即刻App年轻人的同好社区
下载
Barret李靖
169关注11k被关注11夸夸
编程领域优秀贡献者
🧑💻 软件工程师 / 终身学习者 / 俩妞爸
🧐 AI / Cloud Native / Indie Maker
👻 小胡子哥，一个有趣的灵魂
🧐 AI / Cloud Native / Indie Maker
👻 小胡子哥，一个有趣的灵魂
Agents automation & Agent as teammate，Vibe coding 了一个多月，折腾了一个版本😄
支持多需求源的自动接入，支持 AI 工作流的编排，也做了基于看板的任务自动化流转，成员的经验可以沉淀为技能和胶囊，在团队内共享。支持团队使用和个人本地使用，也支持租户管理，适合做企业版部署。
目前完成度 80%，哈哈哈，估计还得肝好多个晚上😅
支持多需求源的自动接入，支持 AI 工作流的编排，也做了基于看板的任务自动化流转，成员的经验可以沉淀为技能和胶囊，在团队内共享。支持团队使用和个人本地使用，也支持租户管理，适合做企业版部署。
目前完成度 80%，哈哈哈，估计还得肝好多个晚上😅
12 23
看了一晚上 Claude Code 泄露的代码，结合常见的记忆管理框架，把记忆模块做了一些分析。
Tulving 老爷子在 1972 年提出了记忆系统的框架设计，至今仍在广泛使用，他把记忆分为三类：1）情境记忆（episodic memory），我干了啥，用来记录过去；2）语义记忆（semantic memory），我知道啥，用来提炼规律；3）以及程序化记忆（procedural memory），我会做啥，用来决定行动。
这些记忆之间是存在相关性的，例如我经历的事情（情景记忆）会慢慢遗忘细节，储存在脑海中的是提炼后的规律和知识，也就是压缩成了语义记忆；而我知道的东西又会逐渐内化为行动的指引，变成一种“知道怎么做”的能力，这就是程序化记忆；程序化记忆反过来又会指导行动，从而产生新的经历。三者构成了一个不断循环的过程：经历 → 知识 → 技能 → 新的经历。
Claude Code Memory 在这几块都有对应的实践，例如每轮次的对话它会以 jsonl 格式做储存，这是情境记忆；同时在对话过程中还会有 SessionMemory 做实时蒸馏，相当于一边发生一边做初步整理。
每轮次结束后，它会 fork 出一个子 Agent（extractMemories）去提取值得持久化的内容，写入带 YAML 头的 MD 文件，这一层对应语义记忆，把零散对话压缩成可复用的知识。更有意思的是它还有一个 autoDream 机制，会在后台做整合和修剪，把碎片化的内容重新组织、合并、更新，这一步很像记忆的巩固过程。
很多框架都没有实现程序化记忆，而 Claude Code 做了。它有一个 feedback 的记忆类型，不仅记录了不要做什么（用户的纠正），还会记录哪些做法是对的（用户的确认），这些都是经验化的技能记录。多数系统只考虑负反馈，Claude Code 兼顾了正向确认，让 Agent 不至于越学越保守，这一点非常关键。
相比 LangMem/Mem0/Zep/EverMemOS/MemOS 这些框架，Claude Code 肯定弱的像个菜鸡😄。它有很多能力是明显不足的，例如：不支持语义化召回（用 LLM 扫 metadata 代替向量检索，上限 200 个文件）、遗忘策略比较粗（24 小时 or 5 轮对话触发整合）、无关联网络（记忆是孤立文件），等等。
真要像 EverMemOS/MemOS 那样追求全量记忆，工程和架构复杂度会直线上升，就拿 EverMemOS 来说，光基础设施就包含了 MongoDB/Elasticsearch/Milvus/Redis，更别说其他的附带依赖了。这类框架更适合做个人长期记忆管理。
