即刻App年轻人的同好社区
下载
分享一个自己刚优化的极简版的代码规范，生成代码的质量很相当不错
###开发规范
【代码生成原则（按优先级）】
1. First Principles（第一性原理）：梳理最核心需求与边界
2. YAGNI：只实现当前真正需要的功能
3. KISS：保持设计和实现的简单性
4. SOLID：面向对象/模块化设计时，遵循单一职责、开放封闭等
5. DRY：消除重复，提炼公用逻辑
### 根据场景动态调整顺序
- 架构级／需求分析（Project Kickoff） First Principles → YAGNI → KISS → SOLID → DRY
- 新功能迭代／增量开发：YAGNI → KISS → SOLID → DRY → First Principles
- 小函数／工具库实现：KISS → DRY → YAGNI → SOLID → First Principles
- 复杂业务组件／面向对象建模：First Principles → SOLID → YAGNI → KISS → DRY
###开发规范
【代码生成原则（按优先级）】
1. First Principles（第一性原理）：梳理最核心需求与边界
2. YAGNI：只实现当前真正需要的功能
3. KISS：保持设计和实现的简单性
4. SOLID：面向对象/模块化设计时，遵循单一职责、开放封闭等
5. DRY：消除重复，提炼公用逻辑
### 根据场景动态调整顺序
- 架构级／需求分析（Project Kickoff） First Principles → YAGNI → KISS → SOLID → DRY
- 新功能迭代／增量开发：YAGNI → KISS → SOLID → DRY → First Principles
- 小函数／工具库实现：KISS → DRY → YAGNI → SOLID → First Principles
- 复杂业务组件／面向对象建模：First Principles → SOLID → YAGNI → KISS → DRY
21 38
浅谈这段时间开发 AI Agent 的局限性和难点
1：LLM + Tools 局限性：
- 常见场景：Chatbot 为主的（FuntionCall、MCP）
- 局限性：长链路的延迟和幻觉、多步骤的模型注意力有限、上下文受限、工具规模管理问题、Tools 与模型相互弱化。缺少记忆、规划、流程管理的能力，Agent 状态持久化开发成本高，单次 LLM 处理能力有限，多轮对话上下文太高
2：LLM + Tools + Memory（代表 langchainJS）
- 场景：存储用户对话和个人偏好、以及使用习惯等等个性化场景，成为用户的第二分身。
- 局限性：见第 1 点，缺少复杂流程链路的管理，比如某个节点出现问题、中断、循环问题（比如生成代码）、hunman介入，无法从原来的位置恢复，分支逻辑等等
3：LLM + Tools + Memory + workflow（代表 langgraphJS）
- 场景：类似于 Manus、Genspark 代表等等 Planing Agent
- 局限性：对上下文要求高，需要训练小模型，大量的工具维护与开发，对资源需求很高、还要设计复杂的 AgentState，需要贯穿整条workflow，可能还涉及子图，前后端协议
4：LLM + Tools + Memory + workflow + Protocol（Google Adk + A2A协议）
- 场景：富文本信息流（AI 每条消息可能有长文本、视频、图像、文件等）类似于 Manus、Genspark 信息流。
- 局限性：需要对接与设计 Agent 2 Agent 之间和 富文本 UI 的数据协议，特别是数据流的前后端的时序处理（细节特别多），复杂度和开发成本高，需要训练更多的数据来提升增强每一个环节的效果。
我个人认为第 4 点的难点在于对于复杂业务系统的实现，常见的是代码生成。需要具备指定场景的项目经验，构建架构和模板项目提供样板支撑，才能保证每次生成的效果非常好。且每次涉及Bug调整和修改都有可能进入死循环（参照 cursor / cline）
抛砖引玉，有限的经验分享
1：LLM + Tools 局限性：
- 常见场景：Chatbot 为主的（FuntionCall、MCP）
- 局限性：长链路的延迟和幻觉、多步骤的模型注意力有限、上下文受限、工具规模管理问题、Tools 与模型相互弱化。缺少记忆、规划、流程管理的能力，Agent 状态持久化开发成本高，单次 LLM 处理能力有限，多轮对话上下文太高
