Rust 开发，构建速度比 Rollup 快 10–30 倍，实际案例显示生产构建时间从 46 秒缩短至 6 秒。
  • 🔧 兼容性与统一工具链：Rolldown 支持 Rollup 和 Vite 的插件 API，大多数插件可直接使用；并与 Oxc 编译器整合，形成由同一团队维护的端到端工具链。
  • 📦 新功能解锁：包括完整打包模式、更灵活的代码分割控制、模块级持久缓存和模块联邦等高级功能。
  • 🛠️ 平滑迁移路径：提供直接升级或通过 rolldown-vite 包逐步迁移的选项，并附有详细的迁移指南以处理配置调整。
  • ⚙️ 内置功能增强：新增对 tsconfig paths 和 TypeScript emitDecoratorMetadata 的原生支持，进一步提升开发体验。
  • 🔮 未来展望：即将推出的完整打包模式预计大幅提升开发服务器速度，同时团队正优化 JavaScript 插件在 Rust 系统中的使用效率。
  • 📢 反馈渠道开放：鼓励用户通过 Discord、GitHub 讨论和问题仓库分享体验与性能提升案例，共同完善稳定版本。

AI

我们让 Claude 微调了一个开源大语言模型

本文介绍了如何利用 Claude Code 等编码代理，通过 Hugging Face Skills 技能来微调大语言模型。该技能能够自动化处理数据集验证、GPU 选择、训练脚本生成、任务提交与监控等全流程，支持监督微调（SFT）、直接偏好优化（DPO）和群体相对策略优化（GRPO）等方法，并可将训练后的模型转换为 GGUF 格式以供本地部署。

  • 🛠️ 安装与配置：需要 Hugging Face 付费账户和写入权限的 Token，通过插件市场安装 hf-llm-trainer 技能，并配置编码代理（如 Claude Code、Codex 或 Gemini CLI）与 Hugging Face 身份验证连接。
  • 🚀 首次训练流程：用户只需用自然语言指令（如“微调 Qwen3-0.6B 模型于指定数据集”），代理即自动配置硬件、估算成本并提交任务，训练完成后模型将自动推送至 Hugging Face Hub。
  • ⚙️ 训练方法详解：支持 SFT（适用于高质量示例数据）、DPO（基于偏好数据对齐模型）和 GRPO（基于可验证奖励的强化学习），代理会根据任务自动选择合适方法并验证数据集格式。
  • 💻 硬件与成本管理：代理根据模型规模推荐 GPU 资源（如小模型用 t4-small，中等模型用 a10g-large 并配合 LoRA 技术），建议先进行低成本测试运行再投入生产训练。
  • 📊 训练监控与调试：集成 Trackio 实时监控训练指标，代理可随时汇报任务状态，并在出现错误时协助诊断问题（如内存不足或数据格式错误）。
  • 🔄 模型转换与部署：训练完成后可将模型转换为 GGUF 格式并进行量化，以便通过 llama.cpp 等工具在本地运行，扩展模型的应用场景。

译：AI 如何改变 Anthropic 的工作方式

Anthropic 公司于 2025 年 8 月对内部 132 名工程师和研究员进行了调研及访谈，结合 Claude Code 使用数据分析，探讨了 AI 如何改变其工作方式。研究发现，AI 显著提升了生产力并拓宽了工作范围，但同时也引发了技能退化、协作减少和职业不确定性等挑战。工程师们正从编码者转向 AI 管理者，而 AI 的自主性增强也促使工作性质发生根本性变革。

  • 🐛 调试与理解代码成为 AI 核心用途：工程师最常使用 Claude 进行代码调试（55% 每日使用）和代码理解，以快速解决问题和学习新代码库。
  • 📈 生产力大幅提升，但伴随新问题：员工在 59% 的工作中使用 Claude，自述生产力平均提高 50%，但部分人因需审查 AI 输出而耗时增加，且技能实践机会减少。
  • 🆕 AI 催生全新类型的工作：27% 的 AI 辅助工作属于“若无 AI 则不会进行”的任务，如扩展项目、构建工具或探索性工作，增强了工作广度。
  • 🤖 委托策略基于验证难度与风险：工程师倾向将低风险、易验证或枯燥的任务委托给 AI，而保留高层级设计、战略决策和需“品味”的任务。
  • 🔄 技能集拓宽但深度可能退化：AI 帮助工程师胜任全栈工作（如后端人员处理前端），但也导致底层编码技能和“附带学习”机会减少，引发监督能力下降的担忧。
  • 👥 工作场所社交动态变化：AI 替代了部分同事间的问答，减少了初级员工向资深者求助的机会，可能削弱导师制和协作氛围。
  • 🧭 职业角色转向 AI 管理：工程师越来越多地扮演“AI 代理管理者”角色，审查和整合 AI 输出，但对软件工程职业的长期前景存在不确定性。
  • 📊 AI 自主性增强，处理任务更复杂：Claude Code 在六个月内连续执行动作的次数增加 116%，人类干预回合减少 33%，显示 AI 正以更高自主性处理更困难任务。
  • 🛠️ 团队利用 AI 扩展核心能力：不同团队借助 AI 弥补技能短板（如安全团队分析代码、研究员进行前端可视化），推动全员向“全栈”发展。
  • 🔮 未来聚焦适应与转型：Anthropic 正探索 AI 增强下的团队协作、职业发展路径和教育调整，以应对工作性质的根本性变革。

