#优质博文 #AI #上下文工程 #ClaudeCode
Writing a good CLAUDE.md

AI 摘要：本文介绍了如何编写一个高质量的 CLAUDE.md （或AGENTS.md）文件，以帮助大型语言模型如 Claude 在每次会话中准确理解项目上下文。作者强调 Claude 是无状态（stateless）的，需要通过 CLAUDE.md 主动引导项目背景和结构。文中指出主文件应聚焦通用信息、减少冗余指令、避免让模型充当代码检查工具，并提出了“渐进揭示(Progressive Disclosure)”原则来管理上下文信息。结论是：精简、聚焦、人工精心编写的 CLAUDE.md 才能真正成为助力开发的高杠杆点。

[以下是方便搜索索引的大纲(AI 生成)，请读原文]

1. LLM 基础与 CLAUDE.md 的角色
• 强调 LLM 是无状态的，推理时并不会记忆过往对话。
• CLAUDE.md 文件是让模型理解代码库的唯一常驻入口，每次对话都会自动加载。
• 它的作用类似于为 Claude 提供项目结构图与工作指南。

2. CLAUDE.md 的内容原则：WHAT / WHY / HOW
• WHAT：介绍项目栈、架构与子模块结构，是 Claude 的“路线图”。
• WHY：说明项目目标与各部分用途，帮助 Claude 理解设计动机。
• HOW：告诉 Claude 如何执行任务，如构建流程、测试方式、工具链（例如使用 bun 还是 node）。
• 提醒不要塞入所有命令，应保持“够用、通用、可解释”。

3. Claude 忽略 CLAUDE.md 的原因及机制
• Claude 会根据系统提醒(<system-reminder>)判断上下文是否相关。
• 若文件含过多不相关信息，Claude 会选择性忽略。
• 这种机制是为防止用户使用 CLAUDE.md 添加无关“热修复”指令所设计。

4. 编写高质量 CLAUDE.md 的建议
• 遵循 context engineering best practices。
• 少即是多 (Less is more)：避免过多指令或与代码无关的规则。
• 研究表明 LLM 对 150–200 条指令的响应最为稳定，超过会急剧下降。
• Claude Code 的系统提示占掉约 50 条指令空间，因此应控制在极简范围内。

5. 文件长度与通用性建议
• 上下文窗口应专注于高相关的内容，而非填充冗余背景。
• 建议文件 <300 行，理想情况下 <60 行。
• 仅包含“通用适用”的指令与信息。

6. 渐进揭示 (Progressive Disclosure) 原则
• 将不同任务的指令拆分为独立的 Markdown 文件（如 agent_docs/ 目录）。
• 在主文件中只列出这些文件及简要说明，让 Claude 按需访问。
• 避免代码复制，推荐使用 file:line 引用；引用比拷贝更可维护。

7. Claude 不是代码检查工具
• 不应让 Claude 替代 linter 或 formatter。
• 代码风格应由确定性工具（如 Biome）自动处理。
• 可使用 Stop hook 或 Slash Command 将检查与格式化过程外挂给 Claude 参考，而非直接放入主文档中。

8. 避免自动生成或使用 /init
• 自动生成的文件通常内容冗余或缺乏针对性。
• CLAUDE.md 是高杠杆点，一旦草率配置，会对所有阶段输出产生负面连锁影响。
• 建议人工精雕细琢每一行指令，使其精准可靠。

9. 结论与最佳实践总结
• 明确项目的 WHY / WHAT / HOW。
• 内容简洁、普适、避免多余。
• 采用渐进式信息揭示策略。
• 使用独立工具执行语法或格式检查任务。
• 谨慎维护 CLAUDE.md——它影响整个代理（agent）表现的核心。

author Kyle Mistele

www.humanlayer.dev

Writing a good CLAUDE.md

`CLAUDE.md` is a high-leverage configuration point for Claude Code. Learning how to write a good `CLAUDE.md` (or `AGENTS.md`) is a key skill for agent-enabled software engineering.

