随着 AI 技术浪潮逐渐趋于平稳，应用层涌现出大量由 AI 驱动的编程工具。作为开发者，在过去一年里，我深入体验了各类 coding 工具，从基础的终端插件到完整的 IDE 集成方案。本文将分享我的真实使用体验、各工具的适用场景以及个人推荐的搭配方案，助力你在众多选择中找到最适合自己的生产力工具组合。

在上一篇文章中，我们建立了AI的整体认知框架：AI → 机器学习 → 深度学习 → 大语言模型。这篇文章，我们聚焦到最内层的"大语言模型"，搞清楚它到底是怎么工作的，以及你每天用的ChatGPT、Claude和它是什么关系。想象一个读过全人类书籍的超级学者。你问他任何问题，他都能根据自己读过的内容给你一个回答。他不是在"思考"，而是在根据海量的阅读经验，预测出最合理的回答。这就是大语言模型（Lar

四篇文章下来，你已经建立了从概念到应用、从能力到局限的完整认知框架。AI是一把双刃剑。它能极大地提升你的工作效率，但前提是你知道它的边界在哪里。用好AI的关键不是掌握所有技术细节，而是知道什么时候该用它，什么时候该放下它。如果你对AI的技术底层感兴趣（比如神经网络是怎么工作的、Transformer是什么、注意力机制的原理），可以继续阅读深入篇。延伸阅读文章3：AI应用实战文章5：深入理解AI的技

是把好的Prompt封装成可复用的模板。比如你经常让AI帮你做代码审查，你可以把这个任务"保存"成一个Skill，以后一键调用，不用每次重新输入一大段指令。Claude Code里的各种技能（如自动提交代码、生成PR）就是典型的Skill。

是把好的Prompt封装成可复用的模板。比如你经常让AI帮你做代码审查，你可以把这个任务"保存"成一个Skill，以后一键调用，不用每次重新输入一大段指令。Claude Code里的各种技能（如自动提交代码、生成PR）就是典型的Skill。

在上一篇文章中，我们建立了AI的整体认知框架：AI → 机器学习 → 深度学习 → 大语言模型。这篇文章，我们聚焦到最内层的"大语言模型"，搞清楚它到底是怎么工作的，以及你每天用的ChatGPT、Claude和它是什么关系。想象一个读过全人类书籍的超级学者。你问他任何问题，他都能根据自己读过的内容给你一个回答。他不是在"思考"，而是在根据海量的阅读经验，预测出最合理的回答。这就是大语言模型（Lar

在上一篇文章中，我们建立了AI的整体认知框架：AI → 机器学习 → 深度学习 → 大语言模型。这篇文章，我们聚焦到最内层的"大语言模型"，搞清楚它到底是怎么工作的，以及你每天用的ChatGPT、Claude和它是什么关系。想象一个读过全人类书籍的超级学者。你问他任何问题，他都能根据自己读过的内容给你一个回答。他不是在"思考"，而是在根据海量的阅读经验，预测出最合理的回答。这就是大语言模型（Lar

原文分享了一个基于Node.js的AI Agent全流程开发实践，作者从零构建了一个支持多AI协同的智能助手。文章涵盖了技术栈选择（Node.js + LangChain）、提示词工程优化（角色设定、XML结构、Few Shot）、内部工具RAG文档化、上下文管理与压缩等核心技术点。作者通过实际开发经验，详细讲解了如何解决长对话中的上下文窗口问题，最终实现了上下文压缩至1/10的效果，为个人AI

本文探讨了AI编程的优化路径与实践经验。核心痛点在于上下文切换与协作效率，作者通过外置文件解决，并尝试过工作流系统但最终因学习成本高、灵活性差而放弃。文章提出了AI编程的核心方法论：1）对话流设计要聚焦、明确约束、增量提问；2）系统提示词应简洁（200字内），避免信息过载；3）区分Skill（经验组件）与MCP（工具调用）。结构化对话设计采用三阶段模型（需求定义、边界明确、迭代反馈），而团队协作则

Arthas Agent 的出现，并非仅仅因为它对 Arthas 命令的熟悉，更重要的是它将 “排障经验系统化”。Skill 的本质是 “编码经验”，它使个人的 “手艺” 转变为 “可复用、可维护、可进化” 的资产。这种模式具备推广到更多场景的潜力，但前提是组织愿意为 “Skill 体系建设” 投入资源。将个人经验编写成 Skill 是一件值得去做的事情。Arthas Agent 的 Skill