另外也去对比了下 OpenClaw，它的记忆实现也非常有意思。它不追求全量记忆，而是优先解决“记忆什么时候该被用”。它把记忆拆成了三层：全局层、工作区层、任务层，逐层收敛，只在必要的时候才把上下文拉进来。
在 OpenClaw 眼里，记忆不是资产，正确使用记忆的能力才是。所以它的设计更侧重于重建临时的记忆网络。
放在这个视角下再去看 Claude Code，就会发现它其实选了一条更偏执行的路径。
对它来说，看清问题全貌也没那么重要。它解决问题的方式，更像人类工程师 debug，一边看、一边改、一边跑、一边修正，在行动中逐步逼近答案。
在这个过程中，Memory 的作用就是一个“防遗忘机制”，保证关键上下文不会在多轮试错中丢失。
Tulving 老爷子在 1972 年提出了记忆系统的框架设计，至今仍在广泛使用，他把记忆分为三类：1）情境记忆（episodic memory），我干了啥，用来记录过去；2）语义记忆（semantic memory），我知道啥，用来提炼规律；3）以及程序化记忆（procedural memory），我会做啥，用来决定行动。
这些记忆之间是存在相关性的，例如我经历的事情（情景记忆）会慢慢遗忘细节，储存在脑海中的是提炼后的规律和知识，也就是压缩成了语义记忆；而我知道的东西又会逐渐内化为行动的指引，变成一种“知道怎么做”的能力，这就是程序化记忆；程序化记忆反过来又会指导行动，从而产生新的经历。三者构成了一个不断循环的过程：经历 → 知识 → 技能 → 新的经历。
Claude Code Memory 在这几块都有对应的实践，例如每轮次的对话它会以 jsonl 格式做储存，这是情境记忆；同时在对话过程中还会有 SessionMemory 做实时蒸馏，相当于一边发生一边做初步整理。
每轮次结束后，它会 fork 出一个子 Agent（extractMemories）去提取值得持久化的内容，写入带 YAML 头的 MD 文件，这一层对应语义记忆，把零散对话压缩成可复用的知识。更有意思的是它还有一个 autoDream 机制，会在后台做整合和修剪，把碎片化的内容重新组织、合并、更新，这一步很像记忆的巩固过程。
很多框架都没有实现程序化记忆，而 Claude Code 做了。它有一个 feedback 的记忆类型，不仅记录了不要做什么（用户的纠正），还会记录哪些做法是对的（用户的确认），这些都是经验化的技能记录。多数系统只考虑负反馈，Claude Code 兼顾了正向确认，让 Agent 不至于越学越保守，这一点非常关键。
相比 LangMem/Mem0/Zep/EverMemOS/MemOS 这些框架，Claude Code 肯定弱的像个菜鸡😄。它有很多能力是明显不足的，例如：不支持语义化召回（用 LLM 扫 metadata 代替向量检索，上限 200 个文件）、遗忘策略比较粗（24 小时 or 5 轮对话触发整合）、无关联网络（记忆是孤立文件），等等。
真要像 EverMemOS/MemOS 那样追求全量记忆，工程和架构复杂度会直线上升，就拿 EverMemOS 来说，光基础设施就包含了 MongoDB/Elasticsearch/Milvus/Redis，更别说其他的附带依赖了。这类框架更适合做个人长期记忆管理。
另外也去对比了下 OpenClaw，它的记忆实现也非常有意思。它不追求全量记忆，而是优先解决“记忆什么时候该被用”。它把记忆拆成了三层：全局层、工作区层、任务层，逐层收敛，只在必要的时候才把上下文拉进来。
在 OpenClaw 眼里，记忆不是资产，正确使用记忆的能力才是。所以它的设计更侧重于重建临时的记忆网络。
放在这个视角下再去看 Claude Code，就会发现它其实选了一条更偏执行的路径。
对它来说，看清问题全貌也没那么重要。它解决问题的方式，更像人类工程师 debug，一边看、一边改、一边跑、一边修正，在行动中逐步逼近答案。
