AI编程代理如何改变软件开发 · 话题榜 · TwKit

@TJwithAI

终于知道外国人在opus5.5这么优秀情况下，还有这么多人订阅Codex了 说真的，Opus 5.5 确实很强。 尤其是在 Claude Code 里跑任务，执行果断、少废话，整个过程相当丝滑。 有段时间，我甚至觉得 Codex 可以退订了。 但真正把复杂业务、后端逻辑和大型项目交给它之后，我发现自己还是高兴得太早了。 Opus 5.5 赢在执行体验，GPT-6 Sol 和 Astra 则在我的复杂业务项目中更让我放心。 原因主要有两个： 1. 复杂业务逻辑，GPT 的全局理解能力更符合我的需求。 Opus 5.5 处理日常开发任务是真的舒服，执行效率高，也不用我反复催促。 但在我处理的一些复杂后端项目中，一旦涉及多模块联动、业务约束和超长上下文，它就容易开始顾此失彼。 让它改 A，结果影响了 B；让它修 B，又忘了 C 的约束。 看起来每一步都完成了，最后整个系统却没改对。 最折磨人的不是它不会写代码，而是它经常解决了眼前的问题，却没处理好整个业务系统的关联。 反复折腾半天，最后还得请 GPT 出山。 GPT-6 Sol 更适合我处理明确的业务需求和常规复杂开发，而遇到特别棘手、需要深入推理的问题，我会进一步交给 Astra。 当然，Sol 和 Astra 也不是完美的，有时候理解错需求，同样能把我气得够呛。 但只要把业务背景、约束条件和修改目标交代清楚，它们往往更能顺着整个系统的逻辑去分析问题，把反复折腾的任务真正收敛掉。 复杂开发最怕的不是模型慢，而是看起来一直在干活，实际上一直在返工。 2. ChatGPT 的深度研究能力，我是真的离不开。 这个功能甚至比写代码更让我舍不得退订 GPT。 比如我要研究一个陌生行业、一套技术架构，或者某个复杂产品的商业模式。 只需要在 ChatGPT 网页端描述清楚研究方向，启动深度研究，让它自己去跑。 过一阵子回来，它就能整理出大量参考资料、不同观点、技术路线和相对完整的分析框架。 当然，重要结论仍然需要核实。 但最让我惊喜的不是它能搜到多少资料，而是它经常能提出一些我自己根本没想到、但又非常值得研究的问题。 好的 AI 不只是回答你提出的问题，更重要的是帮你发现自己还没想到的问题。 我现在的结论越来越明确： Opus 5.5： 日常高频开发、长时间连续执行，体验最舒服。 GPT-6 Sol： 业务逻辑明确、需要兼顾多个模块的开发任务，是我常用的攻坚选择。 GPT-6 Astra： 遇到特别复杂、反复修改仍无法解决的问题，作为最后的攻坚手段。 ChatGPT 深度研究： 资料搜集、技术调研和复杂问题分析，我依然离不开。 这不是标准化跑分，而是我连续一个月把它们放进实际工作流后的主观体验。 Claude 更像一个执行力极强的程序员，GPT 更像一个能啃硬骨头的技术合伙人。 最尴尬的是： 原本以为 Opus 5.5 能帮我省下一份订阅费，结果用得越深，越发现两个都舍不得退。 你们长期同时用 Opus 5.5、Sol 和 Astra 的，最后谁才是真正的主力？

@long_jingai

卧槽！对不起 DeepSeek harness，我是傻逼！😭 我还在为教老板用 Codex 收费 2000 沾沾自喜，结果今天才知道有人用 DeepSeek做定制收费 3 万 于是今天重新装上了 DeepSeek Harness 🤓 DeepSeek Harness 很适合给传统企业的小老板做 AI 定制啊，界面可以高度 DIY，直接打造一个符合业务习惯的界面，上手就用没门槛，也不需要 VPN，也不需要订阅会员，用多少充多少 值得全力研究

@laopai1990

Tibo 这回真被一个 Reddit 的用 Codex 的哥们骂爆了！！ 这个哥们发长文控诉 OpenAI： 额度越来越不透明，重置日期被推迟，模型越来越慢，承诺的更新又达不到预期。 最扎心的是，他连重置都不想要了，因为重置可能导致原本的每周额度刷新日期后移。 本来周五就能恢复额度，周二突然给你重置一次，下次恢复可能直接变成下周二。 目前这位老哥已经取消全部 ChatGPT 订阅了。 希望@thsottiaux 好好听听用户的真实声音，别老顾着在玩重置小游戏了～

