铃阅
❌

普通视图

昨日接收 — 2026年11月16日 ⏭ 范冰的二次学习

这可能是最强的 Codex 开发者手册。

2026年11月11日 08:58

范冰的二次学习 2026-11-11 08:58 上海

现在网上关于 Codex、Agent、MCP 的教程越来越多。怎么学 AI ?怎么越学越乱?

但真正到了项目里,还是会遇到:

怎么拆需求?怎么让 AI 理解代码库?怎么设计 Agent 工作流?遇到报错怎么排查?

很多时候,我们迷茫的,是不知道怎么把它用进真实开发流程里。

这些坑我基本都踩过。上周刷到一个 Codex 开发者知识库,还是中文版的,边我边看、边跟做,觉得真值得跟各位分享一下。

免费领取入口👇

里面包含:

  • Codex 快速入门:从环境配置到第一个项目跑通

  • 问题排查大全:登录、权限、Context、MCP 等常见问题解决方案

  • 实战案例库:真实项目拆解,从需求、Prompt 到代码实现完整分析

  • 高级玩法:Agent、MCP、Context Engineering 等底层能力解析


01|先把任务规划清楚

用好 Codex,需要先把目标、上下文、功能边界和验收标准说清楚。

知识库从第一个完整功能开始,带你掌握一套可执行、可检查、可交付的任务规划方法。

Image


02|让调试过程真正可靠

能稳定、持续解决问题是关键。

知识库会带你走完“复现问题—定位根因—补回归测试—最小修复—检查 Diff”的完整链路。

让每次修复都有依据,也经得住验证。

Image


03|系统理解 Codex 的扩展能力

这份知识库,带你分清 AGENTS.md、Skills、MCP、Plugin 和 Apps 分别解决什么问题。

结合真实项目,教你搭建规则、沉淀工作流、连接外部工具,并把能力复用起来。

Image


04|进一步驾驭多 Agent 协作

面对更大的项目,一个 Agent 不够,但 Agent 越多反而手忙脚乱。

知识库讲清任务拆分、并行调查、权限边界、结论复现和统一验收。

让你的 Agent 们协作有边界,结果能交付。

Image


我看这份【Codex 开发者知识库】会持续更新。随着模型、工具、Agent 能力不断变化,内容也会持续补充。各位按需自取。

免费领取👇

跳转微信打开

把 AI 学习顺序理清了:20 个专题,4 条路线,一张学习地图

2026年11月5日 08:58

范冰的二次学习 2026-11-05 08:58 上海

20 个专题、4 条路线,帮你从学 AI 走到做出项目。

学 AI最让人头疼的,可能不是资料太少。

而是资料实在太多了。

今天收藏 1 套 Agent 教程,又想起昨天看到的 Embedding、MCP、Skills、Harness、Loop……

每个词好像都认识一点,但真要把它们连起来,又找不到清楚的顺序。

直接做项目,遇到报错又不知道该补哪部分基础。

想把 Agent 用进真实工作,最后还是停在聊天、复制代码、手动检查这几步。

所以,我整合出了这张学习地图——「AI 工程师知识库」

20 个知识库专题,4 类学习方向。

从理解 AI、开发你的应用,到搭建可靠的 Agent,最后,带你完成真实项目。

是一套可以按问题查找,也可以沿着主线学习的 AI 工程资料库。

Image

扫描下方二维码,领取 AI 工程师知识库

为什么值得学?

因为 AI 时代,真正让能力发生变化的,是打完一个闭环,并沉淀为你的 AI 工程能力。

这份知识库的理论部分帮助你判断技术路线;开发部分带你处理错误、数据和验收;工具教程则用真实项目练习规划、修改、测试和交付。

你读到的是一条从「理解模型」到「做出应用」,再到「让 Agent 可靠工作」的连续路径。

4 条路线,找找和你有关的内容

Image

想补齐基础?

👉 看「AI 理论基础」「大模型理论基础」和「大模型发展史」。

前两套从机器学习和神经网络,讲到 Token、Transformer、RAG、微调、多模态与 Agent。

「大模型发展史」则串起 ChatGPT、开放模型、推理模型、Vibe Coding、Coding Agent 和个人 Agent。

Image

想亲手做一个 AI 应用?

👉 看「大模型应用开发基础」「大模型应用工程」和「150 道 AI 面试题」。

「大模型应用开发基础」用 DeepSeek API 做个人笔记助手,从第一次调用,逐步做到结构化输出、错误重试、RAG、网页界面和数据保存。

「大模型应用工程」继续解决需求拆分、Git、上下文、测试、日志、权限、长任务与发布,让项目不只是能运行,还能验证和交付。

「150 道 AI 面试题」覆盖大模型、提示工程、RAG、Agent、部署、评测、安全和成本。既能准备面试,也能用来查漏补缺。

Image

想让 Agent 更可靠地工作?

👉 看「DeepSeek Harness」「Harness Engineering」「Loop Engineering」和「Jev」。

「DeepSeek Harness」从安装配置讲到 Skills、MCP、子智能体、长目标和自动化。

「Harness Engineering」研究怎样让 Agent 读懂仓库、启动项目、查看日志并验证结果。

「Loop Engineering」解决暂停恢复、重试、求助和停止条件。「Jev」则把分类、评分、不确定性和人工复核放进应用流程。

它们共同回答一个问题:模型已经会做很多事之后,怎样给它环境、边界和反馈,让它把事情做完?

Image

想真正用好 Coding Agent?

👉 从 8 套实战教程里,选择你正在使用的工具。

「Claude Code 实战入门」围绕 MealCraft,覆盖 CLAUDE.md、Skills、Hooks、MCP、Subagents 和自动化。

「Codex 极简入门」用 TaskFlow 串起 AGENTS.md、Skills、Plugins、MCP、Apps 与多 Agent 协作。

「Kimi Code 教程」从体重管理小助手出发,练习权限、上下文、多模态、目标模式和定时任务。

另外还有 MiniMax Code 的 habitlog、Qoder 的记账小管家、TraeCode 的家庭账本,以及 ZCode 的今日专注清单。CodeBuddy 则用接手仓库、补测试、修 Bug、重构和部署等七个场景,带你走完开发流程。

先选你正在使用的那一个,完整做完一个项目。

Image

怎么读?带着这 3 个问题

打开知识库时,可以带着三个问题。

  • 我现在遇到的,究竟是知识问题、工具问题,还是工程环境问题?

  • 这套方法成立,需要哪些条件,放到我的项目里是否适用?

  • 读完这一节,我今天可以完成哪个能够验证的小任务?