#优质博文 #前端 #AI #工程化 #bun #新动态
Bun 被 Anthropic 收购。
Bun is joining Anthropic

AI 摘要：Bun 宣布被 Anthropic 收购，将作为 Claude Code、Claude Agent SDK 等产品的核心基础设施。Bun 保持开源与 MIT 许可证，团队与路线图不变，继续专注于高性能 JavaScript 工具和 Node.js 兼容性建设。此次加入为 Bun 带来长期稳定性与更充足资源，也让团队处于 AI 编码革命的前线，加速产品迭代，助力 AI 驱动的开发模式未来。

[以下是方便搜索索引的大纲(AI 生成)，请读原文]

1. 加入 Anthropic 的背景与不变之处
• Anthropic 收购 Bun，旨在让其成为 Claude Code 与未来 AI 编程工具的运行基础。
• Bun 将继续开源（MIT 许可）、在 GitHub 公开开发，保持原团队管理与代码维护。
• 路线图不变，持续聚焦高性能 JavaScript 工具与 Node.js 替代能力。

2. 与 Anthropic 合作后的变化
• 更紧密参与 Claude Code 与 Claude Agent SDK 的性能优化，让工具更快更轻。
• 获得 AI 工具一手开发动态，Bun 能优先适配未来 AI 编程需求。
• 加速发布周期，强化生态深度。

3. Bun 的起源与演进
• 起点是开发浏览器 voxel 游戏时的性能瓶颈，促生对编译与运行时系统的探索。
• 从 esbuild 移植 JSX/TypeScript 编译器到 Zig，用 JavaScriptCore 构建自有运行时。
• 2022 年发布 Bun v0.1，集打包器、编译器、运行时、测试与包管理于一体。
• 后续版本：
• v1.0（2023 年）正式稳定，融资并扩张团队；
• v1.1 补齐 Windows 支持；
• v1.2 强化 Node.js 兼容与扩展数据库客户端；
• v1.3 加入前端开发服务器、Redis/MySQL 驱动，生产应用激增。

4. AI 编码工具的崛起与契合
• 2024 年后 AI 编码工具突飞猛进，Bun 的单文件可执行特性非常适合 CLI 与 Agent 分发。
• Claude Code、FactoryAI、OpenCode 等关键 AI 工具均基于 Bun。
• 团队自用 Claude Code 实现自动提交与错误修复，提升开发效率。

5. 可持续性与发展方向
• Bun 至今无直接营收，原计划构建云产品，但 AI 生态发展已重塑商业逻辑。
• 加入 Anthropic 避免了 VC 变现压力，转而获得长期稳定支持与核心地位。
• 与其在未来 AI 开发趋势之外摸索，不如进入中心参与制定。

6. 未来展望与愿景
• 目标成为 AI 时代的标准运行时，让 Bun 承载“AI 驱动软件开发”的基础层。
• Anthropic 为其提供长期资源、战略支持与招聘扩展。
• 持续对社区开放、保持 Node.js 兼容、加速工具链性能提升。
• 预期形态类似「Claude Code <> Bun」关系，类比于「Chrome <> V8」等组合。

author Jarred Sumner

Bun

Bun is joining Anthropic

Bun has been acquired by Anthropic. Anthropic is betting on Bun as the infrastructure powering Claude Code, Claude Agent SDK, and future AI coding products & tools.

#优质博文 #AI #AST #React #前端 #测试 #工程实践 #ClaudeCode #codemod #course
好文章，关于使用 AI 进行重构迁移的教科书式文章。
Migrating 6000 React tests using AI Agents and ASTs

AI 摘要：作者在 Filestage 的前端项目中使用 AI Agents（特别是 Claude Code）与 AST（Abstract Syntax Tree）技术，将近千个测试文件、六千多条测试从 React Testing Library v13 迁移至 v14。文章展示了从制定迁移指南、分步提交 PR、编写 codemod、自动化验证到改进 AI 提示的完整过程，最后总结出 AI 在大规模代码迁移中的优势与局限，并强调“小步迭代 + 自动化验证”的工程基本功仍然至关重要。