译：万亿美元的 AI 软件开发技术栈

本文探讨了生成式 AI 如何颠覆软件开发领域，并催生一个潜力巨大的万亿美元市场。文章指出，AI 编码助手已能显著提升开发者效率，而未来更完整的 AI 技术栈可能将生产力翻倍，对全球经济产生巨大贡献。当前，AI 软件开发领域已从单一工具演变为一个包含规划、编码、审查、测试、文档等环节的完整生态系统，吸引了大量创业公司和投资。文章详细描绘了 AI 编码技术栈的构成、工作流程、新兴工具类别及市场格局，并讨论了其对开发者角色、软件成本和教育体系的深远影响。最后，作者认为这是软件史上最大的变革之一，也是创业的绝佳时机。

  • 🚀 市场潜力巨大：AI 引爆的第一个巨大市场是软件开发。全球约 3000 万开发者每年创造约 3 万亿美元经济价值，AI 编码助手有望将此生产力大幅提升，甚至翻倍，其经济影响堪比世界第七大经济体。
  • 🔄 工作流范式转变：现代 AI 编码遵循“规划 -> 编码 -> 审查”的循环。AI（LLM）成为合作伙伴，从项目规划阶段就深度参与，协助制定规范、做出架构决策，并生成和审查代码。
  • 🛠️ 工具生态繁荣：AI 编码已发展成一个庞大生态系统，涵盖多个工具类别：规划工具（汇总需求、分解任务）、编码助手（Tab 补全、聊天编辑、后台 Agent）、应用构建器、专为 AI 设计的版本控制（如 Gitbutler）、测试与文档生成工具等。
  • 🤖 为 AI 而设计的新范式：出现了专为 LLM 而非人类设计的知识库（如编码规则集）和工具（如代码搜索索引、执行沙箱）。文档也开始同时服务于人类和 LLM，确保信息一致。
  • 💰 成本与商业逻辑演变：使用高级模型进行 AI 编码成本可能很高，但平台正通过多模型支持和优化来管理成本。软件开发成本结构从几乎全是人力成本，转变为包含可观 LLM 运营支出的新模式。
  • 👨‍💻 开发者角色进化，而非被取代：AI 不会在可预见的未来取代软件开发者，但彻底改变了工作性质。开发者需要掌握与 AI 协作、审查和修正 AI 输出等新技能。传统的计算机科学教育面临重大改革压力。
  • ⚡ 软件的未来：自我扩展与代码持久性：长远看，AI 可能使软件具备根据用户描述自我添加功能的能力。然而，由于执行效率的巨量差异，经过优化的代码相比纯 LLM 解释执行仍有巨大优势，因此“代码”仍将长期存在。
  • 🏁 创业的黄金时代：技术超级周期为初创公司创造了极佳机会。即使在有巨头（如 GitHub Copilot）的领域，初创公司（如 Cursor）也能凭借创新有效竞争。现在是投身 AI 软件开发领域创业的最佳时机之一。

其他

规范驱动开发的局限性

本文探讨了在 AI 编程时代重新兴起的“规范驱动开发”（SDD）模式及其局限性。作者指出，尽管详细的事前规范看似能提升 AI 生成代码的可靠性，但由于软件开发本质是动态和探索性的，静态规范难以适应需求变化、无法承载完整上下文，反而可能导致维护负担加重和创造性受限。文章提出，真正的解决方案应是“上下文工程”——即通过持续更新意图、约束和背景知识，使 AI 与团队在迭代中保持对齐，而非依赖僵化的前期规范。

  • 📜 规范维护成本高昂：编写详细规范耗时巨大，且软件需求常动态变化，保持规范与代码同步会带来沉重的维护负担，甚至加倍开销。
  • 🧠 规范无法承载全部上下文：规范能描述系统“做什么”，但难以解释“为什么”，而边缘情况、性能问题和用户行为等关键信息往往在实施后才浮现。
  • 🎭 过度规范制造“完整假象”：详尽的规范带来掌控感，却可能抑制迭代与创新，使开发过程僵化，重回瀑布模型的老路。
  • ⚙️ 抽象层次错位：当前 SDD 工具专注于解析实现细节（如字段定义、函数签名），却忽略了意图、约束和背景等更重要的高层语境。
  • 🔄 有效路径：上下文工程：AI 编程的关键在于持续维护上下文——从明确意图出发，随需求迭代更新背景知识，让规范跟随代码演进，并保留决策逻辑。
  • 🌉 混合实践才是未来：对于稳定接口和成熟领域，规范驱动仍可适用；但探索性开发需采用上下文驱动，两者结合方能应对真实项目的复杂需求。

Bun 加入 Anthropic | Bun 博客

Bun 已被 Anthropic 收购，将作为 Claude Code 等 AI 编程工具的基础设施，同时保持开源、公开开发及原有团队不变，以加速 JavaScript 工具生态发展。

  • 🚀 Bun 被 Anthropic 收购：将作为 Claude Code、Claude Agent SDK 等 AI 编程产品的核心基础设施
  • 🔓 开源承诺不变：保持 MIT 开源协议，代码持续公开在 GitHub 维护
  • 👥 团队与开发模式延续：原团队全职投入，维持高频更新与社区互动
  • 🎯 技术路线持续聚焦：继续优化高性能 JavaScript 工具链、Node.js 兼容性与替代方案
  • 🤖 深度集成 AI 生态：通过单文件可执行特性，已支撑 Claude Code、FactoryAI 等多款 AI 编程工具
  • ⚡ 获得长期发展动力：依托 Anthropic 资源，跳过商业化探索阶段，专注工具链优化
  • 📈 历史演进回顾：从个人项目到月下载量超 720 万的开源运行时，历时 5 年迭代至 v1.3 版本
  • 🔮 未来定位：成为 AI 驱动软件开发的首选运行时，同时服务通用 JavaScript 生态
Discuss on Twitter • View on GitHub