在这个过程中，Memory 的作用就是一个“防遗忘机制”，保证关键上下文不会在多轮试错中丢失。
41 421
在启动一个需要 vibe coding 的项目前，进入目录的第一件事，不是输入一句话需求，而是先给项目“立规矩”，或者说是，编写“LLM 宪法”，让 LLM 做事时有理可依、有据可循。
LLM 会在一个解空间里反复探索，直到达成目标，有约束但又不失开放性的宪法，可以让 LLM 少走弯路，并且在整个项目周期都能记住项目目标。
例如我在一个 vibe learning 的目录下，会给 Claude 提出这样的初始化要求：
"""
本仓库是用来做 vibe learning 的，所有的 MCP、Skills 等尽量安装在本目录下的合适子目录里，控制好结构，避免上下文爆炸。整体设计要尽量克制，不要复杂，目录要清晰、干净。
你需要把主流媒体平台的 CLI 工具尽量接进来，我是要从这里获取大量资讯的。我现在推荐了一个 opencli，其他的你可以自己去互联网找一找，选那些真正有用的工具。抓回来的内容可以考虑存到本地，但一定要克制，不要把一堆垃圾数据搬进来，尽量只留下高质量的信息。
我本身也在做自媒体，会在 微博、即刻和 X 上发内容，所以你需要在这个仓库里沉淀我的风格、规则、偏好，甚至可以主动去分析我各个平台的内容表现。所有要发布的内容，也需要在这里有一个沉淀和演化的过程。
有一类资讯是适合做 daily 或 weekly 学习的，这类内容需要重点处理。你要记录数据源，并设计一个定时拉取策略，把这些高质量内容持续沉淀到本地。本地存储尽量用 MD 格式，同时把关键附件也管理好。
如果涉及脚本处理，技术栈优先用 bun，可以直接跑 typescript。如果要做应用，尽量用 Next 或 Nuxt，保持简单。数据库本地用 sqlite，同时要预留 mysql 的 adapter。能用 CLI 的地方优先用 CLI，不要一上来就用 MCP。同时要定期 review 我的规则文件，看哪些需要合并、归档，做好短期记忆和长期记忆的分层，在使用的时候也要有召回机制。
还有一件事，我每次写的 prompt，你要帮我做定期整理，可以按天输出一份，把里面值得沉淀的表达、模式抽出来，慢慢变成长期资产。整个仓库用 git 管理，所有内容都是可演进、可回溯的。
将以上内容，拆解后，根据 Claude 官网的最佳实践，初始化写入到本仓库的 CLAUDE.md 和 AGENTS.md。
"""
LLM 会在一个解空间里反复探索，直到达成目标，有约束但又不失开放性的宪法，可以让 LLM 少走弯路，并且在整个项目周期都能记住项目目标。
例如我在一个 vibe learning 的目录下，会给 Claude 提出这样的初始化要求：
"""
本仓库是用来做 vibe learning 的，所有的 MCP、Skills 等尽量安装在本目录下的合适子目录里，控制好结构，避免上下文爆炸。整体设计要尽量克制，不要复杂，目录要清晰、干净。
你需要把主流媒体平台的 CLI 工具尽量接进来，我是要从这里获取大量资讯的。我现在推荐了一个 opencli，其他的你可以自己去互联网找一找，选那些真正有用的工具。抓回来的内容可以考虑存到本地，但一定要克制，不要把一堆垃圾数据搬进来，尽量只留下高质量的信息。
我本身也在做自媒体，会在 微博、即刻和 X 上发内容，所以你需要在这个仓库里沉淀我的风格、规则、偏好，甚至可以主动去分析我各个平台的内容表现。所有要发布的内容，也需要在这里有一个沉淀和演化的过程。
有一类资讯是适合做 daily 或 weekly 学习的，这类内容需要重点处理。你要记录数据源，并设计一个定时拉取策略，把这些高质量内容持续沉淀到本地。本地存储尽量用 MD 格式，同时把关键附件也管理好。