[以下是方便搜索索引的大纲 (AI 生成)，请读原文]

1. 项目背景与动机
• 公司使用旧版 React Testing Library 编写了 970 个测试文件，总计 6000 多测试用例。
• 升级至 v14 后 API 完全异步化，行为变化大，手动迁移代价极高。
• 作者决定尝试用 AI 辅助完成大规模迁移。

2. 准备与迁移指南
• 首次直接用 Claude Code CLI 自动迁移失败，暴露出测试失败过多、AI 调试混乱的问题。
• 于是转而使用 Claude Web 模式制作详细的迁移指南，分析版本差异与新 API。
• 确定主要变化：异步 API、测试 setup 模式更新、时序逻辑差异需人工介入。

3. 拆分改动与依赖并行安装
• 利用 NPM 的包别名功能同时运行 v13 与 v14，避免一次性大变更。
• 生成迁移指南并提交第一份 PR，保证团队迭代可控。

4. 编写与测试 codemod 自动化工具
• 使用 jscodeshift 解析代码为 AST，再生成批量修改工具。
• 编写输入输出测试用例以验证 codemod 效果（例如导入路径、 renderWithUserEvent 封装替换）。
• 自动测试 codemod 确保修改一致性和可验证性。

5. 实际迁移与 AI 协作循环
• 通过详细 prompt 指令让 Claude Code 分批迁移 10 个测试文件，执行 lint 检查与单测验证。
• 持续观察失败案例，不断改进 codemod 与迁移指南。
• 迁移指南从最初 4500 字扩充到 7500 字；codemod 从 271 行发展到近千行，测试覆盖更完备。
• 共执行 50 次迁移，形成 50 个独立 PR。

6. AI 性能与局限分析
• Claude Code 在调试测试与识别重复模式方面表现优异。
• 局限包括 context 深度不足、长任务遗忘指令、无法稳定维持覆盖率。
• 通过增加 JSON 格式的覆盖率报告输入，AI 能理解覆盖问题并修复。
• 网络波动与服务超限导致中断，验证仍需人工把关。

7. 工程启示与最终成果
• 整体用一周完成迁移，每个 PR 约半小时。
• 若纯人工迁移，估计需数月。
• 迁移过程机械但 AI 显著提升效率。
• 保持验证自动化、关注 edge case、理解底层工具机制，是让 AI 发挥价值的关键。
• 作者展望未来 AI 将进一步解放开发者，从“重复劳动”转向更有创造力的工作。

author Elio Capella Sánchez

Eliocapella

Migrating 6000 React tests using AI Agents and ASTs

How I used AI to migrate 970 test files with 6000+ test cases from React Testing Library v13 to v14 in one week, through 50 PRs that would have taken months manually.

#前端 #AI #ClaudeCode
这个好，现在可以用 cc 的插件弥补他的前端设计技能，
在 Claude Code 里用这两条命令：

/plugin marketplace add anthropics/claude-code

/plugin install frontend-design@claude-code-plugins

https://fixupx.com/trq212/status/1993786550656897491

Thariq(@trq212):Opus 4.5 is our best model yet for design & vision.
Here are some of my favorite UIs we made with Claude Code's frontend-design plugin.
To try this yourself add our marketplace in Claude Code:
/plugin marketplace add anthropics/claude-code
and then install the plugin:
/plugin install frontend-design@claude-code-plugins

🧵 Thread • FixupX

Thariq (@trq212)

Opus 4.5 is our best model yet for design & vision.

Here are some of my favorite UIs we made with Claude Code's frontend-design plugin.

