Arthas 很强，但一直很"反人类"：命令多、OGNL 难写、输出难读，排一次问题跟做阅读理解似的。MCP 的出现不是替代它，而是给它补上了一层 AI 交互能力——把你的人话翻成命令，把返回结果整理成结论，把"命令模式"还给"问题模式"。本文结合 CPU 飙高排查和动态 watch 两个最常见场景，讲清楚它解决了什么、适合谁用、边界又在哪。

在 The Pragmatic Engineer 的访谈中，Boris Cherny 指出：AI 时代最先过时的，也许不是程序员，而是传统单线程编程工作流。本文结合 Anthropic 实践与工程变化，总结 AI Coding 时代最值得关注的 6 个判断。

大多数人用 Claude Code 是一问一答：我说，它做。但 Claude Code 其实可以在处理任务时自己拆解、自己派活给子 agent，并行推进多个子任务。这篇聊聊 Sub-agents 是什么、什么时候值得用、怎么用对。

以前用 Claude Code 跑任务，只能盯着终端傻等。tmux 只支持 Mac，我双平台没法用。飞书不想装，企业微信太重，Slack 国内废了。最后发现：Claude Code 自带 Hooks 机制，Stop Hook 在对话结束时自动触发——直接让它调钉钉 Webhook 发通知给我。现在任务丢进去，我去干别的，钉钉响了再回来。#ClaudeCode #AI效率 #钉钉 #开发工具

大多数人用 AI 的方式是：挑便宜的模型，省着用，能不花就不花。高手的方式完全相反——用最顶级的模型，大量跑，把 token 当学费花。这篇聊聊为什么消耗越多，反而越值。

很多人以为自己在用 AI 编程，实际上只是换了个更高级的方式瞎干活。需求没拆、边界不清、验证不做、review 不看，然后把一堆烂代码甩给项目。AI 真正放大的，从来不只是效率，更是一个人的工作方式。你有流程，它是放大器。你没流程，它就是事故加速器。

我有个朋友，做了快十年后端开发。上个月和他吃饭，他说了一句让我印象很深的话：「我现在一天能做完以前一周的事，但我自己写的代码越来越少了。我问他在用什么。他拿出手机，给我看了一个界面——几个 agent 在并行跑任务，一个在写代码、一个在跑测试、一个在做 review，他本人坐在那里，像个调度员，偶尔指挥方向、拍板决策。同样 8 小时，他那天的产出，是我们另一个还没开始用 AI 工具的同事的五六倍。

我把 Cursor Agent 停了，转而深度用 Claude Code。这几周我意识到：AI 编程最大的瓶颈不是模型，是 context 管理和任务拆解。而那些已经想清楚这件事的人，正在用完全不同的方式工作。

从一线团队里已经发生的变化出发：需求拆解、实现起草、测试补齐、验证回路这些原本靠人来回衔接的环节，正在被 AI 部分压缩。全文补入 2026 年国内外公开信号，让观点更像观察，而不是先入为主的宣判。

前 Google/Amazon 工程师 Steve Yegge 将工程师与 AI 的协作分为 8 级。他最担心的不是不用 AI 的人，而是还在逐行 review AI 代码的强工程师——这种习惯正从美德变成竞争劣势。核心判断：你对 AI 的信任速度，决定你的速度。