真正让能力发生变化的,是是否能打完一个闭环。这套知识库想做的,就是把原本散落的步骤接起来。

先找到眼下最相关的一套,做完一个小项目,解决一个真实问题。让零散的概念,慢慢变成你的工程能力。

扫描下方二维码,领取 AI 工程师知识库

跳转微信打开

日本 32 年畅销榜,给写作的 9 个启发

2026年11月4日 08:58

原创 增长黑客范冰 2026-11-04 08:58 上海

把东贩 1990–2021 年的非虚构书统计出来,畅销的不是「知识」,而是四样东西。

最近因为又出了新书,所以重新关注了下出版界,以及思考如今 AI 对著书立说能有什么帮助,小有心得。

这其中,我认为选题是至关重要的,需要击中社会大众的普遍情绪思潮。可以参考的就是「版本先行服」——日本,看看人家在「失落的三十年」上了畅销榜的书,都是些什么选题。

我将调研出来的部分结论分享一些出来——

一、这份数据是什么

日本没有统一的全国畅销书榜。行业惯例是两家批发商各自发布:东贩(トーハン)与日贩(日本出版販売)。东贩从 1990 年起,每年 12 月公布当年综合榜 Top 20,32 年没有断过,这是唯一一份能完整覆盖「失去的三十年」的公开数据。

口径必须先说清楚:

  • 统计期是上年 11 月下旬到当年 11 月下旬,不是自然年;

  • 综合榜不含文库本、全集,同一作品的上下卷合并计一个名次;

  • 只统计批发到书店的纸质书,不含电子书、自出版、便利店渠道。

所以它测的不是「谁最畅销」,而是「什么样的新书,能在书店渠道一年卖到前二十」。

原始数据共 640 条。剔除政治、小说、写真集、虚构文学、漫画后,剩下约 400 条非虚构。其中最大的类别,是如下四类。

二、最受欢迎的四种非虚构书类别

类别

可核实的最小计数

典型书

意义供给

62 席(9.7%)

大川隆法 36 席 / 29 年,池田大作 26 席 / 24 年

身体管理

31 席

《脑内革命》《卷卷瘦》《揉小腿》《体干重置》

关系与技能

约 40 席

沟通术 11 席、语言学习 15 席、商业理财 20 余席

孩子

30+ 席

《だるまさん》《おしりたんてい》《こども六法》

这个结构比任何单本畅销书都重要:日本读者在三十年里持续购买的,是「我怎么理解我的处境」「我怎么对付我的身体」「我怎么跟人相处」「我的孩子怎么办」,而不是「世界是什么样的」。

三、九条可以迁移的规律

1. 卖解释框架,不要卖信息

宗教书 62 席,靠的不是新知识,是一套能解释一切遭遇的框架,加一个身份归属。

时间点也对得上:1995 年阪神地震与地铁沙林事件,大川隆法三本书进前二十;2011 年地震,宗教书再次抬头;2020 年疫情,东贩榜首直接是创价学会刊物《The WORLD SEIKYO》,第二名是《钢铁的法》。

不确定越高,解释框架越值钱。这不是日本特有,是所有市场的共同点。

动作:每本书动笔前,先写一句话——「看完这本书,读者用哪个框架看世界」。写不出来,就还是在卖信息。

2. 健康书的公式:单点动作 + 时间承诺 + 身体部位 + 反主流叙事

《脑内革命》《1 分钟骨盆》《卷卷瘦》《揉小腿》《体干重置》《医者に殺されない47の心得》(不被医生杀死的 47 个心得),全部符合这个结构。

它们不写「健康的生活方式」,只写「揉小腿」「卷一条带子」「呼吸 30 秒」。动作越小,越容易被执行;越容易被执行,越容易被转述。

动作:书名要写成可执行承诺,不要写成主题。

3. 沟通术每 5–7 年换一次包装,母题不变

《伝える力》(2010、2011)→《伝え方が 9 割》(2013)→《人は話し方が 9 割》(2020、2021),中间还有《聞く力》《雑談力》《できる大人のモノの言い方大全》。

同一个母题,吃了十五年。换的不是内容,是这一代人的焦虑:从「怎么在职场表达」,到「怎么不被讨厌」,到「怎么在线上不尴尬」。

动作:成熟母题可以重做,五年一次。

4. 工具书必须绑定封闭系统,否则会被网络吃掉

攻略本在 1999、2003、2009 各占 5 席,1990 年代几乎年年有;2010 年代后只剩儿童向图鉴,成人 RPG 攻略本彻底消失。

原因不复杂:攻略绑定的是「游戏版本」这个封闭系统,版本一过就作废;而免费 Wiki 比书快得多。

动作:要么写不随工具变化的原则,要么做「年度版本」每年更新三成。千万别写「2026 年最新 100 个工具」。

5. 儿童书在 2014 年后从配角变主力

《だるまさん》系列、《おしりたんてい》、《ざんねんないきもの事典》、《うんこ漢字ドリル》、《こども六法》——2014–2021 年,每年稳定 2–5 席。

驱动力不是出生率,是教育支出向单个孩子集中、家长代付、以及系列化。一本卖动,后面九本都能卖。

动作:如果做教育书,应该做图鉴化、卡片化、系列化,而不是一本纯文字育儿书。孩子的书要能被翻烂,不是被读完。

6. 语言书卖的是羞耻感 + 自测

《读得出但读不对的汉字》2009 年第 2 位,《うんこ漢字ドリル》2017 年第 6 位,《问题日语》《日本人不知道的日语》连续多年在榜。

它们共同的设计是:让读者在书店站着翻三页,就当场发现自己错了。

动作:知识类书至少要设计三页「自测 / 错题 / 打分」。读者不是因为需要而买,是因为发现自己不会而买。

7. 名人书卖信任转移,形态极轻

松本人志《遗书》、树木希林《一切なりゆき》(一切随缘)、佐藤爱子《九十歳。何がめでたい》(九十岁,有什么可喜的)——都是语录、随笔、100 条,不是体系。

读者买的不是知识,是「我想听听这个人怎么说」。

动作:有个人 IP 的人,不该每本都写成 20 万字。两本重书之间插一本轻书,维持榜单存在感,也给重书争取时间。

8. 制度性刚需书不进榜,但长销

三十年里,唯一进过前二十的「办事手册」,是 2015 年第 16 位的《身近な人が亡くなった後の手続のすべて》。

这类书不靠爆发,靠年年更新、企业团购、图书馆采购。它是现金流产品,不是品牌产品。

动作:不要用榜单逻辑评估办事类选题。它们值得做,但别指望它上热搜。

9. 书名即品类,先造词再写书

《バカの壁》《国家の品格》《「超」整理法》《嫌われる勇気》《スマホ脳》《人新世の「資本論」》——都是先有一个可复述的词,才有书。

但造词只解决「被记住」,解决不了「被相信」。

动作:造词之后,先攒 10 个可核验的案例,再动笔。

四、三条不能照搬的东西

  1. 宗教组织的渠道

    创价学会、幸福的科学有百万级会员网络,书是组织内必需品。中国没有对应物,只能用私域社群、企业内训部分替代。

  2. 报刊连载

    日本畅销书大量由报纸、杂志连载起量,中国没有同等密度的连载渠道,替代物是 newsletter 与播客。

  3. 「教养」付费传统

    日本读者愿意为「品格」「教养」「国语力」付费,中国读者更愿意为「赚钱」「育儿」「考试」付费。同样的内容,中文书名要往结果靠。

五、数据来源


小广告:看完这篇你可能会问:有了 AI,书怎么真的写完、写好、还能出版?我的答案是一套自建的 AI 写作流水线,从选题、素材基建、合成起草到去 AI 味、出版三通道,把写书当成开发软件那样的工程。我用这套方法写完并出版的《前线部署工程师》,首印已经售罄加印。感兴趣的朋友,欢迎趁现在早鸟预购。