如果涉及脚本处理，技术栈优先用 bun，可以直接跑 typescript。如果要做应用，尽量用 Next 或 Nuxt，保持简单。数据库本地用 sqlite，同时要预留 mysql 的 adapter。能用 CLI 的地方优先用 CLI，不要一上来就用 MCP。同时要定期 review 我的规则文件，看哪些需要合并、归档，做好短期记忆和长期记忆的分层，在使用的时候也要有召回机制。
还有一件事，我每次写的 prompt，你要帮我做定期整理，可以按天输出一份，把里面值得沉淀的表达、模式抽出来，慢慢变成长期资产。整个仓库用 git 管理，所有内容都是可演进、可回溯的。
将以上内容，拆解后，根据 Claude 官网的最佳实践，初始化写入到本仓库的 CLAUDE.md 和 AGENTS.md。
"""
26 110
早期做 Coding Agent 都比较喜欢将本地代码库进行向量化，结合 IDE 上下文，提前构建一份“高质量上下文”，再交给大模型去推理。这种方式延续了很久，为了加速响应，甚至会在本地部署一个小模型，用于做 tab-tab 的决策。
Claude Code 出来之后，整个流派就发生了变化，开始倾向于转到 Terminal 编程，cc 的行为特别像人类工程师 debug 的过程：看代码 → grep → 试改 → 跑命令 → 报错 → 再查 → 再改 → 直到跑通。
它对代码仓库的理解是比较片面的，但这并不影响它解决问题。通过最小试错的方式，一边做任务一边理解全貌，这个操作反而更符合直觉。
一个巨石应用在运转的时候发生了错误，我们不需要对巨石应用有全面了解，只需要根据报错特征，修复当前的报错问题就好了。
有个库叫做 CodeGraph，它支持跟 Claude Code 协作，首先将仓库代码进行向量化，然后提供 MCP 给 cc 调用，以替代 cc 的 grep 操作。它的核心目标是节省 token，从数据看，确实可以节省大概 20%+ 的 token，但效果大概率会有折扣。
CodeGraph 这类方案，存在几个比较难搞定的问题：1）代码是活的，图谱很容易过期，而 grep 永远是新的；2）很多时候并非找不到代码，而是改得对不对，得去改、去执行、去验证，CodeGraph 只解决了查找问题；3）一大堆的图谱数据交给 LLM，它能不能正确消化？要知道 LLM 也是不稳定和有幻觉的。
不过度依赖“看得很准”，才开始动手。 一边做，一边修正，一边逼近答案。这就是 Claude Code 的编程哲学。
Claude Code 出来之后，整个流派就发生了变化，开始倾向于转到 Terminal 编程，cc 的行为特别像人类工程师 debug 的过程：看代码 → grep → 试改 → 跑命令 → 报错 → 再查 → 再改 → 直到跑通。
它对代码仓库的理解是比较片面的，但这并不影响它解决问题。通过最小试错的方式，一边做任务一边理解全貌，这个操作反而更符合直觉。
一个巨石应用在运转的时候发生了错误，我们不需要对巨石应用有全面了解，只需要根据报错特征，修复当前的报错问题就好了。
有个库叫做 CodeGraph，它支持跟 Claude Code 协作，首先将仓库代码进行向量化，然后提供 MCP 给 cc 调用，以替代 cc 的 grep 操作。它的核心目标是节省 token，从数据看，确实可以节省大概 20%+ 的 token，但效果大概率会有折扣。
CodeGraph 这类方案，存在几个比较难搞定的问题：1）代码是活的，图谱很容易过期，而 grep 永远是新的；2）很多时候并非找不到代码，而是改得对不对，得去改、去执行、去验证，CodeGraph 只解决了查找问题；3）一大堆的图谱数据交给 LLM，它能不能正确消化？要知道 LLM 也是不稳定和有幻觉的。
