最近在折腾的一个开源项目 GRKit:通过 SD 卡上的脚本来扩展理光 GR 相机的功能,支持胶片效果、画幅比例、辅助线、光晕等功能。
grkit.app
1
124
不确定是不是我的使用姿势不对。试过 Raft/Multica/AirBuild,我的感受是多 agent 的产出还没有直接使用 Claude Code 单会话的效果好,而且 Token 会用超多。现在反而是 Linear MCP 用得最多,需要跨会话的任务和文档都记在 Linear 上。
之前和 @strrlthedev 也聊过
我用 raft 深度做了一个 side project。如果只是许愿式聊天,效果和我要的差的非常多,需要很多轮的调教。最终消耗大量 token、时间和精力。如果我一开始就给一个很精细的计划,那我直接用 Claude,顶多加一两个 agents 就能达到同样的效果,而 token 的消耗是少了很多的
5
2
314
用 GPUI 写了个 Floating Markdown 编辑器,用来替代 Raycast Notes。特点是类似 Typora 的编辑体验以及支持 Vim mode。写个编辑器玩的 TODO 终于可以划掉了。
github.com/ahonn/markraft
给自己写的 GR 相机应用发布了新版本,支持 geotagging,并支持直接分享带样式的照片。现在以及本周末限免,欢迎有 GR 相机的来试用。
apps.apple.com/app/gr-snap-r…
Macuse V1.0 发布了,一个在本地跑 MCP 服务来为 AI 客户端提供 Calendar/Reminders/Mail 等应用集成的 macOS 应用,并且提供界面读取和操作的工具,可以直接读取/操作浏览器中的页面内容。视频中是通过 Raycast 来总结当天收到的邮件。
All about context,只要给的上下文主够准确,理论上不需要手写一行代码。人类的反馈也包含在这个 context 中,我们的输入只不过是 AI 编程中的一个工具调用。
最近临时在帮朋友做一些外包,基本上代码都是 AI 写的,我想如果不是有 AI, 我大概不会帮这个忙,因为即使这些活不难,我还是要写很多代码。但现在,我可以一个人同时做 2-3 个项目。
在这个过程中,更加让我确定了对于程序员来说,软件开发的范式已经彻底彻底改变了。生成代码再也不是程序员「应该」做的事情,而是应该被放手给 AI 做的事。
这也让我对判断一个程序员的能力从代码能力转变成了使用 AI 的能力,我想,如果我现在要为团队招程序员,我会在面试时着重了解这个人如何使用 AI 完成一个需求。
对于程序员来说,「使用 AI 的能力」包含很多维度,这些维度综合起来,才决定 AI 是否真正能成为程序员的杠杆:
## 对业务的理解
软件是为解决用户的需求而生的,对业务充分理解,才能给 AI 足够的业务场景上下文,才能让 AI 写出覆盖边界条件的代码。
对业务的理解同时决定了程序员是否可以做好数据库建模。在接我朋友的外包项目时,我发现我人工干预最多的就是数据库建模。只要我思考好建模,AI 就能基于这个数据库模型编写任何接口。
## 对技术栈的理解
如果能让 AI 限定在特定的技术栈中,你会发现 AI 更能稳定发挥,更可控。让 AI 「带着镣铐跳舞」。无论用什么技术栈,重点都是给 AI 一条稳定的轨道。比如我在所有项目的 AGENT[.]md 中都会列出非常细节的选型,例如 CC Mate 的 https[:]//github.com/djyde/ccmate/blob/main/CLAUDE.md
当 AI 知道技术栈后,通过 context7 这样的 MCP, 它能在生成代码时,找到对应的文档作为上下文,生成出更不容易出错的代码。换句话说,确定好技术栈,让 AI 成为这个技术栈的专家为你编写代码。
因此,在这个层面,程序员的「使用 AI 的能力」意味着,这个程序员知道什么样的场景适合什么样的技术栈,也侧面反映了这个程序员对技术社区是否保持敏锐的嗅觉。这是我认为 AI 时代程序员的一种硬实力。
## 对架构的理解
在《代码之外》听友线下见面会中,有听友提问,在 vibe coding 的时候,AI 只能做些一次性的软件,多次迭代后就会变成灾难。我的回答是,这是因为没有给 AI 提供一个你设计好的工程架构,让他在这个架构中行动。在这个新的时代,程序员应该以架构师的角度来工作。
我在 AI coding 一个项目前,我的脑海里会大概有一个工程架构的设计,比如,通用工具应该被统一放到一个什么文件,前端页面应该如何组织,接口应该遵循什么样的规范,错误处理应该怎么做等等。只要架构设计好,写在 AGENT[.]md 中,AI 自然会按照你的设计去做,而不是让 AI 天马行空地发挥。
不仅是在启动这个项目前要做好架构的思考,在维护的过程中,你指挥 AI 完成一个新的需求时,就应该思考完成这个需求的时候,将会有什么代码被写在哪一个地方。这个场景也适合使用各个 AI coding agent 的 Plan Mode 来完成,当 AI 告诉你它将要如何行动时,适当二次确认它要如何组织新的代码。
做到以上三个理解,我相信程序员可以游刃有余地使用 AI. 但我曾经在很多场合接触一些在一线写代码的程序员,发现他们对 AI 的接受程度是如此地低。很大程度上,我认为是一个缺乏以上三个理解的程序员,很难对 AI 建立信任关系,合作关系。
和我合作的一位程序员,在共同完成一个需求的时候,我在他旁边观察了一下他如何使用 AI, 结果只是非常浅地使用 auto complete. 我问他,为什么不尝试让 AI 完整地完成这个需求,他表示他认为 AI 不能胜任这个任务。
我说:
1. 我的后端接口已经写好了,而且有了 openapi 的 YAML 文件(AI 生成的)
2. 你知道这个需求涉及前端的哪个页面,在前端项目中,也有对数据请求层进行封装(AI 一定能知道怎么写数据请求)
满足了这两个条件,你只需要把接口文档给 AI, 然后告诉 AI 这次的需求,再告诉 AI 一点提示,大概是在哪个文件中修改。以现在旗舰模型的能力,AI 大概率能一次性完成。
他将信将疑,我直接在他电脑上给他演示这个操作,果然,AI 直接完美地完成了这个需求,不到 2 分钟。
而同时我也在思考,到底 AI 时代是否还需要程序员,或说需要怎样的程序员,好像渐渐有了答案。