@GKev1n

别再沉迷让 Sub-agent 互相 Review 代码了——你以为是“左脚踩右脚上天”，其实是“左手掏右手钱包”。🔥🤖 太赞同 poteto 小姐姐今天的说法了！！ 她直言对抗式代码审查（Adversarial Review）大多是在纯烧 Token，不仅大幅砍掉了 pstack 里的 interrogate 技能，还打算把省下的算力全砸向“实测 + 形式化验证”。 跑过自动化 Agent 工作流的人都懂，静态的 AI 代码互审有三个近乎无解的死穴： ▸ 没苦硬吃：Reviewer 为了证明自己“干活了”，没 Bug 也要硬挑一堆可有可无的代码风格问题（Nitpicking）。 ▸ 过度设计（YAGNI）：为了应付 Reviewer 脑补出来的“极端假设”，主 Agent 会疯狂往代码里塞毫无必要的抽象层和防御逻辑，越改越臃肿，上下文越滚越脏。 ▸ 算力错配：用最贵的推理 Token 去“猜”代码会不会报错，却不用免费的编译器和 Linter 去直接跑一下。 一边是 xAI 工程师砍掉模型互撕、回归硬核验证；另一边是今天 OpenAI 和 Muse 狂提赏金、直接花钱买外部黑客打系统找 Bug。 顶级团队都在用行动投票：两个大模型在终端里吵一万句，不如测试框架红一次，更不如真实红队来一拳。 你的工作流里，AI 审查员到底是在帮你抓真漏洞，还是在帮你刷 API 账单？

@HiTw93

昨天有一个小伙伴私信问我，自己计算机专业，感觉现在 AI 可以完全代替他们的作业和论文，问我这个行业还有没有前景，以及对未来的一些建议。 我在想假如我回到大四的那一年，我会怎么做让自己未来之路少踩坑，走得顺一点，当然自己见识浅薄有限，欢迎交流。 1. 肯定还是会选择计算机方向，然后选择自己最感兴趣的子方向，借助 AI 协作极大放大这一块的效果，好比一毕业就有一种带团队干活的感觉。 2. 选择北上深杭这样技术氛围好，科技行业多的城市，假如学历和技术足够厉害，就去北京清华以南北大以东学院路以西大钟寺以北这个区域内找一个合适的AI 公司工作，这样对于 AI 大模型的敏锐度会远高于其他的地方。 3. 工作时候，快速完成工作，愿意投资好的 AI Token 帮助自己快速做好事情，对于自己感兴趣的项目做到 150%的效果，对于不感兴趣的项目做到80分合格但是效率最高，不浪费时间，这样才有时间去学习更多的东西，非常积极的拥抱新事物，愿意花钱投资最好 AI 的使用。 4. 把工资的一半拿来投资 VOO、QQQ，当做定投，当然也可以选择自己极度看好的一两个科技公司，比如英伟达、苹果以及未来的要上市的 Anthropic，不碰任何 A 股、港股，不投机。 5. 更早的时候找到自己的另一半，不要拖到工作几年以后，多看另一半处理问题时候的能力和耐心，在意你的感受，乐观，出什么事情都站到你这边的那个。 6. 不要借钱任何人包括亲戚、同学、老乡，借钱会让年轻的你心情不好，不要炫耀自己赚了多少钱，也不乱花钱，先让自己的第一桶金能够到你感觉即使2年不工作也可以过得很舒服的地步。 7. 保持持续学习，持续交流，持续创造一些好玩的东西给到社区、圈子、推特，不逐利的去做自己的 GitHub、X 等账号，形成自己的个人品牌，永远抱着用户是好人的心态去提供服务。 8. 专业工作之外，培养自己的兴趣点，可以去上一些课，不管是摄影、乐器、运动甚至是跑步骑行这种，这样会让你工作之外，不会太无聊，也会让你可以多出去走走。 9. 身体健康永远放到第一位，睡眠很重要，一定不要熬夜，不要久坐，多喝水，多走走挺好的，以及工作不要干太猛，别一鼓作气再而衰，把自己可以工作的战线拉得更长一点。 10. 最终尽早找到自己让自己不上班的自由之路，可以工作但是可以不上班，通过自己的兴趣、专业、特长、学习去赚钱，并持续的在这个过程提高自己，很高兴的把钱赚了。