#优质博文 #AI #工程实践 #ClaudeCode #工程化
非常好文章，在 X 上的 yousa：“我把前几天在Trae的分享整理成了文字稿“ 里看到的。

yousa (@y0usali): 我把前几天在Trae的分享整理成了文字稿
「https://yousali.com/posts/20251124-how-to-coding-with-ai/」
这篇文章写给已经在或准备在真实生产项目里用 AI Coding 的后端 / 全栈工程师和技术管理者。
它不会教你「按钮在哪里」「哪个 prompt 最神」，而是想在大约 15 分钟里，帮你搞清楚三件事：
哪些任务交给 AI 最「划算」；
怎么让项目本身变得更「AI 友好」，提高一次命中率；
当生成不再是瓶颈时，工程师应该如何设计验证流程，把时间花在真正值钱的地方。

从「写代码」到「验代码」：AI 搭档写走 3 年，我踩出来的协作路线图

AI 摘要：作者总结三年 AI 编程经验，指出 AI 写代码的时代关键不在「准不准」而在「值不值」。文章从个人与团队两个视角分析了 AI 生成代码的最佳使用场景（高重复、低风险、易验证）、如何构建「AI 友好」项目，以及工程师心态从「写代码」到「验代码」的转变。核心结论是：生成已不再是瓶颈，验证才是新的核心；AI 的上限取决于给它的上下文（Context）。标准化与自动化是让 AI 值得信赖的关键，而工程师应成为定义任务与设计验证系统的「总工程师」。

[以下是方便搜索索引的大纲(AI 生成)，请读原文]

1. 两种声音与早期弯路 —— 从试验到思考
• AI 编程存在两极化认知：「神迹」与「玩具」并存。
• 初期盲目尝试，成功靠运气，暴露问题在于目标定义不清。
• 结论：关键在于明确「让 AI 干什么」，而非讨论「准不准」。

2. 从关注准确率到计算性价比 —— 「甜点区」的发现
• 引入「效率增益」公式衡量 AI 协作的价值。
• 四类高性价比任务：高重复、高耗时、低风险、易验证。
• 案例：模块化模板 + few-shot 示例提升生成质量。
• 心态转变：接受 AI 错误，注重系统级可靠性。
• 工程协作比喻：把 AI 当成「聪明但不熟悉项目的实习生」。

3. 团队视角的优化 —— 让项目更「AI 友好」
• 数据显示企业中 20%–30% 新代码由 AI 生成，但效率提升有限。
• 关键差异在于：项目是否标准化与自动化。
• 标准化**：统一接口规范、术语表、文档说明，让人机共享上下文。
• 自动化：降低验证成本，AI 助力 pre-commit、自动测试、CI/CD 等流程。
• 实践公式：讲清规则 → AI 辅助执行 → 人专注高价值审查。

4. 工程师的心理负担与注意力管理
• 高频切换任务使「注意力成本」爆炸，人类像「上下文很小的 LLM」。
• 心流（flow）被碎片化交互打断，导致疲惫与效率下降。
• 自救方法：时间分层、AI 时分复用、三分钟原则、沟通卫生与单线专注。
• 重点转移：保护注意力等于提升系统整体吞吐。

5. 稳定的两条工程原则
• 原则一：生成已非瓶颈，验证是核心
• 聚焦测试、监控、回滚机制。考核应基于 Bug Lead Time 而非代码量。
• 原则二：上下文为王（Context is King）
• 上下文完整度决定 AI 产出质量。
• 推广路径：统一规范 → 写进仓库 → 自动化验证。
• 单句箴言：AI 写代码的水平 = 你提供上下文的水平。

6. 给三类读者的建议
• 新手：从小型任务切入，先找「值不值」感受。
• 重度用户：从优化上下文与验证流程入手。
• 管理者：亲自尝试，引导从「个人提速」走向「团队工程化」。

author yousa

🧵 Thread • FixupX

yousa (@y0usali)

我把前几天在Trae的分享整理成了文字稿
「https://yousali.com/posts/20251124-how-to-coding-with-ai/」

这篇文章写给已经在或准备在真实生产项目里用 AI Coding 的后端 / 全栈工程师和技术管理者。
它不会教你「按钮在哪里」「哪个 prompt 最神」，而是想在大约 15 分钟里，帮你搞清楚三件事：

哪些任务交给 AI 最「划算」；
怎么让项目本身变得更「AI 友好」，提高一次命中率；
当生成不再是瓶颈时，工程师应该如何设计验证流程，把时间花在真正值钱的地方。

