看起来贵司是没有调研过 vibe coding 的 workflow 导致认为 vibe coding 就是跟 AI 聊天导致的问题

上下文这个是通过 beads 数据库解决的，所有的 commit 和 LLM 的 plan 都会存里面，这样即使上下文 compact 了也会自动取数据库里的东西，能明白某个函数当初为什么这样设计，现在我们改动会如何影响那个设计

人为调试，这点看起来是因为用 prompt 根 LLM 说不通所以懒得搞了直接人工上，实际上你应该把你调试的过程，用 LLM Prompt 一步一步实现，请 LLM 帮你去调试，例如加日志，启动测试环境等等，最终把这个过程萃取成 skills

幻觉问题，很显然你们没有任何 rules ，LLM 可以随便撒谎，不做 fact check

垃圾代码，你需要一个插件去让 LLM 精简代码，参考 https://github.com/anthropics/claude-plugins-official/blob/main/plugins/code-simplifier/agents/code-simplifier.md ，然后在 PR 阶段用 LLM review ，可以有效避免因为概率问题导致的 oneshot miss

codex 5.2 让你体验一下代码之神的感觉

@Chicagoake 是的，临近假期，很多小学/中学/大学老师都有刷网课的需求，据我观察目前他们都喜欢用 QQ

@timespy 感谢提醒，我都忘了这茬了

@uberarctic 这是巨佬！

@Chicagoake 这说到我今年寒假准备帮人刷网课赚钱了，到时候看看小红书有没有单子

@FynnRelx 难怪 CEO 去住豪华酒店了，可惜裁了的人怕是回不来了

@Leeeeex AI 不能凭空跑 skills ，例如你要排查一个项目的 bug ，并不是你拍脑袋请 AI 读所有代码然后就自动有 skills 了
LLM 本质上是向量空间搜索，如果把全世界的代码可能当做一个海，LLM 想要从海里捞出来你想要的那条鱼（代码），为了提高效率，需要你提供上下文（ RAG ），这一步相当于告诉 LLM 你要去哪一片海域更容易捞到我要的金枪鱼，其次提供 skills ，类似渔网/渔船，即你告诉 LLM 不要试图用手抓鱼也不要试图用原子弹炸鱼，我们最好就是渔船拖网去抓金枪鱼，然后你就祈祷 LLM 能在你指定的哪一片海域用你指定的工具，稍微发挥下能抓到你要的那条金枪鱼

@nealHuang Skills 是比较宽泛和弹性的，比如我举例中，如果 AI 根据 skills 运行，发现运行链路没问题，它可以自由开始根据代码进行推断，甚至可以加打印，重新部署测试，适合排查类的任务，因为此类任务中通常需要根据每一步查到的信息进行决策
skills 也不像 rules 需要你提前想好去写好，skills 可以通过你指挥 LLM 做一次任务，然后请 LLM 自己从做的事情中去抽取出来
优点是前期投入很小，弹性很大，很容易修改，即使不具备专业知识也可以指挥 LLM 修改
缺点是不如 rules 稳定，有时中间自由发挥导致出现问题

@thinkwei2012 现在区别只有激情，也许可能有创造吧，至少我没达到，你说的学习迁移能力，LLM 早已实现

@victorywangzhcn 建议体验下 codex 5.2 max ，体验下 god like coding ，你说的”初级重复劳动“想必不包括写汇编，debug 内核 dump ，推理变量 lifetime ，推理变量是否可 pin 这些吧？

@helionzzz iOS ，android ，chrome webstore ，steam 这几个可能是个人开发者最后的阵地了

@cmdOptionKana 他们的商业化模式是利用自己比其他人更懂 CSS 以及 tailwind ，所以其他人会请他们来维护 tailwind 并且指导 CSS ，但是 LLM 出现后，人人都可以维护 tailwind 并且人人都可以拥有单独的 CSS 指导

@lisxour 个人建议你喷之前看下原文，他们的问题不是开发不开发，而是 AI 爬了他们的开源规范来回答问题，导致原始网站没有流量了，另外大佬，CSS 水很深，不知道你为啥看不起 CSS

需求很简单，很常规，用纯 vibe 问题不大的，问题出在小白去 vibe coding ，老司机知道问什么问题，根据 AI 的反馈去调整施工方案，review 改动范围从而把 vibe coding 带来的混乱控制起来，小白他就是不停的 push AI 让它自己搞定，最终可能会因为加一个小功能从而重写整个框架

有，我就是，现在我也用 AI 撸代码，但是新老板偏向古法编程，反而不喜欢我用 AI

老哥看开点，现在大厂的思路是我把有价值的老员工的 debug/开发流程萃取成 skills ，只留下产品/测试/应届生，这样会极大的减少用人成本，却能达到 80%以上的效率，这不是你不够优秀，只是资本选择永远选成本最低而已

虽然但是，这些都很简单啊
1. 容器化，容器化之后不管你什么语言都是标准化的接口，跨语言通讯各种 RPC 都可以解决，如果一定要内存共享，很多 FFI 方案，例如 Rust 可以调用 C lib ，golang 可以编译成 c lib 给 node 调用
2. 果断横向扩展啊，也就是同一套服务再起一套，网关做一个 sticky 分流，同一个 ip 会访问到同一套服务
3. 用 beads 管理每次 session 的摘要，以及每个 commit 背后的 session ，这样不同项目可以在同样的上下文里面 AI 搜索，例如前端项目可以直接问 AI ，这个接口当时是怎么设计的，为什么要这样，如果加一个字段代价如何改动如何
你再搞点开发新 feature 的 skills ，确保你所有团队不管用啥 AI 都是同样的思考模式和开发模式，并且输出同样的规格的开发文档

上个月刚被炒，没想到这个月 1 号就找到新工作，工资降了差不多一半吧，工作内容倒是简单多了，目前磨炼 AI 编程技术，结合 mcp ，skills ，memory 等等准备整一套新的 workflow ，用了 2 周了，目前感觉非常好，中间还把一些组件用 AI 重写整理了做成开源项目，现在每天也有时间去运动了，许久不玩的游戏也捡起来了