现在有了 worktree，每个任务就是一个独立的目录，互不干扰，想切就切，用完就删。当时看到这个的时候我有点懵，因为虽然平时用 Git 用得挺多，但 worktree 这个指令我真的了解不多，甚至都不太确定它具体是干什么的。如果用传统方式切分支，当前目录的文件会被替换掉，编译产物可能要重新生成，IDE 的索引也要重新跑。多个 agent 并行工作，每个 agent 需要独立的代码空间，但又要共享

2025 年 11 月 8 日，百度官方博客发布消息，ERNIE 5.0 Preview 在 LMArena 文本排行榜中拿到了全球第二的成绩。这个成绩排在 Gemini 2.5 Pro 之后，和 GPT-5-High 并列，超过了 DeepSeek-R1 和 Qwen3-Max。LMArena 是个什么榜单？它不是实验室里跑出来的基准测试，而是真实用户投票选出来的。用户会同时和两个匿名模型对话，

我已经很多年没在线下玩过狼人杀了。不是我不爱玩，是毕业之后凑齐 8 到 12 个人太难了：时间对不上、地点对不上、状态也对不上。狼人杀当然是社交游戏，但我真正念念不忘的，是只靠只言片语盘出真相的推理快感——以及人在桌上互相试探、互相带节奏、互相嘴硬的那股活气。。桌上除了我们俩，其他玩家全都是 AI。你随时随地开一局，能真的玩 10～20 分钟的完整对局；更有意思的是，你还能看大语言模型在高压博弈场

回到最初的那个问题：AI 的到来，程序员和产品经理的饭碗还好吗？答案是，对于那些愿意学习、拥抱变化的人来说，饭碗不仅还在，而且会变成一个盛着山珍海味的"金饭碗"；而对于那些固步自封、拒绝进化的人来说，他们的饭碗可能会被时代毫不留情地收走。AI 编程不是终结者，而是一个催化剂。它正在催化软件开发行业发生一场深刻的进化，将人类从重复性的智力劳动中解放出来，去从事更具创造性、战略性和人文关怀的工作。

在上下文工程层面，Skills 实现了上下文的分层加载，把文件系统变成了 AI 的"工作记忆"，提供了动态的上下文预算管理机制，天然支持 Prompt Caching 优化。在知识管理层面，Skills 标准化了 AI 能力的封装格式，统一了"知识"和"工具"的访问方式，让专业知识可以打包、共享、复用，降低了团队协作的沟通成本。

这两天刷到 DeepSeek 又发新模型的消息，我第一反应是：又是什么 V4、V5 的版本升级吧。点进去一看，发现完全不是那么回事——这次他们搞出来的东西叫 DeepSeek-OCR，听起来像是个文字识别工具，但看完论文之后我才意识到，这玩意儿解决的问题比我想的要根本得多。

昨天晚上我打开电脑，想查一下去巴黎旅行的攻略。按照惯例，我打开 Chrome，开了大概二十多个标签页——酒店比价网站、美食博主推荐、地铁路线图、天气预报……然后就开始在这些标签页之间来回切换，复制粘贴信息到记事本里。看的我有点懵，这些信息散落在各处，我得自己把它们拼起来。如果浏览器能直接帮我整理这些信息，甚至主动告诉我"你昨天看的那家酒店附近有个不错的咖啡馆"，会是什么样？2025 年 10 月

我最近一直在琢磨一个问题。我用的 AI 助手,Claude 也好、ChatGPT 也罢,写代码、总结文章、头脑风暴,都做得挺好。但每当我想让它真正融入我的工作流,那种无力感就来了。比如说,我想让它帮我整理 Google Calendar 里的会议,根据散落在 Notion 各处的会议纪要,生成一份周报初稿。如果周报里提到了某个项目,再自动去 GitHub 上拉取最新的进展。办不到。它知道世界上几乎

月之暗面把它叫做"Thinking Agent"，核心理念是"模型即 Agent"。简单说，这个模型不只是回答问题，它会主动思考、调用工具、再思考、再调用工具，像人解决复杂问题一样一步步推进。最夸张的是，它能在一个任务里连续执行 200 到 300 步工具调用，中间不需要人插手。比如你让它规划一次伦敦看 Coldplay 演唱会的行程，它会自己搜索演出信息、查日历、订机票、找 Airbnb、预订餐

如果你读到这里，可能会有点纠结说：“我是不是要一下子把全店的图都重做一遍？” 说实话我并不建议这么干。那样的代价太大，而且很难客观评估到底是哪一步带来的收益。更好的办法是，从一两款你最熟悉、数据也最容易观察的产品开始，做一个小而清晰的实验。挑出一款目前转化率一般但流量还不错的商品，为它重新准备一套更用心的产品图：从首图开始，重新思考「买家第一眼需要被什么打动」；在详情图里，把多角度、细节和场景补齐