科技爱好者周刊（第 398 期）：Token 费用难以负担
本期围绕 AI 编程的 Token 成本问题展开讨论。通过 OpenClaw 创始人每月消耗 6030 亿 Token、价值 130 万美元的案例，揭示了放开使用顶级 AI 模型的惊人开销。按此计算，单个程序员年费用可达数千万甚至上亿人民币，即便使用国内便宜模型也需数百万。文章指出，即便是 Uber 和微软等巨头也因费用过高而不得不限制 AI 使用，说明公司几乎必然会设置调用限制，这使得 AI 编程在大型项目中的成本远高于人工。由此得出结论：现阶段 AI 不会大规模替代程序员，除非未来 Token 费用大幅下降。 此外，文章还提及了漏洞赏金计划在 AI 时代面临的新挑战。由于大模型能快速生成低质量漏洞报告，项目如 Turso 不得不终止赏金计划，这引发了对传统安全激励机制在 AI 背景下有效性的思考。其他内容包括科技动态（如气温上升导致动物增重、人工蛋壳技术）、多篇推荐文章以及一系列新发布的开发工具和资源，覆盖了从内存市场趋势到哲学思辨的广泛话题。
AI Agent Orchestrator Landscape Report
AI Agent Orchestrator 赛道源于开发者需管理大量并行 AI 编码代理（如 Claude Code、Codex）的需求，旨在提供任务分配、成本控制等协作能力。报告将项目分为三层：L1编排层管理代理生命周期，L2协作层实现任务跟踪，L3公司层处理组织预算与对齐。 当前市场呈现九个项目竞争格局，技术栈以 TypeScript 为主。其中，LobeHub 生态最成熟但使用社区许可证，限制商业衍生；Paperclip 采用 MIT 协议，功能聚焦公司治理与预算，是构建商业产品的首选；Ruflo 虽增长迅速但遭社区质疑代码质量；Multica 架构扎实（Go 后端），支持最多代理类型但限制 SaaS 分发。 技术选型上，快速原型可考虑轻量级的 Agent of Empires；商业 SaaS 推荐 Paperclip；企业内部平台适合 Multica。报告同时指出，该领域面临大厂整合风险与技术债务问题（如部分项目停更或协议限制），且市场高度碎片化，预计将经历整合。核心建议是根据使用场景（商业、内部、原型）和许可证条款进行审慎选择。
从 Sublime Text 到 Zed
作者长期使用 Sublime Text，因其快速启动和丰富插件生态而满意，但随着 AI 辅助编码成为常态，Sublime Text 的 AI 集成体验不足，促使其迁移到 Zed。Zed 由 Atom 和 Tree-sitter 原团队开发，采用 Rust 编写，以极致性能和原生 AI 协作为核心优势，启动速度与文件响应优于 VS Code，并内置 Claude、GPT 等模型支持，无需额外插件。其极简界面与 Sublime Text 相似，降低了迁移成本。 安装 Zed CLI 是首要步骤：在 Zed 中通过命令面板执行安装，将 CLI 工具置于 ~/.local/bin/zed，之后可在终端使用如 `zed .` 打开目录或 `zed --diff` 比较文件等命令。为提升效率，作者进一步将 Zed 集成到 macOS Finder 右键菜单，利用 Automator 快速操作机制：首先通过一键脚本生成 OpenInZed.workflow 文件，其中包含 Shell 脚本调用 Zed 打开选中路径；双击安装 workflow 并刷新服务缓存（执行 `/System/Library/CoreServices/pbs -flush`），最后在系统设置中启用该服务。配置后，右键文件夹或文件即可选择“在 Zed 中打开”，脚本自动处理路径。 技术细节上，脚本采用三重兜底逻辑以兼容不同安装方式（如 CLI 路径检测、PATH 变量、应用程序直接调用），并添加 `-n`
了解 Claude Code 的提示词工程