不过度依赖“看得很准”，才开始动手。 一边做，一边修正，一边逼近答案。这就是 Claude Code 的编程哲学。
16 14
周末撸的这个小产品，让我找回了五六年前玩自媒体的感觉，😄，一键多发，信息回流。
感触也很深，这个产品，十多轮 AI 对话就搞好了，整个代码实现我几乎没干预。可以这么说，专属于程序员的 AI 编程时代已经过去，人人都可以轻松撸一个软件。
也 review 了软件质量，水平一般吧，距离服务化和规模化还差一百轮对话。
感触也很深，这个产品，十多轮 AI 对话就搞好了，整个代码实现我几乎没干预。可以这么说，专属于程序员的 AI 编程时代已经过去，人人都可以轻松撸一个软件。
也 review 了软件质量，水平一般吧，距离服务化和规模化还差一百轮对话。
17 42
编程，正在变成一件几乎不需要消耗专注力的事情。
你不再需要长时间盯着屏幕推敲实现路径，也不再需要在脑子里反复模拟执行流程。尤其是在从零到一的阶段，做一个只服务自己的小工具，写一个解决当下问题的产品，这种变化最明显。把需求讲清楚，让它生成，跑起来，能用就行。不满意，再来一版。软件从“需要被设计好”，变成“先被生成出来”。
更微妙的变化，是控制权的转移。起初我们在定义问题，后来在修正答案，再后来，开始顺着它的思路往下走。那句“你这个思路继续展开”，说多了之后，人会慢慢放下判断，转而去筛选。经验没有消失，但它的使用方式变了，从提前定调，变成事后挑选。AI 会不断给出路径，它不太在意路径之间是否统一，它更在意能不能把事情做成。
这也是边界开始出现的地方。AI 在从零到一的生成上非常激进，但一旦进入长期维护，它就开始失控。它的目标很直接，把当前问题解决掉，于是会不断引入新的结构、新的依赖、新的路径。局部看都成立，整体却在变形。系统的复杂度没有被消化，只是被一层一层覆盖。时间一长，代码会“写飞”，稳定性和可维护性被悄悄透支。
于是你会看到一个很清晰的分裂。一边是个人工具、一次性产品，被压缩到极致，从想法到可用，只需要很短的时间，软件像内容一样被生产和消费。另一边是复杂系统，依然需要架构、需要约束、需要人去维持边界，AI 还没有能力吞掉这部分复杂度。
软件在加速蒸发。
1. 在从零到一、为自己而生的场景里，它已经变成即时产物，写出来，用掉，替换掉，不再积累历史，不再追求长期形态。软件在这里变得越来越轻，也越来越不值钱。
2. 而真正有重量的部分，留在系统里。留在那些需要长期演化的结构、需要被约束的复杂度、需要被持续看住的边界里。AI 可以不断生成答案，但系统这件事，仍然需要有人盯着它，让它不至于在“不断做成事情”的过程中，悄悄失去形状。
你不再需要长时间盯着屏幕推敲实现路径，也不再需要在脑子里反复模拟执行流程。尤其是在从零到一的阶段，做一个只服务自己的小工具，写一个解决当下问题的产品，这种变化最明显。把需求讲清楚，让它生成，跑起来，能用就行。不满意，再来一版。软件从“需要被设计好”，变成“先被生成出来”。
更微妙的变化，是控制权的转移。起初我们在定义问题，后来在修正答案，再后来，开始顺着它的思路往下走。那句“你这个思路继续展开”，说多了之后，人会慢慢放下判断，转而去筛选。经验没有消失，但它的使用方式变了，从提前定调，变成事后挑选。AI 会不断给出路径，它不太在意路径之间是否统一，它更在意能不能把事情做成。
这也是边界开始出现的地方。AI 在从零到一的生成上非常激进，但一旦进入长期维护，它就开始失控。它的目标很直接，把当前问题解决掉，于是会不断引入新的结构、新的依赖、新的路径。局部看都成立，整体却在变形。系统的复杂度没有被消化，只是被一层一层覆盖。时间一长，代码会“写飞”，稳定性和可维护性被悄悄透支。
于是你会看到一个很清晰的分裂。一边是个人工具、一次性产品，被压缩到极致，从想法到可用，只需要很短的时间，软件像内容一样被生产和消费。另一边是复杂系统，依然需要架构、需要约束、需要人去维持边界，AI 还没有能力吞掉这部分复杂度。