Image

https://zerodaybook.mikecrm.com/rEgDmgL

阅读原文

跳转微信打开

我又出了本书,现在有点后悔:劝人做 FDE,天打雷劈?(视频播客)

2026年11月3日 08:58

原创 增长黑客范冰 2026-11-03 08:58 上海

写了本教人做 FDE 的书,又录了期节目劝人别下场。五个坑、两笔账、一个问题,47 分钟讲完。

前段时间,我的新书《前线部署工程师》正式出版了。

按常理,接下来该顺势开家公司,做 FDE 的生意。毕竟这个词今年太热,「最火 AI 岗位」的说法满天飞。

我目前没这个打算。

不但没打算,我还专门录了一期 47 分钟的节目,把这行最容易踩的五个坑挨个拆了一遍,标题就叫《劝人做 FDE,天打雷劈?》。

播客内容纯享版:

那 FDE 是不是根本不该干?

我的答案没那么极端。这个岗位真正值钱的地方有两处。一是离问题(需求)最近:坐在客户会议室里,看他们填表、听他们抱怨,这个信息差很难被远程替代。二是承担后果:AI 可以给你十个方案,但它不会为选错负责,真正值钱的是那个敢说「就这条路,出事我担着」的人。

但我不推荐大多数人下场,原因也很现实。

一个是岗位定义正在被稀释。FDE 是填缝的,企业的组织有缝,你去填,缝填完了,这个职能就消亡了。

一个是账算不过来。投资人 Tunguz 算过一笔账:一个年薪二十万美元的 FDE,摊到每个部署上,年成本七万五千美元起,所以合同额要到十万美元以上,这个模式才成立。你把这个数字换成人民币,再看看中国中小企业一年能拿出多少钱——最需要 AI 转型的企业,恰恰买不起真正有效的实施方式。

最后一个最要紧:真正有能力做 FDE 的人,能独立判断业务,能自己搭系统,能搞定客户内部的人和事。这套能力放到任何一个地方都值钱,为什么要在别人的项目里,被甲方压价、被中层拖着、被半年才审一次的专家卡着?

那如果想参与,怎么参与?

如果你正在考虑下场,或者已经在场里想对照一下,这期 47 分钟的完整版在这儿:

通勤路上刚好听完。书在各大平台和微信读书也有,搜《前线部署工程师》就行。

跳转微信打开

解读 dsh-superagent:一个主动型 Coding Agent 的工程常识与后厨美学

2026年11月2日 20:34

原创 增长黑客范冰 2026-11-02 20:34 上海

我最近花了不少时间,通读了 DeepSeek 新开源的 dsh-superagent 的全部设计文档。如果用一句话来定位它,这是一个真正奔着「主动干活」去研发的 coding agent 原型系统。市

为了折腾自己的贾维斯,周末看了下 DeepSeek 新开源的 dsh-superagent 的设计。

如果用一句话来定位它,这是一个真正奔着「主动干活」去研发的 coding agent 原型系统,宗旨是「尽量少占人的注意力,尽量多产出价值」。

为了把这句话兑现成可运行的工程,它没有搞那些花哨的提示词魔法,而是把经典分布式系统和操作系统里被验证过几十年的架构手段,老老实实搬到了 agent 工程里。我归纳了其中 5 个最实用的设计,并用餐厅后厨的比喻来逐个解释下。


推荐的 5 个实用设计

设计 1:Router-Worker 前后台分离 + 活人感注意力纪律

许多 agent 一旦接了个大任务(比如重构一个模块),它的会话就被完全占死了。你发新消息它不理,想中途调整方向只能强行掐断进程。

dsh-superagent 把交互和干活彻底拆成两拨会话:一个 Router(主会话)专门负责跟人对接,常驻在前面,维持用户的全局记忆、偏好和对话上下文;背后则挂着多个 Worker(执行会话),按需启动,并行去跑具体的代码修改、测试或者文档排查。

这种结构带来了天然的 sessionless 体验:用户无论什么时候在群里说话,Router 永远在场,随时都能搭理你,绝不会因为系统正在改代码就假死。

更绝的是它配套的一套近乎苛刻的「注意力纪律」: 1. 绝对不在干活期间给用户发垃圾进度,只在「必须由人来拍板决断」或者「产出了可用阶段性成果」这两个节点开口; 2. 每次需要人介入,严格限制只能问一个结构化问题,把选项列清,绝不抛大而化之的开放式反问; 3. 过程保持极度安静; 4. 汇报绝对诚实,草稿就是草稿、必须打上未完成标记,失败了就老老实实报失败原因,绝不掩饰。

这就像一家体面餐厅里的「前厅领班」与「后厨厨师」。

Router 就是那位穿戴笔挺、站在台前的值班领班。他脑子里记着你的口味偏好、忌口清单和上次来坐的哪张桌子。后厨的厨师们(Worker)则只管埋头颠勺切菜,根本不用直接跟食客废话。食客要是中途想加杯水或者问句菜品,领班立刻就能笑着回应,绝不会出现服务员全部缩进厨房、大堂空无一人的尴尬场面。

更关键的是这位领班极有教养:厨师在里面切葱姜蒜、热油锅的时候,领班绝不会每隔二十秒跑来桌边跟你念叨「先生,我们现在开始切葱了」「我们刚把锅烧热了」。他只有在两种情况下才会走近餐桌:要么菜端上来了请你品尝;要么后厨发现最后一份海鲈鱼卖空了,拿着菜单问你一句结构化的问题:「后厨的鲈鱼售罄了,我们为您换成石斑鱼还是红鲷鱼?」


设计 2:事件驱动 + 按来源分 Thread 串行处理(agent 界的 epoll)

传统的 agent 要么是一个单向循环(经典的 ReAct,即模型思考一步、调用一次工具、再观察结果的循环),一旦这个循环跑起来,外部来了个 GitHub issue 或者一条即时通讯消息,它根本插不进去;要么就是简单粗暴地为每个新消息起一个新 agent,结果多个 agent 读着不同时间点的截断上下文,各做各的决策,提交代码时互相踩脚、疯狂打架。

dsh-superagent 的解法是:做一套事件驱动架构。

任何外部输入(新提交的代码、issue、群聊消息)进入系统时,都被封装成一个 Trigger(不可变事件,指已经发生、不可篡改的事实记录)。系统会根据数据源把这些事件织进不同的 Thread(处理线程)里。

核心规则非常严密:同一个 Thread 在同一时刻只允许跑一个 Eval(评估任务);如果当前 Eval 正在执行,新来的事件绝不丢弃,也不强行中断当前任务,而是暂存在队列中,等当前评估结束后合并进下一批批量处理;而不同 Thread 之间完全并行。

这就巧妙达成了「并行度」与「一致性」的平衡。更妙的是,在这些事件被送进昂贵的 LLM(大语言模型)之前,会先经过一层轻量规则与小型模型的粗筛,把闲聊、机器自动生成的通知和无意义噪声直接过滤掉,不让核心流程为垃圾输入买单。