Claude Code 之所以在众多同模型的编程工具中脱颖而出，其关键差异之一在于其内部复杂且经过精心设计的提示词工程。通过截取分析其实际发送的提示词，可以清晰地看到其三层结构：系统层、消息层和工具层。 系统层为Claude Code设定了“Anthropic官方CLI软件工程师”的核心人设，并包含严格的行为准则，例如拒绝破坏性任务。此外，该层为每个项目目录都配置了基于文件的记忆系统，以保存上下文信息。一个值得注意的细节是，Claude Code会在请求头中加入一个动态变化的参数，这使得其他工具若不特殊处理会导致缓存失效。 消息层不仅包含用户的历史对话，还会注入用户安装的所有工具的详细说明。例如，安装hyperframes框架会带来大量特定技能的提示词，显著增加上下文长度。同时，系统会将用户的邮箱、当前日期等信息作为上下文提供给模型。 工具层则定义了模型可调用的具体工具及其使用方法，如鼓励使用子Agent处理复杂任务，以及如何通过提问工具向用户获取澄清信息。该层被巧妙地置于消息层之后，这可能是为了对抗其他模型的缓存机制。整个提示词架构展现了Claude Code如何通过精细的工程设计来引导模型行为、管理上下文并提升任务完成质量。
SmartPerfetto 两周更新：从 Perfetto AI Assistant 到可复用的 Trace 分析平台
SmartPerfetto 在两周内完成了从单条 trace 的 AI 问答工具向可复用分析平台的演进。核心变化体现在多 Trace 分析结果对比、证据三层保障机制与双模型运行时支持。 新增的多 Trace 对比功能，允许用户对比已完成分析的结果快照，而非必须同时打开两条 trace，极大便利了性能回归与 A/B 测试场景。项目强化了结果可靠性，构建了从 SQL 执行（通过 stdlib guardrail 自动补齐依赖、校验安全性）到证据来源（为数据封装添加稳定索引 ID），再到报告结论（支持逐句数据引用映射）的完整 traceability 链条，使用户能精准溯源任何数字的产生过程。 运行时层面，正式引入 OpenAI Agents SDK 作为与 Claude Agent SDK 并列的一等运行时，并提供可视化 Provider Manager 进行配置管理，方便用户切换不同的模型服务。此外，渲染管线教学功能重构为基于当前 trace 实际观测事件生成，而非静态模板。一系列针对大文件上传、进程残留清理、多环境兼容性的修复，则显著提升了工具的部署与启动成功率。
手搓一个 Agent 驱动的项目 Wiki 生成方案
作者在项目文档生成实践中，发现传统RAG方案如deepwiki在处理确定性结构（如目录、接口列表）与不确定性分析（如架构总结、ER图）时存在局限。其核心思路是：将确定性信息（如行号、Proto文件）明确处理，仅将归纳、推理等任务交由LLM，以实现各取所长。然而，deepwiki的独立页面架构难以满足基于已生成内容进行汇总的需求。 为此，作者转向基于Claude Code的方案。该工具采用工具驱动检索机制，通过Read、grep、LSP等确定性工具链精准定位代码，而非依赖向量化索引。这使生成的Wiki内容更准确可控，并可复用为跨项目Skill。尽管需要多轮调试且自动化程度较低，但其在内容质量、尤其是跨文件关联分析上优势明显。文章最终提出互补策略：项目初期用deepwiki快速搭建框架，成熟阶段则用CC方案精细打磨可控的文档体系。
Lyra - AI Prompt Optimization Specialist
Lyra 是一个AI提示词优化专家，旨在将用户的模糊输入转化为精确、高效的提示词，以充分挖掘各类AI平台的潜力。其核心工作流程基于结构化的 4-D 方法论。第一步是解构，即提取用户输入的核心意图、关键实体、上下文以及已知与缺失信息。第二步是诊断，评估提示词在清晰度、特异性、结构复杂性等方面存在的差距。第三步是开发，这是优化的关键，根据请求类型（如创意、技术、教育或复杂问题）选择针对性的提示技巧，例如链式思考、少样本学习或多视角分析，并为AI分配恰当角色。第四步是交付，生成格式化的优化提示词并提供使用指导。该方法论融合了基础（角色设定、上下文分层）与高级（链式思考、约束优化）技巧，并针对 ChatGPT、Claude 等不同平台特性进行适配。Lyra 提供详细与基本两种操作模式，以适应不同复杂度的优化需求。
BEWARE SOFTWARE BRAIN