软件在加速蒸发。
1. 在从零到一、为自己而生的场景里，它已经变成即时产物，写出来，用掉，替换掉，不再积累历史，不再追求长期形态。软件在这里变得越来越轻，也越来越不值钱。
2. 而真正有重量的部分，留在系统里。留在那些需要长期演化的结构、需要被约束的复杂度、需要被持续看住的边界里。AI 可以不断生成答案，但系统这件事，仍然需要有人盯着它，让它不至于在“不断做成事情”的过程中，悄悄失去形状。
33 514
去年给家里娃报了个 Scratch 培训班，一年下来学的也差不多了，今天培训班老师打电话过来，说接下来的系列课程是 Python 进阶，现在报名有很大优惠，时不我待。
作为一个写了十多年代码，当下又被 AI 猛烈冲刷的老码农，我思考了大概两分钟，然后，毅然回绝了。
编程这门传统手艺，正在逐渐走向大众化。
培训班的教学核心，一方面是帮助学生了解逻辑，另外一方面是通过场景化实战让学生掌握逻辑，if/then/else/while。这套体系在过去是有效的，因为掌握语法和结构，本身就代表了生产力。
但今天的问题在于，这些内容正在被 AI 快速吞没。只要能把需求用自然语言描述清楚，大模型就可以生成一份可运行的代码，语法熟练度带来的优势正在迅速贬值。
近期观察娃，经常跟豆包视频聊天做家庭作业，跟 ChatGPT 语音聊天画图，当下的 AI 已经让孩子可以跳过大量基础训练，直接拿着最先进的工具去表达和创作了。
我准备把娃学习编程的预算，拿来养虾🦞和给她买 Token，在更多真实的创作场景里，陪着她一起把想法变成作品。
啥时候培训班也开始这么玩了，倒是可以考虑重新让她回炉学一下，😄
作为一个写了十多年代码，当下又被 AI 猛烈冲刷的老码农，我思考了大概两分钟，然后，毅然回绝了。
编程这门传统手艺，正在逐渐走向大众化。
培训班的教学核心，一方面是帮助学生了解逻辑，另外一方面是通过场景化实战让学生掌握逻辑，if/then/else/while。这套体系在过去是有效的，因为掌握语法和结构，本身就代表了生产力。
但今天的问题在于，这些内容正在被 AI 快速吞没。只要能把需求用自然语言描述清楚，大模型就可以生成一份可运行的代码，语法熟练度带来的优势正在迅速贬值。
近期观察娃，经常跟豆包视频聊天做家庭作业，跟 ChatGPT 语音聊天画图，当下的 AI 已经让孩子可以跳过大量基础训练，直接拿着最先进的工具去表达和创作了。
我准备把娃学习编程的预算，拿来养虾🦞和给她买 Token，在更多真实的创作场景里，陪着她一起把想法变成作品。
啥时候培训班也开始这么玩了，倒是可以考虑重新让她回炉学一下，😄
25 63
过去几周，在 AI 实践过程中的一些经验分享😄
方法论
文档编程 ＞ 代码编程
www.weibo.com
AI Coding 正在重构软件开发
www.weibo.com
让 AI 复用经验，把代码写得更好
www.weibo.com
执行方式
让 AI 并发编程
www.weibo.com
并发 2
www.weibo.com
让 AI 学会并发干活
weibo.com
如何让 AI 进入疯狂工作模式
www.weibo.com
让 AI 输出效果提升五倍
weibo.com
工具与实践
给 openclaw 打造更锋利的剑
www.weibo.com
AI 解放双手，如何把工作托管给浏览器
www.weibo.com
效率跃迁
AI 时代的软件开发速度
www.weibo.com
能力重构
AI 时代对程序员的新要求
weibo.com
AI 时代，如何面试候选人
www.weibo.com
行业变化
程序员也会迎来一波下岗潮
www.weibo.com
个体路径
普通人的 AI 成长之路
weibo.com
方法论