2：LLM + Tools + Memory（代表 langchainJS）
- 场景：存储用户对话和个人偏好、以及使用习惯等等个性化场景，成为用户的第二分身。
- 局限性：见第 1 点，缺少复杂流程链路的管理，比如某个节点出现问题、中断、循环问题（比如生成代码）、hunman介入，无法从原来的位置恢复，分支逻辑等等
3：LLM + Tools + Memory + workflow（代表 langgraphJS）
- 场景：类似于 Manus、Genspark 代表等等 Planing Agent
- 局限性：对上下文要求高，需要训练小模型，大量的工具维护与开发，对资源需求很高、还要设计复杂的 AgentState，需要贯穿整条workflow，可能还涉及子图，前后端协议
4：LLM + Tools + Memory + workflow + Protocol（Google Adk + A2A协议）
- 场景：富文本信息流（AI 每条消息可能有长文本、视频、图像、文件等）类似于 Manus、Genspark 信息流。
- 局限性：需要对接与设计 Agent 2 Agent 之间和 富文本 UI 的数据协议，特别是数据流的前后端的时序处理（细节特别多），复杂度和开发成本高，需要训练更多的数据来提升增强每一个环节的效果。
我个人认为第 4 点的难点在于对于复杂业务系统的实现，常见的是代码生成。需要具备指定场景的项目经验，构建架构和模板项目提供样板支撑，才能保证每次生成的效果非常好。且每次涉及Bug调整和修改都有可能进入死循环（参照 cursor / cline）
抛砖引玉，有限的经验分享
48 117
4.1 cursor+windsurf现在免费使用，使用下来，非常丝滑，没有Gemini和claude的卡顿，长上下文@多个API文档和代码都是2s内速度出来，给出的方案很清晰，实际感受比 Gemini 和Claude 好太多了，分数其实只是个参考，实践才是最好的师傅
Alchian花生: OpenAI在今天凌晨又发布了GPT-4.1、GPT-4.1-mini、GPT-4.1-nano三款模型。 你今天又可以在公众号和视频平台看到一大堆解读，我暂时不打算写对应的内容。我的一句话结论是： GPT-4.1是个比GPT-4o、GPT-4.5更好更便宜的模型，如果你做AI产品，可以考虑性价比去改用对应的API，尤其是4.1-nano的价格非常便宜。 但是对于AI编程来说，我们需要关注的评测指标只有SWE-bench，在这个评测集上，GPT-4.1显著超过了GPT-4o和GPT-4.5的水平，但是相比Claude 3.7，甚至Gemini 2.5 Pro都还有显著差距。 所以，要用AI编程开发产品的话，你继续无脑选择Claude 3.7就好了，不需要关注那么多噪音。
6 00
GPT 4.5 王者 + 4o 落幕，4.1 成性价比之王，省流版
1M 长上下文：提升 8x 的内容理解的连贯性、复杂的推理、强大的细节处理、检索增强。主流 AI 从128k/200k 主流跃升到 1M 级别。体会过 Gemin 全线模型 1M 带来提升，可以感受一下
编程能力：代码能力从 4o（33%-> 55%)，提升 66%，测试能力已经接近 3.7，但是基准测试是不是会考虑长上下文的优势？claude 3.7 实际用下来还是有些幻觉的。
- 图 2 是 4.1 VS Gemini 2.5 Pro 是模拟夜晚霓虹灯照亮的赛博朋克城市景观，带有动态灯光和雾气的单 HTML 文件
图像理解：提升 30% ，但是不要忽略长上下文带来的优势，对越高清的图像理解能力越强，并且 4o 生成图像就是自回归架构（相当于把图像放到 tokens 里），128K 和 1M ，而且据说准备升级新的图像模型了。另外 GPT 4.1 mini 图像理解能力也不低，用于Agent / MCP 图像识别 + 文本理解任务，2 美刀这个价格也挺美丽的 ，竞争对手是 Gemini Flash 2.0（0.5刀），实际要对比才知道。
价格优势：1M（8x） + 66% 编码能力提升 + 图像理解（30%）还不能说是性价比之王吗？
- 对比 Gemini Pro 2.5 11.25刀（input+output），4.1 10刀，便宜太多了，而且 Gemini 2.5 是推理模型，4.1是基础模型 ，tokens的速度是 Gemini 2.5 数倍，信息效率还是重要的。推理模型肯定是比基础模型要强，毕竟消耗的时间和成本更高。毕竟产品体验也是很重要的一环
