博文

目前显示的是标签为“ai”的博文

AI 辅助编程有感

我想写这个内容很久了,但是迟迟不知道该站在何种立场上来写。是凸显自己如何精于 AI 结对编程,提升了 XXX 的效率,创造了 XXX 的价值?是嘲笑现在的 AI 大跃进,批判资本家穷途末路不得不 AI 造神,终将被海量的技术债务反噬?还是假装理性,说一些模棱两可、似是而非的废话,来确保无论 AI 未来是陷入瓶颈还是再次爆发潜能,我的文字都能自圆其说?非常纠结,而且心态实时随着 AI 的产出内容而摇摆不定——它出乎意料的智能,我就开始疯狂地焦虑,觉得程序员的末日要来了;它出乎意料的愚蠢,我就暗自得意,AI 总归还是个辅助工具嘛~ 想来想去,我就只写史实吧,只当是记录一下自己的 AI 编程经历和心得。现在这个年代,不用 AI 生成和润色的长篇文字,已经可以算得上珍贵的记录了。 2022 年 12 月,我第一次听到 ChatGPT,试用了一下觉得很愚蠢。12 月 9 号的下午,我还发了朋友圈嘲笑它的回答,“一本正经的胡说八道,难怪被 Stack Overflow 给禁了”。 2023 年初,Copilot 横空出世,那时候还是完全免费的。尝鲜可以,但真正在项目开发里用起来只能说优劣参半吧!思考的速度有时候会比人慢,在人开始敲代码的时候又突然给出提示,反而形成干扰。夏天的时候知道它要开始收费了,就卸载掉了。 2024 年 4 月,对国产的模型及编程工具实在失望,正式成为 Copilot 的付费用户,时至今日,它依然是我心目中最好用的代码助手。还是很怀念那段时光的,AI 就静静的辅助我编程,不会喧宾夺主(agent 模式在我看来有点吵闹了),也没有那些“使用 AI 就一定要提高多少多少效率”的外界压力。 2025 年 2 月,DeepSeek 的深度思考能力震撼到了我。2 月 5 号那天,我和我老公的聊天记录里充满了对 DeepSeek 的崇拜和对 ChatGPT 的鄙视,哈哈。 2025 年 6 月,Grok 进入我的视野,这是第一个让我和 AI 聊天聊上瘾的模型。它的能力中规中矩,但是免费且速度快,所以性价比在我这里排名第一,我也多次和同事好友推荐。它同时也是第一个让我用提示词来创建定时任务的模型,虽然效果一般,但是在当时看来,这个能力还是挺有趣的。 等到了 2025 年年底的时候,画风就开始渐渐转变了。此前,AI 一直是我的好帮手,可以帮我省去无聊的工作,可以帮...

小记

我始终苦恼于【UI 设计稿 → 前端样式代码】这一步无法 AI 化,图像识别不精准、语言描述很匮乏。直到今天我突然顿悟了,设计稿可以转成 .html 文件啊!真不错,感觉离自己被 AI 完全替换掉又近了一步呢😂

部署 OpenClaw + 飞书协同

图片
  一、目标: 1. 公司内部 Windows 服务器上部署 OpenClaw 2. 集成任意模型,免费的最好 3. 对接飞书机器人 二、用时: 整整一天😪 三、成果: 四、归纳流程: 1. 前期准备:服务器上的可用工具少到令人发指,中途不得不多次暂停以解决如下这些问题。 ① 配置代理:OpenClaw 有依赖需要从 GitHub 上拉代码,所以必须要配置代理,不然无论是 install.cmd 还是 npm 的方式,都会失败。 ② 安装 node 和 git:重要性无需多言。 ③ 配置 WSL 内存:服务器上的 docker 运行在 WSL 环境里,之前分配的内存太少了(半个月前,服务器故障,频繁自动关机,当时以为是 docker 太耗内存了,所以修改了配置,结果后来发现是硬件故障,可是这个配置就没有再改回来),运行不了本地大模型。 2. docker 安装 ollama docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama 3. 拉个免费的通义千问模型 docker exec -it ollama ollama run qwen3.5:2b 4. npm 安装 OpenClaw npm install -g openclaw@latest 5. 配置 OpenClaw: ① provider 那一步选择 vLLM,实测 Qwen provider 验证可能失败,通过 vLLM 以 OpenAI 兼容模式调用阿里云 API 更稳定; ② 如果选择基于 ollama 的模型,base url 写  http://localhost:11434/v1 ,api key 随便填; ③ 因为免费模型速度实在太慢了,我后面又增加配置了 qwen-plus 模型,base url 写  https://dashscope.aliyuncs.com/compatible-mode/v1 ; ④ 我原本还想接 claude 模型来着,中转平台实在不给力,屡次验证失败,最终只能遗憾放弃。 6. 协同飞书: ① 创建飞书机器人:进入 飞书开放平台 ,创建企业自建应用 → 添加机器人 → 配...