文档编程 ＞ 代码编程
www.weibo.com
AI Coding 正在重构软件开发
www.weibo.com
让 AI 复用经验，把代码写得更好
www.weibo.com
执行方式
让 AI 并发编程
www.weibo.com
并发 2
www.weibo.com
让 AI 学会并发干活
weibo.com
如何让 AI 进入疯狂工作模式
www.weibo.com
让 AI 输出效果提升五倍
weibo.com
工具与实践
给 openclaw 打造更锋利的剑
www.weibo.com
AI 解放双手，如何把工作托管给浏览器
www.weibo.com
效率跃迁
AI 时代的软件开发速度
www.weibo.com
能力重构
AI 时代对程序员的新要求
weibo.com
AI 时代，如何面试候选人
www.weibo.com
行业变化
程序员也会迎来一波下岗潮
www.weibo.com
个体路径
普通人的 AI 成长之路
weibo.com
34 316
昨晚睡前给 AI 布置了一个任务，让它帮我做一个社交媒体管理工具，能够一键发布到多平台，也能从多平台中将互动信息收集回来。提示词大概写了一两千字，样式让它直接一比一复刻 Twitter，一觉醒来，完成度非常高，基本能用了😄
自动化登录流程太麻烦了，我让它通过 Chrome devtools MCP 直接读取了我在浏览器上的已有登录态，然后在数据抓取时将 cookies/localstorage 再传递给 playwright，走 headless 完成自动化。
网页元素分析的工作难度也比较高，我让它直接参考开源的 opencli —— gihtub 接近 1w stars，它做到了几乎所有主流媒体网站的信息抓取能力。其实原理也很简单， opencli 先让用户先安装它提供的 Chrome 插件，插件具备 page debugging 能力，原理跟 Chrome devtools MCP 一样，都走的 cdp 协议驱动，它支持对网页的 DOM/Request 做劫持和分析。
样式复刻就更绝了🤣。我让 AI 一边写代码，一边打开 Chrome 去对比当前网页和 Twitter 网页的 DOM 和 style 差异，并且做完之后还得 review 了三次，结果就是，还原效果异常地高！
这个程序，我在五六年前也写过，当时前前后后调了十来天，适配了四个社交媒体，全部是体力活儿，后面也因为媒体网站改版弃坑了。今天有了 AI 之后，睡一觉的功夫，效果就出来了，生产力简直是爆炸啊！💥
自动化登录流程太麻烦了，我让它通过 Chrome devtools MCP 直接读取了我在浏览器上的已有登录态，然后在数据抓取时将 cookies/localstorage 再传递给 playwright，走 headless 完成自动化。
网页元素分析的工作难度也比较高，我让它直接参考开源的 opencli —— gihtub 接近 1w stars，它做到了几乎所有主流媒体网站的信息抓取能力。其实原理也很简单， opencli 先让用户先安装它提供的 Chrome 插件，插件具备 page debugging 能力，原理跟 Chrome devtools MCP 一样，都走的 cdp 协议驱动，它支持对网页的 DOM/Request 做劫持和分析。
样式复刻就更绝了🤣。我让 AI 一边写代码，一边打开 Chrome 去对比当前网页和 Twitter 网页的 DOM 和 style 差异，并且做完之后还得 review 了三次，结果就是，还原效果异常地高！
这个程序，我在五六年前也写过，当时前前后后调了十来天，适配了四个社交媒体，全部是体力活儿，后面也因为媒体网站改版弃坑了。今天有了 AI 之后，睡一觉的功夫，效果就出来了，生产力简直是爆炸啊！💥
35 28