你可以把这看作后厨挂点菜单的流水铁夹。

每张餐桌都对应厨房墙上的一叠点菜单。同桌客人追加的菜品,新单子一律老老实实夹在这一桌单子的最末尾,厨师做完手里这一道,伸手揭下一张接着做,一张餐桌上的菜严格按照先来后到出餐,绝不会出现两位厨师同时抢做同一张桌子的菜、结果端出两盘一模一样的酸辣土豆丝。

与此同时,1 号桌和 2 号桌是两条完全独立的单子,两位厨师可以在两个灶头上同时起锅、各做各的。而在服务员把点菜单送进厨房之前,还有个传菜小哥负责把关:客人写错了的废单、小孩子画在纸巾上的涂鸦,在前厅直接就被扔进垃圾桶,根本进不了后厨的视线。


设计 3:异步 ReAct Loop(5 秒规则 + 唤醒机制 + Watchdog)

让大模型写代码,最怕它敲下一行编译或者跑全套单元测试的 shell 命令,然后整个会话就傻傻地卡在那儿干等。

dsh-superagent 定了一条硬性指标:前台 shell 命令只要执行超过 5 秒,系统立刻自动将它沉淀为后台任务。命令转入后台后,Worker 马上恢复自由身,在下一步循环里就能继续接收新消息、阅读其他代码或者规划下一步。后台任务或者子任务一旦跑完,会通过一套唤醒机制把对应的 Worker 唤醒,告诉它输出拿到了,接着往下推导。

为了防止程序死循环或者跑飞,所有后台任务挂着 30 分钟的硬性超时上限,时间一到直接杀掉,并在报告里如实写明「因超时终止」。

在这个体系里,还有一个不可或缺的兜底角色:Watchdog = 旁边盯着火候的监工(模型限流、agent 卡死、任务超时由它收拾)。

大模型 API 遇到 429 限流、网络抖动、速率限制甚至 Worker 崩溃是家常便饭。普通 agent 碰上这些报错直接就崩了,人如果正巧在睡觉,整个晚上就白白浪费;而 Watchdog 就像操作系统里的守护进程,捕捉这些故障后负责退避重试、拉起重启或者妥善兜底。

这就像在后厨里,炉灶的火力是有限的。

大厨把食材下锅,如果是一道猛火爆炒的小炒肉,5 秒内就能见分晓,大厨就在灶前直接出锅;但如果大厨下了整只老母鸡,需要慢火熬高汤,他绝不会站在锅前傻等两个小时。这道菜在 5 秒内就会被直接挪到旁边的文火小炉子上,定上一个响铃计时器,大厨转身去砧板前切别的凉菜。

等到炖汤的时间一到,计时器「叮」地一响,大厨再被叫回小炉子前开盖收汁。要是慢炖时间超过了半小时还没动静,厨房规矩是直接关火倒掉,绝不占着地方。厨房里还有一个专门背着手巡视的看灶师傅(Watchdog):他不管今天做淮扬菜还是川菜,就专盯着煤气阀门和火苗。高汤溢锅浇灭了火苗、或者天然气管网突然水压不稳,大厨不用操心,看灶师傅第一时间上去关阀、重新点火、调稳火候,让整个后厨不至于因为一口锅扑了而彻底瘫痪。


设计 4:版本化 Policy + Mandate 授权单 + 影子模式

给 agent 赋予自主权是一件极度危险的事。稍不留神,它可能顺手把生产数据库给删了,或者在公开仓库里提了一堆荒谬的 PR。很多系统试图在提示词里用自然语言叮嘱「请小心谨慎」,但在大模型面前,这种叮嘱就像耳边风。

dsh-superagent 拿出了一套工程化极其严肃的三道防线: 

第一道是版本化的 Policy(策略规则库),系统接单的准入条件是用机器可读的配置写死的,每一版都有独立版本号,不能模棱两可; 

第二道是 Mandate = 授权单(写明这单活能做什么、依据哪版规矩,事后可查)。一旦评估通过接下这单活,系统会签发一张完全不可变的授权单,上面清清楚楚地印着执行范围、权限强度以及依据的是哪一版 Policy,整个干活链路全凭这张授权单行事,事后随时可以审计和追责; 

第三道是设计文档里规划的 record-only 影子模式:对于团队心里还没底的主动行为,系统先运行在影子模式下。按照设计蓝图,这时候 agent 只被允许记录「如果让我做,我本来打算执行这三行命令、修改这个文件」,但实际上完全不执行。经过数天甚至数周的日志审查,确认它的判断稳定靠谱之后,才把开关推上去真正放权。

它的底线原则非常克制:永远先窄后宽,从最短的权限白名单起步。

这就像后厨对待一个刚入职的试用期厨师。

店里有一本明明白白的员工守则,印着第 3 版店规(Policy)。新厨师每天打卡上班,领班会根据他今天的工种给他脖子上挂一张授权牌(Mandate):上面盖着钢印,写得清清楚楚:今天你只能碰 3 号切菜墩、只能加工胡萝卜和土豆、绝对不准碰放着鲍鱼干贝的名贵食材柜。万一今天菜品出了问题,翻出挂牌就能查清是谁批的条子、依据的哪条规矩。

对于店里打算推的新菜品,主厨会让他先上「影子班」:他在案板旁边拿着笔和纸观摩,心里琢磨每一步该怎么放盐、怎么颠勺,但他只准在纸上把做菜步骤写下来,绝对不准碰锅铲。晚上下班后,主厨翻开他的笔记本,一页页核验他的配比。连看一个礼拜,发现这个新人体会极为到位、从来不出格,这才准许他第一次真正开火炒菜。


设计 5:Stored Work 先记账后动手 + 全链路恢复

做分布式系统的人都知道,世界上最脆弱的事情就是把状态存在内存里。网络随时可能中断,服务器随时可能重启,LLM 的 API 随时可能返回一段格式错误的坏数据。

dsh-superagent 的核心设计叫 Stored work = 先记账后动手(动作先写进数据库再执行)。系统产生的每一个关键动作——不论是给 Worker 派活、投递一条通知,还是回复人类一句话——必须先在持久化数据库里落库记账,然后才执行实际的网络调用。

比如它的 Outbox(发件箱)机制,所有发往外部的消息先排队落盘,由独立机制保证严格按照对话序列发出,失败了自带指数退避重试,绝不会因为网络抽风导致同一条消息发了三遍,也不会把消息弄丢。

更震撼的是它的异常恢复能力:哪怕机器在半夜被强行重启,未完成的派工在重启拉起后,会随身带上一张「恢复便签」。便签用大白话提醒苏醒过来的 Worker:「你刚经历了一次系统重启,不要盲目从头再来一遍。请先去检查工作目录、查看本地 Git 提交历史,确认哪些步骤其实已经做完了,再决定要不要重复调用外部动作。」不仅如此,连一条消息究竟「读没读过」,系统都坚持在调用 LLM 之前完成状态落库。绝不重复发一条消息,也绝不丢一条状态。