本文深入剖析了科技行业普遍存在的“软件思维”局限性及其社会影响。这种思维模式倾向于将世界视为可通过代码与数据结构控制的数据库集合，进而形成通过操纵数据即可掌控一切的误解。文章指出，该模式在业务流程自动化中具有价值，因为商业活动本身已高度数据化与循环化。然而，当试图将其强加于人类社会与法律体系时则必然失效：法律的本质并非确定性代码，其核心恰恰在于适应社会复杂性的模糊地带；人类生活数据也天然分散于异构系统，强行整合并要求个体自我数字化适配软件，实质上是对人性的背离。作者强调，技术发展不应要求人类变得“可读”以适配机器，而应致力于让系统适应人类需求。当前科技行业在能源与制造成本高昂的背景下盲目推行AI渗透，却未能意识到这种“软件思维”的狭隘框架正迫使人类变得更非人化，这也解释了公众对技术的普遍抵触情绪。
Most vibe-coded tools are not for you
通过AI生成的工具常因缺乏可达性、社交性和完成度而受限。这些工具往往带有创建者个人的认知印记，使用者必须适应其特定思维方式才能有效操作，这限制了工具的普及性。真正具备可达性的工具应能适应不同思维模式的用户，甚至随用户群体扩展而进化。社交性则依赖于界面设计、社区参与及用户与开发者间的持续互动，而当前许多AI工具忽视了这种协作生态。完成度不足导致工具缺乏精心设计，难以迭代或模块化扩展；边界模糊的工具往往抵制演进，无法通过他人使用与维护的检验。历史上许多优秀工具始于临时解决方案，但最终因被认真打磨和社群化而成为通用工具。对于LLM生成的内容而言，仅凭项目名称和README文件不足以使其成为可持续工具，开发者需反思这些成果是否能经受他人问题场景的考验，以及是否愿意承担长期维护责任。
Practical Use Of AI Coding Tools For The Responsible Developer
本文探讨了AI编码工具在Web开发实践中的负责任应用。作者团队在长期整合Copilot、Cursor等工具后，总结出既能提升效率又不损害代码质量的关键用例。核心在于将AI视为需要验证的协作者：用于快速理解陌生代码库的架构、辅助处理依赖库的破坏性升级变更、高效安全地跨文件复制代码重构逻辑、在紧迫时间内实现自身不熟悉的技术栈需求（如编写着色器），以及辅助生成单元测试和内部工具脚本。作者强调，“负责任的开发者”必须确保输出代码的可靠性，不给团队增加审查负担，并严格遵守安全策略（如不泄露敏感数据）。其最佳实践包括：撰写极其具体的提示词并在必要时要求AI先行提问澄清需求、利用版本控制进行小批量提交以稳定开发过程、以及始终进行严格的代码自审。文章指出，AI工具能极大释放生产力，但开发者的测试、验证与问题解决能力依然是代码卓越性的根本保障，尤其对于初级开发者，需警惕过度依赖而忽略了调试难题中的必要磨砺。
Human Strategy In An AI-Accelerated Workflow
AI工具正深刻改变用户体验设计行业，但并未威胁设计师的核心价值，而是重构了其角色定位。生成式AI能快速产出布局方案、设计组件、用户画像和数据分析，极大提升设计执行阶段的效率与一致性，将设计师从重复性制作中解放。然而，UX设计的本质在于解决复杂的人类问题，这要求设计师具备AI无法替代的能力：基于真实生活经验的同理心、符合伦理的批判性判断，以及结合组织政治与文化语境的战略思维。 当前设计师的工作重心正从“像素操作”转向“意图引导”，从“方案生成”转向“决策筛选”。设计师需学习如何通过清晰提示词指导AI，并在海量生成结果中做出符合用户利益与商业目标的判断。未来设计师将更像电影导演，负责定义体验的最终意义与价值。随着执行门槛降低，设计师需承担更高的伦理责任，专注于心理健康、无障碍设计和人文关怀等无法自动化的核心领域。这种演变要求从业者主动拥抱AI工具，同时深化心理学、战略思维和沟通协调等“人类技能”，从而在技术加速的环境中重新定义设计专业性。
Identifying Necessary Transparency Moments In Agentic AI (Part 1)
自主型AI在处理复杂任务时存在一个设计困境：在任务执行期间，是向用户隐藏一切，还是倾泻所有日志？两者都非最优解。前者使用户感到无助，后者则因信息过载导致用户麻木，在故障时缺乏修复的上下文。 解决之道在于精准定位关键时刻。文章提出“决策节点审计”方法论，旨在与工程师协作，将AI后端的模糊“猜测”时刻（即基于概率而非确定性规则做出选择的节点）映射为清晰的用户界面更新。例如，一个处理保险理赔的AI，其步骤可具体化为“评估损伤照片”、“审阅警方报告”、“核实保单条款”，从而将焦虑等待转变为对有价值工作的感知。 然而，并非所有节点都需展示。通过“影响/风险矩阵”进行筛选，可以决定哪些决策应向用户透明。例如，直接影响理赔金额的“对比维修估价”应显示，而低技术性的后台冗余检查则隐藏。这种方法将透明度从样式选择转变为功能性需求，最终通过向用户清晰解释AI的推断过程（如“责任条款偏离标准模板，正在分析风险等级”），有效建立信任，并使等待时间具有意义。
