M.Hertz

想起一句话：“当初求种像条狗，如今撸完嫌人丑” 😂

用好 claude code 就够了，别折腾 Removed 662 packages……

这事我还是要替程序员说点话，为什么有些时候要手搓代码而不是写 Prompt。 不完全针对原推文，而是借这个机会写一点，替程序员们发声，因为现在社交媒体上有一种风气： 就是都在标榜自己用 AI 写代码多么高效，多爽。用 Prompt 来 AI Coding 就是高端的，代表先进生产力的，不用 AI 写 Prompt 手搓代码就很 Low。 AI 能提升编码效率这个没问题，但不代表说已经到了能完全替代手搓代码，更不能把两者对立起来。 ** 首先我们应该回归初心，写代码是为了什么？ 刨除学习和自嗨为目的的写代码，通常我们写代码是为了构建软件产品，因为要构建一个产品，才需要去写代码实现产品需求。那么 AI 写代码和手搓代码，都属于写代码的手段，而不是目的。 先把这个问题分清楚：无论是你用 AI 写代码还是手搓代码代码，都属于手段而不是目的！ 如果你只是为了标榜用 AI 写代码而用 AI，那就是为了手段而忘记了目的，当然换成你为了手搓代码而抵制 AI 写代码，也一样成立。 ** 然后，哪些情况适合 AI 写代码，哪些情况适合手搓代码 1. 任何情况下，都应该尝试用一下 AI Coding 很多任务开始前，可以先用 AI 写一遍，了解 AI 编程的优缺点在哪里，边界在哪里；另外每隔一段时间都要再测试一下以前失败的地方，可能随着模型的进化和工具的升级，以前不能解决的问题就会解决。 试试没坏处，AI 不行了再手搓，或者基于 AI 的结果手动改进。 AI 应该是程序员的一个重要工具，就像战士的枪一样，应该对它的优缺点适用场景了如指掌 2. 原型开发适合用 AI 写代码 原型开发是最适合用 AI 大量生成代码的场景，尤其是 Web 开发，现在的 AI 很擅长，并且不需要考虑代码后期维护、性能、安全性这些。 3. 当你需要借助代码来理清楚思路或者保持心流的时候，手搓代码 编程是创造性的工作，有时候我们需要直接的渐进的反馈，手搓代码更能让我们跟上自己思维的节奏，就像写作的时候，用键盘一个字符字符的敲打修改，更能和自己的思路保持相同的节奏，如果 AI 一次性生成太多内容，或者我们不想要的内容，反而会打乱自己的思路。 另外我个人的经验是 AI 写代码很容易打断心流，要等待结果，要重新修改提示词抽卡，很打断心流，有时候我宁可手动写，虽然慢一点，但是可以保持心流状态，代码质量也更有保证。 4. 当你需要从一门语言翻译到另一门语言，用 AI 生成 AI 最擅长的工作之一就是翻译了，当你需要从一门编程语言翻译成另一门编程语言，那绝对是 AI 的强项，提示词也简单，把要翻译的代码给 AI 让它按要求重写即可。 5. 当你无法用文字或者图片描述你要做的事情的时候，或者写 Prompt 的成本更高的时候，手搓代码 Prompt 不是万能的，很多需求或者问题是没法用文字或者图片描述清楚的，或者要清楚的描述成本比手搓代码成本还高，那真的没必要还要去写 Prompt。 如何把需求表达清楚并没有想的那么容易，尤其是那些自己擅长写文字的资深人士，是体会不到要清晰的用文字描述清楚一个需求是有点难度需要练习的，而有时候写代码反而直接些，因为简单并什么二义性。 所以我建议新手可以多用伪代码当提示词，代码也是很好的 Prompt。我自己在写不熟悉的语言的时候，通常会用熟悉的语言写成伪代码，然后让 AI 生成目标语言的代码。 6. 当 AI 写的代码质量满足不了要求的时候，只能依赖于手搓 现在 AI 写的代码虽然质量不错，但随机性很强，有时候很好，有时候却不怎么样，对于复杂一点的没训练过的算法，或者训练语料不足的语言，还是得手搓才能获得更好的结果。 7. Debug 代码的时候，优先用 AI 我发现 AI Agent 对于 Debug 代码能力挺强的，经常能帮助找到一些隐藏的 Bug。AI 比人有优势的地方在于看到人看不见的盲区。但 AI 很多时候也不行，还得去人工复现一点点缩小范围。 8. 模块级、上下文充足的代码优先使用 AI 生成 如果你的代码只是模块级别，并且上下文充足，AI 生成通常能又快又好，如果效果不好可以调整提示词多生成几次。 我列这么多，一方面都是我使用过程中总结下来的经验，一方面也是为了说明用 AI 还是手搓，其实没标准答案，得看不同的场景以及使用 AI 的人。不能简单的就认为手搓代码不如 AI 写代码高级。 ** 再次，AI Coding 和手搓代码是最佳搭配 AI Coding 和手搓代码不是对立的，搭配用很好的。AI Coding 可以拓展能力边界、提升效率、减少重复劳动，手搓代码可以为 AI Coding 兜底，当 AI 解决不了时人工来写，当 AI 写不好时人来修改，就算时 AI 写的代码，也离不开人工的 Review。搭配好可以事半功倍。 ** 写在最后 用 AI 写代码还是手搓代码代码，都属于手段而不是目的，写代码的目的是为了构建产品。 不是所有的场景都适合 AI 编程，很多时候还是得手写代码，所以会写代码依然是重要的基础能力，不要因为 AI 写代码强了而忽视了锻炼自己的编程能力。 专业程序员就算手搓代码再熟练也需要多使用 AI Coding，让它成为自己有力的工具。 非专业人士也不要瞧不起手搓代码，当你遇到 AI 解决不了的问题，还得找专业程序员去手搓代码帮你兜底。 至于未来 AI 如何进化，我们都需要保持关注，持续学习，无论 AI 怎么强，用好它也能让自己更强。