这就是后厨出菜口那本厚重泛黄的「传菜记录本」。

厨师炒好一盘红烧肉,绝不是端起来就往大堂跑。他必须先走到出菜台,用笔在记录本上工工整整写下一行:「18:05,3 号桌红烧肉已出锅,传菜生小李接盘」,写完盖上章,传菜生才能把盘子端走。要是小李在路上脚底打滑把菜打翻了,没人需要靠脑子去回忆刚才发生了什么,前台翻开账本,按退避流程重新安排补做。

更绝的是应对突发状况:要是后厨突然遭遇全楼跳闸断电,半小时后来电,整个厨房不至于陷入无头苍蝇般的混乱。领班从出菜台拿起那本账本,打着手电筒核对:哪道菜已经送达客人桌上、哪道菜客人已经动了筷子、哪道菜其实刚下锅还没盛盘,账目一清二楚。厨师绝不会因为断了次电,迷迷糊糊又给 3 号桌重新炒一盘他们早已吃得干干净净的红烧肉。


回头看我自己搭的个人系统:五处刺痛与启发

读完 dsh-superagent 的这份设计文档,我顺手打开了我自己捣鼓了快两年的个人自动化工程。

坦白讲,在没有仔细推敲专业 agent 架构之前,我一直觉得自己的系统跑得挺溜。但一旦拿着它这 5 个设计当镜子照过来,我系统里那些掩盖在「能跑就行」之下的工程硬伤,几乎无处遁形。

1. 闹钟驱动 vs 事件驱动:统一分拣层的缺失

我的系统本质上是一个「闹钟驱动的 Loop 工程」。它完全依赖一批定时任务轮流在固定时间醒来干活:早上八点醒来抓一次待办,中午醒来扫一遍未读邮件,晚上醒来整理今日笔记。

这种模式最大的毛病在于缺乏弹性:很多时候明明几个小时内什么都没发生,定时任务还在傻傻地空转轮询;而一旦外部突发了好几个任务,它们又挤在同一个时间点扎堆触发,抢占资源。更要命的是,我为每个入口都手写了一套定制的触发逻辑:抓邮件写一套,看即时消息写一套,接收外部链接又写一套,逻辑分散凌乱。

dsh 给我的直接启发是:我需要拆掉那些各自为政的定时闹钟,把所有外部入口归拢成一个真正的排队分拣层。 无论是收到一条微信长文链接,还是邮箱进了一封新邮件,它们都应该作为标准的数据源事件,先落进同一个队列,按来源拆进不同的线程里串行评估。空闲时完全休眠,事件来时有序分拣,而不是天天靠闹钟催醒。

2. 体检报告 vs 看灶监工:从被动报警到主动自救

在稳定性方面,我原本颇为自得于自己写的一套「每日体检」机制。这套机制能够定期巡检:某个该跑的数据同步进程挂了没有、依赖的底层容器是不是还活着。

但我忽视了一个根本性的差异:我有「体检」,却没有「监工」。 我的巡检程序就算发现「该跑的进程死掉了」,它能做的全部事情,也只是往我的手机上推一条刺眼的报警通知:「注意,同步进程已于两小时前异常退出」。如果这条通知发出来时我正在睡梦中,或者正在外面开会,这条报警就没有任何意义,整个系统依然处于瘫痪状态。

dsh 那个 Watchdog 的设计提醒了我。真正的工程系统不需要一个只会朝主人哭喊的巡检员,而是需要一个能在旁边盯着火候、具备兜底能力的现场监工。模型限流了,监工应该自己去计算指数退避,等两分钟重试;子任务假死了,监工应该果断把超时进程掐断,清理掉临时文件并记录原因。人在睡觉时,系统必须学会在边界内自救,而不是把每一个小感冒都变成主人的半夜惊魂。

3. 散文式人读文档 vs 机器可读授权:影子模式的救赎

翻看我自己系统的规则配置,我忍不住苦笑。我写了洋洋洒洒好几千字的规约文档,里面充斥着诸如「遇到重要文件修改时务必谨慎」「不要频繁向外部接口提交请求」「整理笔记时保持原有格式」这类充满主观色彩的散文段落。

我一直幻想大语言模型在执行时能体会我的苦心。但现实是,散文式的规矩只能寄希望于模型的自觉性,稍微换个大版本模型,它就经常「会错意」或者干脆放飞自我。

dsh 的 Policy 与 Mandate 机制告诉我:规矩绝不能写成给人类读者陶冶情操的散文,而必须收敛成机器可读、可精确校验的配置清单。 某一个自动化任务动手前,到底能不能写磁盘、能不能访问外网、每次最多修改几个文件,必须由程序根据版本化策略签发不可篡改的凭证,动手前先验票。

更重要的是它的影子模式,这正是我之前极度欠缺的过渡手段。以前我写了个新的自动化想法,要么不敢放开让它跑,要么一放开就直接捅娄子。我完全可以给新任务加上一个为期一周的影子模式:让它每天如常触发,但只准把「我本打算删除哪几条数据、把哪篇笔记归档」写进观察日志。我看了一周觉得可以了,再正式推到生产环境。

4. 崩溃整轮重来 vs 先记账后动手的断点续跑

我的个人系统里为了防止任务重复执行,大量使用了简单的「标记文件」或者布尔值标志位。任务开始时建个临时标记,结束时删掉。

这种土办法最怕中途断电或者网络抖动。一旦一个耗时十几分钟的多步骤任务在第十四分钟因为网络闪退挂掉,那个标记位通常还残留在磁盘上。下次定时任务醒来,看到标记文件以为还在跑,直接跳过;或者我手动把标记删掉,整个任务又必须从第一分钟的第一步从头再洗一遍,导致前半截已经执行完的操作被重复执行,甚至在外部系统里产生两份重复的记录。

dsh-superagent 的 Stored Work 才是正规军的打法:不要迷信内存和易失性标志位,动手之前先写账本。 每一个步骤、每一条待投递的消息,先落到轻量数据库里,附带明确的状态机。哪怕机器中途重启,新进程读着数据库里的账本,带着恢复便签,就能清楚地知道第 1 到第 4 步已经做完且在本地留下了文件,直接从第 5 步接着往下推。这种断点续跑的底气,正是来自于「动作未动,账本先行」。

5. 各自开火的通知轰炸 vs 统一出海口的领班过滤

最后一点,也是我日常被骚扰得最痛苦的一点:我的个人系统缺乏一个统一的「注意力出口」。

我的知识库同步任务写完了会给我发条推送,代码抓取任务报错了会给我发封邮件,定时整理系统跑完了又在聊天工具里敲我一下。每个子系统都以为自己的事情最紧急,每天手机屏幕上密密麻麻全是系统自己跟自己聊天的流水账。久而久之,我干脆把所有通知都设成了免打扰——这直接导致真正重要的系统故障报警,也被我一并忽略了。

dsh-superagent 的注意力纪律是一剂清醒剂:所有对外输出的消息,必须经由前台领班这一层统一收敛和把关。干活过程中的一切碎碎念,全部按在日志里;日常自动化运行得顺风顺水时,根本不需要向我表忠心。只有当系统确实产出了立即可用的阶段性成果,或者碰到了预设规则之外、必须由人类亲自做抉择的分水岭时,才允许敲开我的大门,并且一次只准给出一个结构清晰、选项分明的单选单。


