Stephan_

看完了老罗采访周鸿祎的三个半小时的播客，能听出来老周是确实有很多切实的行业经验的，可惜老罗问的问题不够深入和专业，有点遗憾
比如老罗说到海外顶尖模型是这个观点，我觉得是有些偏颇了。因为不同领域有不同的最佳模型，比如在编程领域目前claude-4和gpt-5-codex可能都优于；又比如老周不止一次提到的LLM幻觉问题，在360是如何优化的？并没有追问下去
听完整体感觉最有价值的点就是老周说到的垂直+订阅的收费模式，老周还提到收费模式上应该是token按量计费+membership会员费的方式，这种方式确实是一种长期看更可行的收费模式。单纯卖token的模式壁垒太低，用户付费的动机应该是在LLM之上，产品提供的垂直Agent的能力

OpenAI 发布了一篇 "GPT-5 编码指南", 给出了6条使用GPT-5进行AI编程的最佳实践：
# 1. 指令应精确，避免信息冲突
新款GPT-5模型在遵循指令方面的能力有了显着提升，但这也带来一个副作用：当面对模糊或相互冲突的指令时，它可能会难以处理。这种情况在你的 .cursor/rules 或 配置文件中尤其需要注意
# 2. 设定合适的推理级别
GPT-5 在解决问题时总会进行一定程度的推理。若想获得最佳效果，处理复杂任务时应使用 "high reasoning effort" 。如果你发现模型对简单问题有“想太多”的倾向，可以给出更具体的指令，或选择 medium 或 low 的推理级别
# 3. 使用类似XML的语法来帮助结构化指令
我们与Cursor合作发现，使用类似XML的语法可以为模型提供更多上下文，从而使GPT-5更好地工作。例如，你可以给模型以下编码指南：


- 每个组件都应该是模块化和可重用的


- 样式：TailwindCSS


# 4. 避免使用

为啥我用AI结对编程的感觉是，它能给我的输入比输出要有价值的多😅
经常让它帮我在开源代码仓库里找有价值的信息、梳理系统架构，总能给我非常不错的体验
但如果让它写代码体验就很差，它写的代码不放心，自己得review一遍，review完总能发现一些或大或小的问题，然后就得不断修修补补
难道这就是古法编程程序员在面对vibe coding时最大的障碍：不敢放手😂
而且这和带实习生感觉还不一样，聪明的实习生磨合一阵就会越带越顺手了，我知道实习生会犯错，但也知道他会成长。但AI不会啊，它的全局记忆都需要我给它灌😤

那么如果推理速度快20倍，我们vibe coding的方式会有什么变化呢？

我感觉随着AI编程工具的发展，我对MCP工具的理解也在改变
之前常用的 sequential thinking、task_manager，现在随着模型计划和推理能力的提升，有了plan mode和think harder/ultrathink，我更愿意在原生工具内部完成，而不是借助mcp
另一类是context7、deepwiki这类上下文增强工具，对于上下文工程，我需要更加精细化和准确，这类mcp目前还无法达到这个要求。所以我更倾向于自己深度整理而不是使用mcp
上下文整理的过程可能会借助Deep Research和NotebookLM等外部工具，在代码之外，先收集好高质量、且足够全面的上下文
还有一类能提高测试效率和准确度的mcp工具我是推荐的，比如playwright mcp
总结一下就是，mcp工具应该作为AI编程能力的延伸，就像手脚的作用，而不是增强大脑

Deep Research解决“构建什么”的产品化决策问题，它兼具深度和广度，帮助我们打破信息茧房，看清方向
Claude Code帮助解决具体的实施细节，让我们有精力更focus在系统架构、模块拆分和重构这些high level层面，提升迭代和试错效率
未来肯定会有更先进的AI生产力工具，但以上三步我认为应该是不变的底层逻辑

MCP出来这么久了，真正能用的好像没几个？
我指的能用指的是对于AI编程，能够稳定且高频使用，对编程效果有实质性提升的
分享几个我认为还可以的：playwright、Context7、Sequential Thinking
前两个解决上下文准确性问题，第三个解决规划思考

程序设计领域，有一个词叫“bad smell”
说的是对于有经验的程序员，应该能嗅到系统中的“坏味道”，而提前预防，进行架构优化和升级
还有一个词叫“过度设计”
就是说一开始想的太多，设计了很多没有必要的可扩展性和模块解耦，带来庞大且无用的维护成本，反而容易引入bug
这两个词，都是需要放在时间和语境里来看的
没有最好的架构设计，只有最合适当下（以及未来一段时间）的架构设计
这个度的把握，目前的AI还远远做不到
但是引入AI之后，让我们能用更多的时间来思考架构，去在合适的时机进行重构、解耦、拆分或合并
这就是人的价值

程序员最喜闻乐见的就是，各大AI厂商卷上天😂
刚注册了下Jules，好像可以免费试用

Google家又要放大招了？

vibe coding真的要在懂编程的人手里才有作用，不懂的就是💩山和各种安全漏洞😅

非常棒的经验，内容营销、流量、获客、转化、品牌、设计、竞争壁垒、合作放大，各个方面都需要思考和执行
AI时代，最不缺的就是idea和研发能力了😂

恭喜恭喜，值得学习👍
希望有更多像熠辉这样卖课的人，让“卖课”这个词变得不再那么负面
想想看什么样的知识付费博主能成功，我总结以下几点：
真诚、利他、价格合适、快
真诚：做自媒体的根基，无论卖什么，首先都要和你的客户建立信任关系。真诚的输出自己的知识和认知，不端不装，人设才不容易崩
利他：不为了满足自己而输出，而是随时站在市场的一边，站在用户的一边，输出真正有价值、能解决用户痛点的内容
快：这个快不仅仅是快速切入市场，我认为更重要的是快速迭代和试错。不要想着做一个完美的产品，而是快速推出MVP，得到市场的验证和反馈，比闭门造车要强100倍

这个方法来制作AI rules看起来不错，准备尝试一下，等试完回来报道！感谢分享☺️

很赞同吴恩达老师的观点，AI辅助编程确实可以让已有编程语言基础的人可以快速上手一门新语言，同时他也强调了理解语言背后的核心概念的重要性：
---
但是，理解不同语言背后的概念仍然很重要。这就是为什么学习至少一门像 Python 这样的语言，仍然能为你打下坚实的基础，去更好地提示 LLM 生成 Python 或其他语言的代码。如果你从一种编程语言转向另一种能完成类似任务但语法不同的语言——比如，从 JS 到 TS，或者 C++ 到 Java，或者 Rust 到 Go——一旦你掌握了第一门语言的概念，你也就掌握了提示 LLM 用第二种语言编写代码所需的大部分概念。（虽然 TensorFlow 和 PyTorch 不是编程语言，但学习了 TensorFlow 背后的深度学习概念，同样能让你更容易地让 LLM 为你编写 PyTorch 代码，反之亦然！）此外，你也能看懂大部分生成的代码（可能需要 LLM 稍微帮你解释一下）。
不同的编程语言反映了组织计算的不同思路，理解这些概念依然很重要。比如，如果一个人不理解数组、字典、缓存和内存这些概念，那么他让 LLM 用大多数语言写代码时，效果就会差一些。
同样地，一个想用 JS 做更多前端开发的 Python 开发者，如果能学习一些前端系统背后的概念，将会受益匪浅。比如，如果你想让 LLM 用 React 框架构建前端，那么理解以下内容会对你很有