让 GPT 根据你的历史记忆创作一幅个人专属的创意科技工作场景图像 v2 工具：GPT-4o 注意： 你也可以不用 GPT-4o 出图，而是让它生成提示词，用提示词去其他工具生成 提示词： 基于我的历史记忆，为我创作一幅个人专属的创意科技工作场景图像。房间以正面视角、去顶式剖面结构展示，仿佛是一件高端收藏级模型，用建筑级的清晰感与设计精度将空间完美展现。场景中的主角是你根据我的历史会话记忆生成的3D卡通形象，房间布置、人物造型、桌面设备、墙面装饰等细节请结合我真实的兴趣和职业背景，整体风格融合极简主义、科技感与视觉美学，展现一个专注、高效、富有创造力的工作环境。

在 AI 迅速发展的今天，企业如何将 AI 技术落地应用，推动业务创新，成为了摆在许多从业者面前的难题。 Anthropic 在“AI Engineer Summit 2025”分享了他们在与众多客户合作的过程中，总结出来的一套行之有效的企业落地 AI 的最佳实践，并识别出了一些常见的错误。我在这里把视频上一些有价值的实践经验和教训整理出来了，希望能帮助你在 AI 应用的道路上少走弯路。 常见场景与挑战：你是否也有这些困惑？ Anthropic 通过和企业客户的协作过程中，发现主要的问题集中在这几个方面： • 问题一：从何入手？ 你知道 AI 很强大，但具体到你的业务场景，应该从哪里开始？是做一个聊天机器人，还是做数据分析工具？抑或是更高级的 AI Agent？ • 问题二：如何评估效果？ 你花了大量时间和资源搭建了一个 AI 系统，但如何判断它是否真的有效？是看用户反馈，还是看技术指标？评估的标准是什么？ • 问题三：技术选择困惑。 你听说过微调（fine-tuning），觉得这听起来很高大上，是不是应该一上来就用微调来提升模型性能？ 这些问题，你是否也曾遇到过？别担心，你并不孤单。许多企业在落地 AI 时都会面临类似的困惑。那么 Anthropic 是如何应对这些挑战的呢？ 最佳实践一：评估先行，切勿本末倒置 在 AI 应用中，最常见的错误之一就是“先构建复杂流程，最后才想到做评估”。很多企业热情高涨，一上来就投入大量资源搭建复杂的 AI 系统，却忽略了评估的重要性。结果往往是，系统上线后才发现效果不尽如人意，浪费了大量时间和精力。 视频中不止一次强调，评估是指引你走向理想结果的工具。在 AI 应用中，评估不仅仅是事后的检验，更是整个开发过程中的“北极星”。为什么这么说呢？ • 评估帮助你明确目标。 在开始任何 AI 项目之前，你需要清楚地知道什么是成功。评估标准能够帮助你设定明确的目标，比如准确率、响应时间、用户满意度等。 • 评估指导优化方向。 通过定期评估，你可以及时发现系统的问题，调整优化策略，避免在错误的道路上越走越远。 • 评估是你的“知识产权”。 一位专家曾说：“评估就是你们的‘知识产权’。”在 AI 应用的潜在空间中，谁能更快地通过评估找到最优解，谁就能在竞争中脱颖而出。 案例分享：Intercom 的 AI Agent Fin Intercom 是一家 AI 客服平台，他们的 AI Agent Fin 在业内颇有名气。然而，即使是这样的领先企业，在优化 AI 性能时也曾面临挑战。他们采取了评估先行的策略。 在合作初期，Intercom 与 Anthropic 的技术团队合作，将 Fin 的提示词（prompt）迁移到新模型上，并进行了为期两周的评估测试。结果显示，新模型在多个关键指标上优于 Intercom 当时使用的大语言模型。 随后，双方进行了为期两个月的冲刺，优化了所有与 Fin 相关的提示，确保在新模型上获得最佳性能。