AI 离我们的代码越来越近，但它的存在感却越来越“不可见”。从一开始占据浏览器一角的聊天框，到占据桌面的 App，再到退居命令行的纯文本，最后干脆隐身成了系统的后台服务。作为程序员，我们不需要为了 AI 去改变原有的工程习惯。相反，优秀的 AI 智能体正在不断向下沉降，适配操作系统的底层逻辑，融入我们最习以为常的基础设施中。在未来，或许“写代码”这个动作本身，就会像今天的“编译”一样，成为一个只需

龙虾养得起，token 烧不起。这句话是 2026 年 4 月一个独立开发者在推特上写的。他贴出了自己当月的 API 账单：¥3,742。半年前这个数字是 ¥400 出头。他没有新增任何功能，用户量也没涨。唯一的变化是，他接入了几个 Agent 框架，让 AI 能自动干活了。他不是个例。2026 年 5 月，你随便打开一个开发者社区，搜索"token 账单"，会看到成片的哀嚎。

AI 离我们的代码越来越近，但它的存在感却越来越“不可见”。从一开始占据浏览器一角的聊天框，到占据桌面的 App，再到退居命令行的纯文本，最后干脆隐身成了系统的后台服务。作为程序员，我们不需要为了 AI 去改变原有的工程习惯。相反，优秀的 AI 智能体正在不断向下沉降，适配操作系统的底层逻辑，融入我们最习以为常的基础设施中。在未来，或许“写代码”这个动作本身，就会像今天的“编译”一样，成为一个只需

AI 离我们的代码越来越近，但它的存在感却越来越“不可见”。从一开始占据浏览器一角的聊天框，到占据桌面的 App，再到退居命令行的纯文本，最后干脆隐身成了系统的后台服务。作为程序员，我们不需要为了 AI 去改变原有的工程习惯。相反，优秀的 AI 智能体正在不断向下沉降，适配操作系统的底层逻辑，融入我们最习以为常的基础设施中。在未来，或许“写代码”这个动作本身，就会像今天的“编译”一样，成为一个只需

AI 离我们的代码越来越近，但它的存在感却越来越“不可见”。从一开始占据浏览器一角的聊天框，到占据桌面的 App，再到退居命令行的纯文本，最后干脆隐身成了系统的后台服务。作为程序员，我们不需要为了 AI 去改变原有的工程习惯。相反，优秀的 AI 智能体正在不断向下沉降，适配操作系统的底层逻辑，融入我们最习以为常的基础设施中。在未来，或许“写代码”这个动作本身，就会像今天的“编译”一样，成为一个只需

互联网从不缺少优质内容，但碎片化、私有化、杂乱化的格式，正在浪费大量有价值的知识。墨探的核心初衷，不止是简单的格式转换，更是让知识自由流动打破平台壁垒、统一内容格式、沉淀个人资产，让每一篇你认真阅读过的好文，都能有序存入知识库，服务长期学习、思考与创作。让收纳不再费力，让知识可以复用，让你的第二大脑，真正装满高质量内容。

做这个 Skill 的初衷很简单：让不会写 CSS 的普通用户，也能轻松拥有专属公众号排版。安装 Skill用大白话描述风格AI 生成 CSS预览、调整、发布整个过程不需要写一行代码。如果你有想尝试的排版风格，可以去试试这个 Skill，也欢迎在评论区说说你想要什么样的主题。

做这个 Skill 的初衷很简单：让不会写 CSS 的普通用户，也能轻松拥有专属公众号排版。安装 Skill用大白话描述风格AI 生成 CSS预览、调整、发布整个过程不需要写一行代码。如果你有想尝试的排版风格，可以去试试这个 Skill，也欢迎在评论区说说你想要什么样的主题。

本篇文章我们使用LangChain和RAG对大语言模型进行了一些微调，使之生成答案前可以在我们给到的文档内进行检索，以生成更准确的答案。RAG是检索增强生成（Retrieval Augmented Generation），主要目的是让用户可以给模型制定一些额外的资料。这一点非常有用，我们可以给模型提供各种各样的知识库，让模型扮演各种各样的角色。LangChain是开发大语言模型应用的一个框架，内置

根据OpenAI官方文档，是使得大型语言模型具备可以连接到外部工具的能力。简而言之，开发者事先给模型提供了若干工具（函数），在模型理解用户的问题后，自行判断是否需要调用工具以获得更多上下文信息，帮助模型更好的决策。举个例子：在上一篇文章我们是利用将事先准备好的文本作为上下文提供给模型，而使用以后，我们只要提供一个“搜索函数”作为工具，模型即可自己通过搜索引擎进行搜索然后得出答案。