The “Bug-Free” Workforce: How AI Efficiency Is Subtly Disrupting The Interactions That Build Strong Teams
AI工具正在改变团队协作模式，通过自动化处理如信息检索、设计初稿生成等任务，减少了成员间日常的“打扰”式交流。这种效率提升看似解放了人力，却可能无形中削弱了团队的基石：那些原本用于建立信任、激发创意和培养归属感的非正式互动。研究表明，MIT和Google的项目发现，团队的成功关键往往在于非正式沟通带来的能量和心理安全感，而非正式会议。哈佛商学院2025年的研究也指出，AI驱动的自动化短期内可能降低团队整体表现与协调能力，并削弱信任。 这些消失的“微小时刻”——快速提问、偶然的白板讨论——正是团队凝聚力和创新力的源泉。当员工因缺乏连接感而离职，或因弱关系减少而导致创新受阻时，企业将承担实质性的生产力与创新损失。因此，平衡AI应用与团队健康至关重要：应将AI用于消除重复性苦役，从而为团队释放更多时间进行高价值协作与创意交流；同时需主动设计促进人际互动的机制，如建立跨职能轮岗、公开分享AI协作成功案例，甚至利用AI生成幽默内容来增进团队联结。最终，领导者需以同等的智力与情商引入AI，使其成为增强团队而非割裂团队的工具。
Practical Interface Patterns For AI Transparency (Part 2)
该文章作为教程类内容的第二部分，聚焦于如何将AI系统的内部决策过程有效传达给用户。核心论点指出，AI的“思考”等待时间不同于传统数据加载，需要全新的界面沟通策略。文章首先提出了一种编写状态更新文案的公式：结合明确的行动词、具体操作项与遵循的限制规则，以替代模糊的“加载中”提示。其次，强调应根据任务风险等级调整AI的“语气”：低风险任务可采用友好对话风格，高风险操作则需提供精确、机械式的说明，并通过用户测试确保语气恰当。最后，文章介绍了三种具体的界面设计模式以承载这些透明信息：针对后台静默任务的“活体面包屑”状态指示器；用于高风险多步骤流程、能清晰展示进度与延迟位置的“动态检查列表”；以及满足深度透明需求、可展开查看原始日志的“思考切换”控件。这些模式共同将用户等待的焦虑转化为对系统运作的知情与信任。
用 AI 辅助读书
在闲暇时间重拾小说阅读后，作者发现利用AI能有效解决两大痛点：书籍推荐与语言障碍。推荐方面，通过Gemini模型列举喜爱的书籍或作者，能快速获取个性化书单，并主动探索陌生类型以拓宽阅读边界。针对英文新作中文译本匮乏的问题，作者尝试将传统逐句翻译与AI辅助结合：采用中英对照的机械直译保持信息完整，同时借助Gemini处理复杂句子的文化语境与背景知识，例如解释英文中皇帝自称“We”的特定用法。 这种混合方法显著提升了英文小说的可读性。虽初期阅读速度放缓，但通过适应中英文切换与上下文理解，作者逐渐在机械直译的“准确”与AI解释的“灵活”间找到平衡。以《互惠帝国》三部曲为例，随着对系列故事框架的熟悉，阅读节奏明显加快，印证了理解作品结构能降低后续阅读门槛。最终，AI不仅作为工具弥补了翻译资源的缺口，更通过上下文解析帮助读者跨越语言与文化隔阂，在保持原著韵味的同时，让沉浸式阅读体验得以延续。
Claude Code 从 AWS Bedrock 切换到 Team 订阅指南