最终，Fin 2.0 版本上线后，数据显示，Fin 能够处理高达 86% 的客服需求，其中 51% 无需人工介入。这一成果的取得，离不开前期充分的评估和优化。 这个案例告诉我们，评估不仅是检验成果的手段，更是指导整个开发过程的关键环节。 最佳实践二：权衡“智能度、成本、延迟”，找到最优平衡 在 AI 应用中，企业往往需要在“智能度、成本、延迟”这三个维度之间进行权衡。而 Anthropic 的建议是：很少有企业能够同时在这三个方面都做到极致，因此，明确你的核心需求，找到最适合的平衡点至关重要。 • 智能度： AI 模型的准确性和智能水平。 • 成本： 开发和运维 AI 系统的经济成本。 • 延迟： AI 系统响应的速度。 不同的应用场景对这三个维度的要求不同。例如： • 客服场景： 延迟是关键指标。用户希望在 10 秒内得到回复，否则可能会流失。因此，在客服应用中，快速响应比极高的智能度更重要。 • 金融研究员助手： 智能度是核心。金融决策需要高度准确的信息，响应时间可以适当放宽。 如何找到平衡？ 1. 明确核心指标。 根据业务需求，确定哪个维度是最关键的。 2. 设计评估标准。 针对核心指标，设定明确的评估标准。 3. 灵活调整。 在开发过程中，根据评估结果，灵活调整技术方案，找到最优平衡。 例如，在客服场景中，你可以通过设计“思考中”的动画或引导用户阅读其他内容来缓解延迟问题，同时优化模型以提高响应速度。 常见错误：过早考虑微调，忽视基础优化 在 AI 应用中，微调（fine-tuning）是一个常被提及的技术。许多企业一听到微调，就觉得这是提升模型性能的“灵丹妙药”，急于尝试。然而，Anthropic 警告，微调并不是万能的，而且往往不是最佳选择。 微调的误区 1. 微调不是“银弹”。 微调相当于对模型进行“脑外科手术”，会影响模型在其他领域的推理能力。盲目微调可能导致模型在某些任务上表现更好，但在其他任务上表现下降。 2. 微调成本高昂。 微调需要大量的数据和计算资源，而且成功率参差不齐。很多时候，企业投入了大量资源，却未能获得预期的效果。 3. 忽视基础优化。 在没有充分评估和优化基础模型的情况下，过早考虑微调，往往是本末倒置。 何时考虑微调？ 建议，只有在基础优化无法满足需求时，才考虑微调。具体来说： • 先尝试提示工程（prompt engineering）。 通过优化提示词，提升模型在特定任务上的表现。 • 利用其他技术。 例如，提示缓存（prompt caching）可以降低成本和延迟，检索增强（retrieval augmentation）可以提高模型的知识覆盖面。 • 评估后再决定。 在充分评估后，如果发现基础模型无法满足需求，再考虑微调。 其他实用建议 除了上述最佳实践，Anthropic 还分享了一些其他实用建议，帮助企业更好地落地 AI 应用。 • 构建代表性的评估集。 确保你的评估集覆盖了各种可能的情况，包括边缘案例。例如，在客服场景中，不仅要评估常见问题，还要评估无关或恶意的问题。 • 监控和回放。 建立完善的监控系统，记录 AI 系统的表现，并定期回放评估结果，持续优化。 • 探索创新架构。 例如，AI Agent、上下文检索等，可以提升 AI 应用的智能度和用户体验。 结语 AI 技术的快速发展为企业带来了前所未有的机遇，但同时也伴随着诸多挑战。Anthropic 总结出了一套宝贵的最佳实践和常见错误，帮助企业在 AI 应用的道路上少走弯路。 记住，评估是你的“北极星”，指引你找到最优解；权衡“智能度、成本、延迟”，找到最适合的平衡点；避免过早考虑微调，先从基础优化做起。这些经验，不仅适用于 AI 企业落地，也适用于任何技术创新的实践。