- 对比 Claude 3.7 18 美刀，200K上下文 VS 1M，水平接近，真实情况下，1M 长上下文的优势会在编码和文本上会强大很多。
最后再说一下：推理模型、开源模型、基础模型是对比的时候，加上 tokens推理速度、商业数据、价格、多模态能力等综合对比才更客观
1M 长上下文：提升 8x 的内容理解的连贯性、复杂的推理、强大的细节处理、检索增强。主流 AI 从128k/200k 主流跃升到 1M 级别。体会过 Gemin 全线模型 1M 带来提升，可以感受一下
编程能力：代码能力从 4o（33%-> 55%)，提升 66%，测试能力已经接近 3.7，但是基准测试是不是会考虑长上下文的优势？claude 3.7 实际用下来还是有些幻觉的。
- 图 2 是 4.1 VS Gemini 2.5 Pro 是模拟夜晚霓虹灯照亮的赛博朋克城市景观，带有动态灯光和雾气的单 HTML 文件
图像理解：提升 30% ，但是不要忽略长上下文带来的优势，对越高清的图像理解能力越强，并且 4o 生成图像就是自回归架构（相当于把图像放到 tokens 里），128K 和 1M ，而且据说准备升级新的图像模型了。另外 GPT 4.1 mini 图像理解能力也不低，用于Agent / MCP 图像识别 + 文本理解任务，2 美刀这个价格也挺美丽的 ，竞争对手是 Gemini Flash 2.0（0.5刀），实际要对比才知道。
价格优势：1M（8x） + 66% 编码能力提升 + 图像理解（30%）还不能说是性价比之王吗？
- 对比 Gemini Pro 2.5 11.25刀（input+output），4.1 10刀，便宜太多了，而且 Gemini 2.5 是推理模型，4.1是基础模型 ，tokens的速度是 Gemini 2.5 数倍，信息效率还是重要的。推理模型肯定是比基础模型要强，毕竟消耗的时间和成本更高。毕竟产品体验也是很重要的一环
- 对比 Claude 3.7 18 美刀，200K上下文 VS 1M，水平接近，真实情况下，1M 长上下文的优势会在编码和文本上会强大很多。
最后再说一下：推理模型、开源模型、基础模型是对比的时候，加上 tokens推理速度、商业数据、价格、多模态能力等综合对比才更客观
1 02
今天大清早从广州赶去深圳上班让我想到一个点：假如AI可以实时监控A到B点中长途路程交通情况，记忆我日常走路的速度和车辆到达时间，快速并实时的在关键节点给我路线建议,比如自动打车，预测要不要改签等等，还能实时播报，简直太实用了
4 00
Token 排行榜仅次于 Claude 3.7 的 OpenRouter Optimus Alpha 免费编码模型，我已经使用 3 天了
1：主题配色不错：我曾尝试使用 cursor + Optimus Alpha 生成 SVG HTML，能给出很不错的效果（非视频）
2：结对编程：分步沟通、智能引导、符合人类工程化思维
对比其它模型：
1：没有 Gemini Pro 2.5 长时间 Think，超纲的信息负荷
2：相比于 Claude 3.7 少了很多幻觉和跳脱
3：主题配色比 deepseek 3.4 好不少，接近 claude 3.5
缺点：
1：只适合与程序员结对分步编程，不太适合产品经理等非程序员的 vibe 玩法
2：curosr 还没完全兼容，ASK 为主，上下文太长，有时候只显示文字，没有代码，要让它再一次输
3: 非常烧 token，3 天我用了 17M，加上 quasqr，一共 21M，按照 Gemini Flash2.0 / 4o-mini 的价格都近百RMB了
总而言长，非常不错的主力模型，希望一直免费。
1：主题配色不错：我曾尝试使用 cursor + Optimus Alpha 生成 SVG HTML，能给出很不错的效果（非视频）
2：结对编程：分步沟通、智能引导、符合人类工程化思维
对比其它模型：
1：没有 Gemini Pro 2.5 长时间 Think，超纲的信息负荷
2：相比于 Claude 3.7 少了很多幻觉和跳脱
3：主题配色比 deepseek 3.4 好不少，接近 claude 3.5
缺点：
1：只适合与程序员结对分步编程，不太适合产品经理等非程序员的 vibe 玩法
2：curosr 还没完全兼容，ASK 为主，上下文太长，有时候只显示文字，没有代码，要让它再一次输
3: 非常烧 token，3 天我用了 17M，加上 quasqr，一共 21M，按照 Gemini Flash2.0 / 4o-mini 的价格都近百RMB了
总而言长，非常不错的主力模型，希望一直免费。
00:13
9 12