结语

拆解完 dsh-superagent 的整套设计,你会发现一件很有趣的事:无论是前后台分离、事件驱动、异步非阻塞任务,还是发件箱模式、版本化授权单以及守护进程,这里面没有任何一个技术点属于前无古人的「新理论」。它们几乎全都是计算机工程过去几十年里,在操作系统、网络通信和分布式架构中被反复咀嚼过的常识。

但在 agent 这个被狂热情绪裹挟、充斥着各种华丽名词与概念包装的新领域里,能把这些质朴的工程常识不打折扣地一次性做全、做扎实,本身就是极罕见的事情。

这份原型的真正价值,不在于它讲了多么玄妙的智能故事,而在于有人真的耐下性子,用最冷峻严密的工程骨架,把一个原本晃晃悠悠的实验品,焊成了一台规整运转的机器。

最难得的是,他们把这张设计蓝图开源了出来(仓库名 dsh-superagent-prototype),清清楚楚摆在所有人面前——当然也要说句公道话:开源的是研究用原型,与内部版本有差异,其中一部分设计(比如影子模式)还停留在蓝图阶段。但这丝毫不减这份文档的参考价值,恰恰相反,能把「哪些是已被验证的常识、哪些是下一步的方向」坦荡写出来,本身就是工程诚实的体现。


小广告:我打算做一个《AI 写作工程学》的课程。课程浓缩了我用 AI 产线写完并出版《前线部署工程师》(首印售罄加印)的整套真实流水线:选题、素材基建、合成起草、去 AI 味、出版三通道,8 个模块配 8 件可直接抄走的实操模板。感兴趣的朋友,可以早鸟预购。

https://zerodaybook.mikecrm.com/rEgDmgL

阅读原文

跳转微信打开

2026 年 AI 做 PPT,现在发展到哪一步了?(兼推荐好用 Skill)

2026年10月28日 20:12

原创 XDash 2026-10-28 20:12 上海

我让它继续调研,尤其是去 Grok 上看看网友的测评体验。它收集了一圈,自称推荐了个最好的 skill。

1/

这两周为了宣传我新写的《前线开发工程师(FDE)》一书,在准备下周刘润直播间的直播分享内容。

据说到时候形式是我跟主持人在腾讯会议连线,投屏讲 PPT,再推流出去。

于是本周我开始肝 PPT。

其实去年上半年我就开始尝试用 AI 做 PPT 来出课程了(参见 fde4.ai、https://diy-jarvis.com)。

试过通用 Agent 比如 Manus、Genspark,也有专门做 PPT 的垂直 PPT。当时只能说,体感极差。

  • 有些看似演示图效果好(有平滑的卡片、现代感的配色和丰富的排版层级),但实际做出来完全不是那么回事,需要大量调教,自己想办法写 prompt / 找 skill;

  • 有些在浏览器里表现良好,但只要尝试导出为 PPTX 格式,或者导入到其他常用演示软件中,往往就会遇到各种排版问题:字号比例失调,段落换行错位;

  • 有些即便浏览器里和本地原生文件的视觉效果接近,但只要想编辑一下,就会发现本地软件里变成了难以拆解的组合对象,或者整页/整个模块被渲染成不可修改的图片。

总之最后我选择了折中方案:让 AI 帮我出简洁美观的初稿作为参考,然后我在本地开个 PowerPoint 对着它手搓、优化、加入个人印记。

不过这次刘润直播间分享的时间紧任务重,我决定花点时间调研下,看看 2026 年了,AI 做 PPT 现在发展到哪一步了。

这任务交给了我自研的 Agent。

2/

在素材准备阶段,我的自研 Agent(家庭贾维斯)首先承担了材料梳理的工作。

我给贾维斯设定了四条规则:

  • 第一,必须先研读我提供的真实素材,整理出逐页对应的提纲,不能脱离材料补充空泛套话;

  • 第二,必须使用同一批核心业务内容制作多款真实 demo 进行风格对比,不能用无关的通用模版做演示;

  • 第三,选定风格后,必须先制作包含代表性版式的标准样页,待我确认样页之后,再展开全量页面的制作;

  • 第四,最终交付的文件,必须能够在本地演示软件中正常编辑,不接受将页面转成整张图片的交付方案。

在此基础上,它整理出了一份 30 页的逐页提纲。

提纲确定之后,任务进入到了视觉风格的探索阶段。

3/

在最初的视觉探索中,Agent 经历了一次路径纠偏。

一开始,Agent 调用了系统内置的旧版 ppt 技能,根据已确认的提纲生成了三种基于 HTML 预览的视觉方案。

但在准备进一步制作全量页面时,我向 Agent 确认了一个关键问题:这个方案导出的 PPTX 文件,所有元素是否正常可编辑,支持我后续人工介入、手动编辑精调?

面对这个要求,Agent 诚实地说明了局限:当前的 HTML 渲染路径虽然在浏览器中的呈现效果良好,但在转换为本地演示文档时,难以确保每个文字块与背景图形都能转换为独立的本地对象。

随后,Agent 开始尝试研究现有的 HTML 转换路径,试图通过转换规则来解决问题。

但没有更好的方案。我果断叫停。

不能再走老路了,磨刀不误砍柴工。

4/

我让它继续调研,尤其是去 Grok 上看看网友的测评体验。它收集了一圈,自称推荐了个最好的叫 PPT Master 的 skill。

切换到底层支持原生格式的 PPT Master 之后,排版不再依赖早先 HTML 模版的预设样式。

Agent 挑选了整场分享中具备代表性的 6 个典型版式,制作了一批标准样稿:

  • 演示封面

  • 120 分钟内容总览导览

  • 章节大标题转场页

  • 典型商业内容页

  • 核心金句页

  • 总结结尾页

这 6 页样稿覆盖了后续制作涉及的主要排版,包括标题与正文的字号比例、深炭底色与橙色高亮的搭配规则、信息卡片的内边距以及多列布局的网格间距。

一些中间产物截图如下(非最终稿,我后来大幅做了调整):

待我确认了这 6 页样稿的排版规则后,Agent 才被允许调度底层引擎,按照既定规则展开后续 24 页内容的批量制作。

完成后,Agent 自动打开了本机的 Keynote,对可编辑性进行了确认。

我自己也接管过来,亲自点点戳戳,看各个元素是否会出现意外移位、字体丢失等。看来没啥问题。

5/

这是个什么技术原理呢?我好奇就研究了下。

以往许多网页端工具导出的演示文档之所以难以在本地软件中编辑,主要原因在于排版模型的差异。

前端开发常用的 HTML/CSS 属于流式布局,元素尺寸通常依靠内容自适应撑开;而本地演示软件(如 PowerPoint 或 Keynote)的底层是基于绝对坐标系统的二维矢量画布,文本框和图形都具有固定的坐标与宽高。将流式结构强行转换为绝对坐标结构时,文字渲染差异容易导致折行计算错误,进而产生重叠。为了维持视觉外观,部分方案便退化为将内容切片为图片。