当用户需要将Claude Code的认证方式从AWS Bedrock切换至Team订阅时，关键障碍在于Bedrock配置会完全禁用/login与/logout命令，且认证优先级更高，导致订阅认证无法生效。切换的核心是必须彻底清除所有Bedrock相关配置，无论其存储在环境变量还是~/.claude/settings.json文件的env字段中。 具体操作需分步进行：首先检查并识别配置来源，然后删除settings.json中或环境变量里所有如CLAUDE_CODE_USE_BEDROCK、AWS_REGION等专用键值。清理完成后重启Claude Code，此时方可通过浏览器授权登录Team订阅账户。成功切换后，启动界面应显示订阅计划名称而非AWS ARN标识。 需注意，代理设置可能需调整以兼容新端点，且Team计划的用量额度在网页端与客户端共享。本地CLAUDE.md等文件内容不受认证变更影响。理解其认证优先级机制有助于确保订阅凭证正确生效。
Agent Loop 简介
LLM本身无状态，每次调用仅完成一次文本补全，但Agent Loop通过外部循环机制使其能连续执行复杂任务。该循环的核心是while结构，包含模型推理、工具调用判断、工具执行和结果回灌context四个步骤，使模型在每轮更新后的上下文中自主决策下一步动作。关键设计决策涉及终止条件（如最大步数、循环检测）、context管理（采用摘要压缩避免长度爆炸）、工具选择（原生function calling或提示词约定）、错误处理（混合策略拦截与模型自纠正）及并行优化。以开源项目learn-claude-code为例，展示了从基础loop到加入TodoWrite、子agent和context compact的演化，凸显harness代码仅是辅助模型的脚手架。Agent Loop存在局限性，如上下文窗口膨胀、工具调用幻觉、死循环和目标漂移，需通过工程组合策略缓解。随着模型能力增强，Agent Loop的未来形态可能变化，但当前仍是实现自主agent的核心架构。
2026 年，我把自己做成了一个 AI
在生成式 AI 时代，作者主动将其分散于博客、社交媒体及 GitHub 等平台的大量公开内容结构化，构建了一个可对话的个人知识系统。他首先在“关于”页面，让六个不同大模型基于 11 万字的结构化数据（经 AI 预处理摘要）生成多视角的第三方作者画像，通过多模型对比提升可信度。随后，他构建了可直接在博客内交互的 AI 分身。该系统技术栈包括基于 Cloudflare Workers 的 Vinext 框架、Vercel AI SDK，通过 OpenAI 兼容接口接入多家模型，并自研了基于倒排索引与权重评分的 RAG 搜索核心。工作流程涵盖追问检测与意图判定以实现缓存复用、并行本地搜索与 AI 关键词提取、基于意图分类的重排，以及三层设计的系统提示词。为抑制大模型的幻觉，系统采用了严格的来源限制、数字与履历验证等协议，确保回答有据可依。作者通过 Telegram Bot 实现了全链路追踪与监控。他最终反思了 AI 分身与真实自我因公开内容筛选而产生的偏差，并展望了扩展数据源与降低 API 依赖的未来方向，强调主动将分散内容构建为可对话知识系统的重要性。
开启我的「人生 AI」计划
作者在将博客从 VitePress 迁移到 Vinext 框架的过程中，利用 AI 完成了两项个人内容整理实验：一是生成“AI 视角下的罗磊”页面，二是构建可对话的 AI 分身以回答关于“我是谁”的问题。通过将十多年分散的文章、动态、视频等公开内容输入 AI，作者首次感受到这些碎片被整合为更完整的自我画像，但也意识到 AI 捕捉到的主要是“愿意公开表达的那部分自己”。 基于此，作者提出继“人生马拉松”之后的长期计划——“人生 AI”。该计划旨在利用 AI 将既有创作沉淀为有结构、可迭代的数字分身，而非仅仅追求持续产出新内容。作者指出，当前分身存在准确性不足、人格相似却不完全契合等问题，并延伸探讨了隐私、边界与心理接受度等开放议题。他期望在未来数年持续优化分身数据，观察这一项目对个人创作与表达的长期影响，将其视为一次有意义的长期探索开端。
十倍性能优化！一次终端语法高亮库的 AI 折腾与收获
作者在Swift生态中为终端代码高亮需求开发了Chroma框架，并基于它构建了实验性工具ca。项目核心功能是接收代码与语言标识后，生成可直接打印的ANSI彩色字符串。文章重点分享了在AI辅助开发模式下进行深度性能优化的实践经验。通过AI驱动的迭代，传统需要复杂剖析与手动调整的性能调优过程变得更加高效，作者得以将优化推向更彻底的阶段。此外，文章还涉及在开发ca过程中对命令行工具设计模式以及终端主题生态的思考。整体展示了AI如何降低性能优化的实施门槛，并推动个人项目在细节完善与功能拓展上的快速演进。