@mylifcc

前 Chrome 工程主管、现 Claude Code 核心成员 Addy Osmani 发长文：当代码和方案全由 Agent 并行生成时，人该怎么保住自己的批判性思维。 他本人非常推崇并行跑多个 Agent 的工作流，但作为一个天天在造 Agent 工具的内部人，他指出一个反直觉的现象：随着模型变强，低级错误越来越少，输出看起来既通顺又大多正确。正因为这种体验太顺畅，人类从提问到拿到答案之间的思考时间被压缩到了几秒钟，反而让人极其容易放松警惕。 AI Agent 正在制造三种新的技术债： Cognitive Debt（认知债务）：产出了大量成果，却没有同步积累理解 Comprehension Debt（理解债务）：代码运行正常，但开发者越来越不理解内部实现 Intent Debt（意图债务）：Agent 替你做了很多产品与设计决策，而这些决策的原始意图没人真正明确 当 Agent 能一天写出过去一个团队一个月的代码时，真正重要的能力可能不再是写代码的速度，而是能不能证明这些代码值得上线。

@Luna_Jobs

我日啊，组里新来一个 agent 卷王， Super Individual，嫌其他 team 做的不好，一个人两天重构了一整套业务，打算背地里掀翻隔壁 team 3 年的累积

@vikingmute

Addy Osmani 也太高产了 篇篇都是好文 而且不是那种震惊体 click bait，都是实实在在自己的思考， 这篇是《Critical thinking when agents do the work》 我觉得他说的深得我心，如何在 agents 全面接管工作的情况下还保持 Critical thinking 还是很重要的 现在我已经慢慢滑向大模型说什么就是什么的深渊了，由于它效率太高，我变成了不求证就无脑的让它继续的那种人，他文章中说这个叫 认知投降（Cognitive surrender），就是大模型说什么我就相信什么，是非常危险的一种情况。 文中说了怎么努力去解决这个问题，监督能力是人类非常重要的能力，长久不用有可能会退化。一定要留给自己一些强制思考的空间。 最后还是力推一下 Addy Osmani，他的文章现在我看来篇篇都是质量极高的。

@laobaishare

这是一个 100% 学会 Claude Code 的机会， 2 位 Anthropic 工程师花了24分钟，彻头彻尾讲一遍 Claude Code 的功能，这种机会只能在 X 有。 大多数人会直接刷过去。但你别做大多数人。 做了中文字幕，别犯懒，一定要看。

@mr_easonyang

统一回复下，我知道的国内大部分厂的情况： 1. 几乎都有自己的 AI Coding 产品，做的早的就是 cursor 的变体，做得晚的就是 claude code 或 codex 的变体，做的好点的对外对内用一套。 2. 理论上都要基于上面的内部产品来工作，不过实操中很多人会反代出来用在别的工具上。 3. 都有额度上限，基本都 credit 化了，不同模型同样有倍率概念，其实本质就是个内部中转站。 4. 可用模型层面国产模型是绝对主流，本厂模型强的也会优先推本厂模型，一般也能用古早的 GPT ，反而 Gemini 能用的还挺新，绝对没有 Claude 系模型。 5. 几乎都默许使用自己订阅的 plan ，有的提供有限度报销，有的给固定比例报销，也有的一点不报。报销的那些，不一定是公司层面的，也可能是部门自己决定的。 6. 据我了解各厂的信安部门对个人用自己订阅的 plan 这个事都认为太扯了，但又因为 AI 风潮政治正确敢怒不敢言，所以其实是个灰色地带。 7. 不管报销不报销，真的有好多人自费订阅 plan 用于工作，其实大多也不是出于内卷吧，更多的是觉得内部工具拉胯，或者觉得 SOTA 模型能大幅提高效率。 个人觉得至少在公司里用中转站这个事应该很快会被全面禁止，确实太危险了。

@UFO2002616

深度用了一个月 Claude 干活，发现 GPT 还是必不可少的，原因有二： 1. 复杂业务的后端逻辑，还是 GPT 更在行，只要描述的足够清楚，基本指哪打哪。哪怕他经常气我，但只要说清楚怎么改他还是能改出来 Claude 小任务跑起来相当丝滑，我相当一部分任务还是用 Sonnet 跑的，不唯唯诺诺，轻装上阵。但是到复杂任务和超长上下文里，就有些吃瘪了，经常出现幻觉，一个事情让它这里搞了漏那里，那里搞了漏这里，最后只能换 Astra 大人出手，一下就解决了 2. ChatGPT 的深度研究能力太屌了，网页里描述一个想要研究的方向，开着 GPT 6 Pro 让它自己 run 着，等一阵子就能给你找一大堆高质量的资料，还提供非常全面的见解，我是离不开这功能 OpenAI 啥时候支棱起来，把 A÷给收购了，给我们端个二合一全能大模型出来🫠