PPT Master 采用的处理路径不同:它要求生成的中间代码是受严格规范约束的 SVG。

SVG 与 Office 原生的 DrawingML 在排版逻辑的世界观上更为接近,两者都是基于绝对坐标系统的二维矢量描述方式。SVG 作为标准的文本标记语言,便于模型编写,利于在浏览器中快速预览,也能通过 DOM 解析进行规则检查。

在 SVG 生成完毕后,引擎通过转换逻辑,将 SVG 中的 <text> 文本节点、<rect> 矩形节点和 <path> 路径,对应映射到 DrawingML 的原生文本框与几何形状中,而不是作为整幅图像嵌入。这一机制最终使得生成的文档在本地打开时,保持了 398 个独立可编辑文本框的基础结构。

该底层渲染引擎已开源,感谢原作者 hugohe3 的工作,相关代码可参考 GitHub 仓库:

https://github.com/hugohe3/ppt-master

6/

这次之所以能生成原生可编辑的 PPTX 文件,底层的渲染支持来自开发者 hugohe3 开源的 PPT Master 引擎。该引擎通过代码逻辑处理了从结构定义到原生图形的转换问题。这是开源社区已有的技术方案,并不是我的劳动自研成果。

而我的自研 Agent 的实际价值,体现在将零散的工具与个人知识库连接起来,组织成一条分工明确的执行链路。

在整个制作流程中,自研 Agent 串联了以下协作分工:

  • 接入我的 Obsidian 知识库,研读逐字稿与参考材料,整理出结构化的 30 页提纲,处理了原始素材的版本差异;

  • 由 huashu-design 这个视觉设计的 skill(推荐,最近出了新版)在初期进行视觉探索与多风格推演;

  • 调度 PPT Master 引擎完成代码处理与文档生成;

  • 在文档生成后,执行文字回读比对、对象层级检测以及内容层面的事实审计;

  • 最后,将生成的 PPTX、SVG 源文件、逐页预览图、联系表缩略图,以及配套的 outline.md 和 product-facts.md 整理归档,输出到 Obsidian 的指定目录下。

它承担的是流程编排、规则把控与材料调度的角色,协助理顺了从知识库材料到最终文件的交付路径。

7/

所以,回到标题:AI 做 PPT,现在走到哪一步了?

我这次跑通的是一套以概念阐述、商业推演、架构模型和高反差文字为主的 120 分钟知识分享型幻灯片。

以它为例观测,AI 确已经能够交付一份可以在本地软件中继续编辑的完整初稿。

但它依然需要使用者提供清晰、结构完整的输入材料;在排版方向的判断上,依然依赖人来做出审美与场景决策;初版生成中也依然可能出现长标题溢出等边界问题,需要通过流程中的校验机制来拦截修正。

如果你平时也有制作 PPT 的需求,希望尝试类似的 Agent 辅助方式,可以参考以下 5 点建议:

  1. 先拿真实材料测试:尽量使用手头正在推进的具体工作材料进行尝试,而不是只看通用的示例模版,这样能更准确地检验工具在实际语境下的处理表现。
  2. 提前确认输出格式:在投入大量时间调整之前,先确认导出的文件在本地软件中是否为原生对象,文字与色块能否自由选中并继续修改。
  3. 基于同等内容对比风格,确认样稿后再全量推进:选取包含典型结构的单页或双页材料,对比不同视觉风格;风格确定后,先锁定几页代表性版式,确认符合要求后再铺开制作其余页面。
  4. 在日常使用的本地软件中实际检验:导出后直接打开文档进行编辑操作,检验文字增删时版面结构的稳定性。
  5. 分层验收:将文字信息、视觉版式和数据事实分开检查,避免只关注整体缩略图而忽略局部细节中的事实偏差。

---

欢迎关注 & 购买我的新书——《前线部署工程师(FDE)》。

跳转微信打开

Claude Code 知识库中文版,来了

2026年10月27日 08:58

范冰的二次学习 2026-10-27 08:58 上海

后台订阅者的问题里,"Claude Code 怎么用"算稳前三了。回复完一个,又想起还有很多框架、细节想分享。

这东西属于“没人带的话,你很难想到它还能这么用”。今天干脆写一篇,统一给个答案。

先说值不值得学

值得。Claude Code 在 agent 里面属于第一梯队的。

它干的活——改 bug、搭项目是本职,批量处理文件、清洗数据、写自动化脚本、读一大堆文档帮你理重点,它也做得很稳。

所以不是只有程序员能用。运营拿它批量处理表格,财务拿它做对账,凡是你在电脑上反复做的操作,都可以先让它接掉一部分试试。

大部分人没让它真正干活

Claude Code 能做的事很多,完成度也高。但很多人只拿它计划个 Demo 就停了,完全没发挥出实力。

这也跟它的门槛有关。。它是命令行工具,不是开箱即用那种,没人带的话,你很难想到它还能这么用。

我观察下来,会用和不会用的差别,不在提示词写得漂不漂亮。会用的人知道三件事:

  • 先让它读,再让它出方案,你点头它才动手

  • 改完了要验证,而且是自己能看到的证据,不是它一句"完成了"

  • 验证失败了,知道怎么收尾,怎么退回来

这些步骤本身不复杂,但只看截图很难学会,最好有人带着走一遍。

所以每次有人问我,我都想说:这东西,真不如找一套系统的教程跟着学一遍。

最近看到的一套:Claude Code 知识库

扫码领取|免费学习

Image

我认真翻看了多遍,讲法很实在。不教你背命令,而是带着你完整做一次项目。

从安装、验证环境开始,先把工具跑起来。然后跟着一个叫 MealCraft 的小项目,从零做到能用。全程命令行,主线 18 篇,约 12~16 小时。

Image

这套教程也在反复讲一件事:Claude 说"完成了",不等于真的完成了。

比如:

  • 为什么不能让它上来就改文件,让它先调查、给方案,你确认了再动手

  • 它说测试通过了,怎么自己再核实一遍

  • 改完之后怎么收尾:看它到底动了哪些文件、有没有夹带无关改动,再让它说清楚改了什么、为什么改、怎么验证的

  • 出了问题怎么退回去,以及为什么这件事不能只靠它自带的撤销,还得有 Git 兜底

学完这些,哪怕是小白,也能自己做出一个能用的小应用,而且心里有底。

管好它,才敢放手

Claude Code 用久了,会碰到另一批问题:

  • 它碰到不该碰的东西怎么办,比如密钥、原始数据

  • 项目里的规矩总要反复提醒它

  • 复杂一点的任务,不知道怎么拆给它

教程后半部分讲的就是这些:

  • 怎么划好权限边界,让它只在你允许的范围里干活

  • 怎么把项目规范写进 CLAUDE.md,让它每次都记得

  • 怎么把一次有效的操作,变成以后能重复用的流程(Skills、Hooks)

  • 怎么接外部工具(MCP)、怎么让多个助手分头干活(Subagents)

  • 怎么让它不开对话窗口,自动跑起来(claude -p)