Claude Code Skills 实践

最近 agent skills 这个名词很火啊,怎么能不掺和一下呢? 从日常开发工作中挑选了一个非常流程化的场景——根据后端提供的 swagger 文档,在前端项目中写入所需接口及数据类型——进行试验。 简易的 Skills 本质上就是放在 .claude/commands/ 目录下的 Markdown 文件。文件名就是命令名,文件内容就是提示词。这次选中的场景比较简单,提示词自然也不复杂,借助 AI 用了半个小时就写好并测试通过了。大概包含了如下几块内容: 1. 核心流程: ① 用户输入:定义用户需要提供的内容,包含环境和所需接口 url; ② 数据获取:提示 AI 通过 curl 命令获取对应环境下的 swagger 文档; ③ 信息提取:给出示例脚本,告知 AI 需要获取的字段信息,例如后端定义的接口方法名称、HTTP 方法、请求参数、响应类型等; ④ 命名规则:强制 AI 使用提取到的字段信息组成方法名、类型名,确保前后端命名一致; ⑤ 类型转换:针对特殊字段进行特别的处理,例如 id 字段往往被后端声明为 Long 类型,而后在 VO 类的字段级别借助 @JsonSerialize 注解进行转换,以字符串的格式传给前端,故而需要特别定义来覆盖 swagger 文档中读取到的类型; ⑥ 冲突处理:例如出现重复命名时,必须中断并询问客户; 2. 代码生成位置: ① 接口方法代码存放位置; ② 接口类型代码存放位置; 3. 代码模板:给出几个典型案例; 4. 用户额外需求占位符 - $ARGUMENTS。 流程跑通后,选择了一个接口(总计需增加 32 行代码)进行耗时测试: 1. AI 生成代码: ① 编写 prompt:只包含 skill 命令 + 环境名 + 接口名,用时几乎可以忽略不计; ② AI 思考并编写代码:2 分 43 秒,期间多次申请操作权限,使用者需要持续在场响应; ③ 人工检查生成的代码:49 秒。 2. 人工开发代码:2 分 36 秒。当然,这其中是有 Copilot code completion 的功劳的。即使禁用了 AI,我也习惯借助  typeof-jsonc 等插件帮助写入类型字段,总体耗时差距不会太大。 以我目前对 AI 的理解,它能够大幅提效的主要场景还是集中在: 1. 自己不熟悉的领域...

部分 AI 热门名词归纳

图片
  偷得浮生半日闲,画了一个思维导图,把一些 AI 相关的热门概念理一理。当然了,AI 的知识浩如烟海,我了解到的也只是沧海一粟,权当一个简陋的备忘录吧!

浅试 MCP

图片
  Copilot 非复吴下阿蒙。效果可以说非常惊艳了,大概只用了三个小时的时间,就把流程跑通了。但是 AI 时代,0-1 是最简单的,1 之后的工作可就难讲咯! 附一张概念图,实操一遍后,理解更深刻了:

Creating a Nice Kitty with AI

图片
A cute cartoon cat co-created with GitHub Copilot (Claude 3.7 Sonnet), where I played the role of the human co-pilot😏 Feel free to check out the live demo at https://nice-kitty.vercel.app/ and explore the code at https://github.com/huangyuting-lab/nice-kitty to see how it's implemented. Plus, turns out AI is still only good at creative tasks with high error tolerance. Guess I won't be out of a job just yet!