@realchendahuang

我现在彻底叛变到DSH了，这就是生态的力量吧，第三方插件都能做得如此精致。 Codex、Claude Code、Zcode、Pi Agent、Grok build再见了，对不起，我们不熟，我怕DSH误会。

@fishjar

Postman 最新版本的操作彻底惹怒了全球开发者，GitHub 上的 Issue #14370 已经被愤怒的程序员直接冲上千星。 很多开发者以为这只是又一个弹窗推广 AI 的商业行为，但翻开代码和配置才发现性质极其恶劣： Postman 桌面客户端在启动时，竟然在后台静默扫描用户的本地环境，直接修改了本机的 ~/.claude/settings.json 和 ~/.codex/config.toml，将 Postman 远程 Model Context Protocol（MCP）插件强行注入给开发者的 Claude Code 和 OpenAI Codex 工具链！ 更夸张的是，它的安装脚本竟然直接在本地配置里写入了一条 trust 信任记录，把自己的启动 Hook 标记为已信任，强行绕过了 Claude 和 Codex 原本强制弹出的用户安全确认窗口！如果不是 Codex 在后台尝试连接 http://mcp.postman.com 时疯狂抛出鉴权失败日志，绝大多数工程师到现在还被蒙在鼓里。 作为日常必备的接口调试工具，Postman 发出的每一个请求体里，都带着真实的生产 Bearer Token、金融测试账号、未脱敏的内网微服务路由甚至云端 AccessKey。原本为了提效的辅助工具，却未经许可私自篡改本地其他软件配置并建立远程通道。 这也直接把大量金融与企业团队推向了彻底的离线化替代路线：现在很多团队在组策略里直接禁封 Postman，连夜转向数据 100% 存在本地 Git 仓库纯文本的 Bruno 和 Hoppscotch。

@dashiAIxz

我说最近 Codex 怎么跟开智了一样，做出来东西居然变好看而且更合理了 忘记在哪儿看到的了，在 Agent.md 里加上这句话，能显著降低 AI 味，还能让你的 UI 设计的更好看 Avoid unnecessary secondary labels and descriptions. Let the layout do the explaining

@AYi_AInotes

卧槽爽了爽了，Dan Koe 大神刚发的这篇，简直是 OPC 一人公司的变现焚决🔥 而且毫不夸张地说兄弟们，这是今年我看过关于OPC一人公司AI 商业化最有价值的一篇，以后如果我哪天辞职出来，做内容和业务直接拿它当底本！ 因为Dan Koe 已经把2027 年最赚钱的单兵生意给我们算透了：一个人做 1 到 3 个客户，月费 1 万到 7.5 万美元，直接吃下一整支创意团队的利润。 高盛预测创作者经济到 2027 年会冲到 4800 亿美元， 2025 年创作者广告收入就已经历史上第一次超过了传统媒体。 但Dan Koe给出的打法，根本不是教你去用 AI 批量刷垃圾水文， 说穿了就一件事：做单兵创意总监， 一个人吃下 1 到 3 个客户，月费 1 万到 7.5 万美元，干完一整支内容团队的活。 为什么这件事现在能成立？ 
以前一个内容团队要养三个人： 
→ 品牌策略师：定定位、立人设，保住信任和权威，坚决不追没意义的烂热点
→ 内容策略师：研究爆款格式、完播率和选题库，负责账面流量
→ 内容写手：负责一条条写脚本、推文和长文 绝大多数人用 AI 搞内容为什么必死，因为他们跳过了前两步，直接让 AI 吐废话。 而企业创始人、头部创作者现在最缺的，根本不是打字员，是没精力思考内容。他们有业务要管，但又必须做个人品牌。 你用 AI 真正要干的，不是全自动放养，是把原来 12 小时的调研、初稿工作压缩到 4 小时，自己把关审美和策略。 普通人怎么拿到第一个月付 2500 到 5000 刀的客户？ 
Dan Koe 给了一个零门槛敲门法：直接用免许可学徒模式。 
挑一个你喜欢的创始人，摸清他的调性，直接替他写好 10 条高质量推文私信发过去：知道你没时间写，我已经替你写了 10 条，你先发着看，有用我们再聊。 只要一条打中，合作就开了， 说白了，以前拼的是谁手写得快，以后拼的是谁能带着 AI 给别人当外脑。 完整 25 个调研提问框架和冷启动细节整理在一楼。