里面还有几个容易踩的坑,专门拆开讲。比如有些参数名字看着像"安全模式",其实只是跳过确认,并不是限制它能做什么。这类东西,自己摸索很容易踩进去。

另外还有 3 个独立的实战练习,不依赖主项目,用来检验你是不是真学会了,而不是只会跟着抄。

适合谁

这是入门教程,我不吹它。学完你不会马上能搭什么企业级系统,它也不承诺这个。它能帮你的,是把使用 Claude Code 的习惯养对,让你放心把活交给它,然后自己能验收。

  • 如果你已经能用 Claude Code 独立交付完整任务了,这套对你偏浅

  • 如果你装过但没真正用起来,或者一直想用却不知道怎么开始,它就是给你准备的

学习资料

  • 18 篇主线教程,从安装到完整交付

  • 7 份附录,遇到问题可以随手查

  • 3 个迁移实战,换个项目再练一遍

  • 全程命令行,每个报错都能对上

用熟 Claude Code 以后,很多重复工作的处理方式,会跟现在明显不一样。想入门的,跟着走一遍,比自己摸索快不少。

扫码领取|免费学习

Image

跳转微信打开

《前线部署工程师(FDE)》正式上市:AI Agent 写作在出版行业落地的一场实践

2026年10月26日 08:35

原创 范冰 2026-10-26 08:35 上海

说个事儿,鄙人的新书《前线部署工程师(FDE):人工智能时代的客户价值交付》已经在各大商场上线了。

各位亲友粉丝,说个事儿,鄙人的新书《前线部署工程师(FDE):人工智能时代的客户价值交付》纸质版,已经在各大商场上线了。

你可以在京东、当当、淘宝天猫等渠道获得。

上市之初首印就卖光了,已经加印,也在紧急准备十一月初给刘润老师直播间的备货(没错我会去直播间做个分享,欢迎关注+蹲守)。

讲下这本书的背景。

起初,我只是出于兴趣和工作需要,开始研究 FDE 这个概念。攒下大量笔记、形成本地知识库之后,我想:AI 技术进化迅猛,市面上的信息也在快速更迭,与其藏着掖着,不如共享出来,形成更体系化的书籍形态,给更多同行自行取用。如果这能帮助 AI 在中国更好更快地落地,促进国计民生,也算是功德一件。

不同于过往,这一次,我尝试让 AI Agent 帮我快速创作。整本书完全是在 Claude Code 中诞生的:我用 AI 设计章节结构,导入知识素材,规定篇目侧重,限制语言风格。我只负责监督审核结果,反复提出修改。

这本书的成品,一开始是以开源项目的形式,在 GitHub 免费上线。

出乎我意料的是,这个项目迅速在 X 等平台引爆,随后电子版在国内各个 FDE 社群疯传。我体会到了源自真实需求的强烈推背感,于是更加勤快地更新这个项目,并为它配上了官网:https://fde4.ai

当时之所以没有首先考虑出纸质书,是因为我的印象中,传统的纸质书出版流程动辄半年打底(我之前的《增长黑客》前后耗时一年),完全追不上 AI 的脚步。用纸质书去介绍 AI 领域的最新变化,无异于「以有涯随无涯」。

但因为比较火,这个项目很快引发了出版社的兴趣。经过多轮沟通和审慎评估,我决定将它签约到人民邮电出版社,交托给编辑刘雅思老师。

核心原因是:刘老师在本书的出版过程中,不仅体现了专业的编辑素养,更能善用最新的 AI 工具,极大推动了出版流程的加速。本书的插图、封面、改稿流程,都大量使用了 AI 辅助——从开始对接到定稿、申领书号,全程不到一个月。这绝对是出版行业值得参考的流程标杆,也是 AI 在出版行业落地的成功案例。

可以说,开源精神和 AI Native 的思考方式,贯穿了这本书的始终。

从对接到落地问世,这本书也就花了两个月的时间。这还是算上了国庆长假,以及因为一些出版监管方面的意外原因,导致的延期。

限于个人水平和精力原因,我无法像专业作家那样花费数月时间精心打磨文字。如果您在阅读中仍感到一丝 AI 腔的刺挠,就权当是人类主体性的自我觉察吧。

现在我的 Agent 写作能力又有了飞跃,那个开源项目将继续优化迭代,也有更多更好玩的、我感兴趣的书稿方向在路上。

如您觉得好,或之前已经读过开源书 / 电子版且表示认可,也欢迎去豆瓣的词条给我打个好评,感谢:

https://book.douban.com/subject/38676682/

Enjoy it!

阅读原文

跳转微信打开

刻意一个月不看 AI 的消息。结果似乎没错过任何。 这期间自己破圈到我眼皮底下的工具,比如 jev、Muse、Grokbot、REA,我更关注的是人们...

2026年10月17日 08:54

范冰的二次学习 2026-10-17 08:54 上海

刻意一个月不看 AI 的消息。结果似乎没错过任何。

这期间自己破圈到我眼皮底下的工具,比如 jev、Muse、Grokbot、REA,我更关注的是人们真正拿它做出了什么(生产级的/能赚钱的)东西,而不是玩具。回溯了一轮积攒的信息,大概不到 5% 的公开内容是此类真有价值的。

至于自己破圈到我眼皮底下的产业动态,比如唱衰世界模型、炒作 Personal AI、模型投毒实习生融资被挂,仔细想想,与我何干,与你何干,但凡最终不是想从美元资本那边一轮轮要钱讲三五年故事的,根本没必要占用自己的信道。

还有任何告诉你如何用大模型更省钱的教程。但凡不是指数级别的,只是省个仨瓜俩枣,也不值得看。因为照着搭脚手架会耗费一轮精力,等模型进化/降价/有替代方案后,拆脚手架又会耗费一轮精力,还可能不慎把系统搞崩,搭进去额外精力,得不偿失。

教人用 AI 做自媒体、开发工具软件的,我也不爱看了。这都是个供应过饱和的时代了,在供应端发力是内卷游戏,应该去研究社会民生的风向变化和市场端的趋势机会。

各种花里胡哨的 AI 交流会、黑客马拉松的总结,也别看。同行扎堆、缺乏门槛的线下活动,本来就不可能真有干货(有些名声大噪的收费社群的线下 AI 活动的内容,其实也就那样),再用 AI 写稿选一些发到线上来引流,能有什么好东西呢,都是些言过其实的光鲜包装。

出了啥新模型,评测下来如何,不用第一时间看。等一两周,出更多案例后,从大面儿上统一看(用 Grok 看 X 的民间评价更靠谱)。

国外大公司的老板说了啥,中高层怎么看待 AI,PR 内部怎么使用 AI,也大可不看。原因不用解释。这些东西只有线下开收费课,作为开场环节给台下老板们高屋建瓴一下有用。

哪个资历不错的行业明星 / 大佬 / 小天才又融资了,做啥方向,编出一个什么创业方法论 / AI 预判,不值得看。你问问他们自己信不信,再看看三个月后、半年后他们还在坚持吗。

综上,值得筛选流入到眼皮底下的 AI 内容不多。能直接指导行动的很有限。

BTW,这一个月我的自研系统还是在持续流入 AI 类内容,并没有叫停。但我找到了妥善利用它们的其他姿势。我不再关注信息的时效性和信息差本身,而是重点评估其他人对信息的反应,从而找到机会。

跳转微信打开

❌