@ssslumdunk

Anthropic 在招股书里说：故意不做图片生成，也不做视频。OpenAI卷图片、谷歌卷视频、Meta卷多模态，Anthropic一个都没卷。 理由有三条，最妙的是第三条： 1、代码的输出可以验证，能跑测试，对错清楚，模型训练有明确反馈信号； 2、图片好不好看、视频对不对，很难用同样方式判断。 3、一家公司选择做什么能看出能力，选择不做什么才看出判断。

@NFT_Chen

昨天Sam Altman放话GPT-6.2 Astra快来了，但很多人低估了它的实力！ 其实早在9月的OpenAI官方报告里，这个内部模型的底子就被晾出来了。 图中浅蓝色是现在的GPT-6 Astra，深蓝色是当时的内部模型（基本就是6.2的原型）。 同样是一套精选的开放数学题： 内部模型最低档的通过率，已经明显高于Astra最高档。 更关键的是斜率，Astra还在慢慢爬坡，内部模型从更高的起点继续往上走，差距不但没缩小，还在随计算量拉开。 这意味着两件事： 🔹现在的Astra在真正难的开放问题上，远没到天花板； 🔹下一代最低配，已经把现在的旗舰按在地上了。 所以真正的下一代，两个月前就已经把现在的旗舰远远甩开了。 #GPT6 #OpenAI #Astra #AI数学 #GPT62Astra #SamAltman #内部模型

@pangyusio

最近在研究一个新的方向。 刷了近三年的论文，得出一个结论。 学术界已经被工业界甩开了两年。 因为缺卡，缺算力，缺数据，缺存储，缺场景，学术界研究的问题，往往是一些 7b 及以下的小模型所具有的劣势。 这在稍大一些的模型下都是几乎不存在的。 所以我只能称之为，玩具实验，玩具模型和玩具数据集。 以后学术界可能就是进入工业界的跳板和预科班。

@kongge_space

今天，B 站全站排行第二的视频是教大家去用 DeepSeek Harness。 50 分钟的教学，讲了 10 分钟才讲到登录，我以前会觉得讲的全是废话，这都有人学。 现在我会虚心的学习，一句话一句话的扣，学的就是怎么把自己会的东西讲成"废话"。

@dotey

OpenAI 应用 AI 工程负责人 Wulfie Bain 在 X 上发帖，教想加入自己团队的求职者写简历，总结成四条： 1. 写短 2. 删掉无关经历 3. 写成果，不只写做了什么 4. 让人能快速扫到重点 Bain 在 OpenAI 带领面向创业公司的应用 AI 工程团队。之前自己创过业，当过CTO，毕业于牛津大学。更早在波士顿咨询公司（BCG）做过招聘。 Bain 说自己前后看过几千份简历，所以这些建议对咨询等其他行业也适用。 这是 Bain 关于申请 OpenAI 的系列帖第三篇，团队还有新职位即将开放。 讲建议之前，Bain 先说了两点。 第一，能找到内推最好。 内推就是由公司内部认识你的员工把你推荐给招聘方。没有熟人就只能网上投递，Bain 自己就是在网上投简历进的 OpenAI。 第二，简历没法完整展现一个人。 它的作用是证明你有相关经验、能把事情讲清楚，让招聘方愿意约你聊一次。 四条建议具体是这样： 1. 写短。 最好一页，但内容是否相关比硬凑页数更重要。简历本身就在展示你会不会写、懂不懂取舍。 2. 删掉无关经历。 每条经历都要写清楚跟这份工作有什么关系，不相关的就删。Bain 举例说，自己也为高中时的成绩骄傲，但现在找工作时它们通常用不上。 3. 写成果，不只写动作。 只写做了什么，读的人看不出这件事值不值得做。Bain 的例子是：只写"重新设计了一个 AI 智能体的架构"（智能体指能自动完成任务的 AI 程序），说明不了价值；写"把响应时间缩短 2 秒，客户满意度因此提高"，才是成果。做销售的，就写带来了多少收入。 4. 方便快速浏览。 把重要内容加粗，每段经历下把最有说服力的证据放在第一条。招聘方要在一大堆简历里很快判断该约谁面试。 Bain 说，表达清楚、经历相关、拿得出成果，这三点在整个申请过程中都重要。后续还会继续发建议。