#碎碎念 #AI #前端 #设计
感觉 gemini 3 pro 的设计确实好有意思哦，给了我不少灵感
还能 border-radius: 60% 40% 30% 70% / 60% 30% 70% 40%; 这么玩儿（）

要做一个无关紧要的官网，我给我们设计安利了 gemini 3 pro 说这个可以出原型，他试了一下一直在卧槽卧槽（直呼底层设计要失业）
（好吧大家一起失业吧x）

https://aistudio.google.com/apps
https://github.com/ZeroLu/awesome-gemini-ai

0:08

Media is too big

VIEW IN TELEGRAM

#优质博文 #AI #prompt #agents

How to write a great agents.md: Lessons from over 2,500 repositories

AI 摘要：本文分析了超过 2500 个公开仓库中的 agents.md 文件，归纳出优秀自定义代理（Custom Agent）的关键写法：让每个代理具备明确角色、具体命令、严格边界与真实示例。成功的代理不是“通用助手”，而是专职专家，如 @docs-agent 负责文档、 @test-agent 负责测试。掌握六个核心领域（命令、测试、项目结构、代码风格、Git 工作流、边界）即可写出高效 agent 文件。

[以下是方便搜索索引的大纲 (AI 生成)，请读原文]

1. 背景与概念
• GitHub 推出新特性：以 agents.md 文件定义自定义代理（Custom Agent），让 Copilot 从通用助手变成具备明确角色的团队成员。
• 每个代理文件定义 persona（角色设定）、技能栈 (tech stack)、可操作命令、代码风格、及禁止行为。

2. 从 2500+ 文件分析得到的经验
• 成功的 agents 明确任务（如 documentation、testing、security），而失败的往往太模糊。
• 要点总结：
• 早放命令：在文件开头就定义可执行命令（含参数/flag）。
• 示例优于解释：展示代码风格比写长篇说明更有效。
• 明确边界：清楚列出“能做”“需确认”“禁止”的操作。
• 标注技术栈：注明版本与依赖，如 “React 18 + TypeScript + Vite + Tailwind CSS”。
• 六大领域覆盖：commands、testing、project structure、code style、git workflow、boundaries。

3. 优秀 agents.md 示例解构 (@docs-agent)
• 文件结构：YAML frontmatter 描述 → 角色与任务 → 项目知识 → 可用命令 → 写作准则 → 三层边界（Always / Ask first / Never）
• 成功原因：具体 persona、可执行命令在前、展示项目知识、有实例代码、边界分层清晰。

4. 构建你的第一个 agent
• 建议从小而具体的任务开始，如编写函数文档、添加单元测试、修复 linter 报错。
• 组成要素：名称、描述、persona 定义。
• Copilot 可辅助生成初稿，用 IDE 编辑 .github/agents/test-agent.md 并微调。

5. 实用代理类型推荐（六类）

• @docs-agent：生成文档，读 src/ 写 docs/。
• @test-agent：编写测试，永不删除失败测试。
• @lint-agent：执行格式修复，仅限风格层面修改。
• @api-agent：搭建 API 接口，修改数据结构需批准。
• @dev-deploy-agent：仅部署到开发环境，操作需批准。
• @security-agent（隐含）：执行安全分析或代码扫描。

6. 模板与最佳实践
• Starter template 提供完整结构：frontmatter、persona、project knowledge、tools、standards、boundaries。
• 强调命名规范、风格示例与边界设置的重要性。

7. 结论与启示
• 优秀 agent ≠ 冗长 prompt，而是清晰角色手册 (operating manual)。
• 核心在于：明确 persona、具体命令、真实样例、明确定义边界。
• 通过迭代完善 agent，让 Copilot 团队协作更像真实开发团队。

author Matt Nigh

The GitHub Blog

How to write a great agents.md: Lessons from over 2,500 repositories

Learn how to write effective agents.md files for GitHub Copilot with practical tips, real examples, and templates from analyzing 2,500+ repositories.

#优质博文 #前端 #设计 #AI
借助 Skills 提升前端设计 | Claude：教你如何用 Claude 的 Skills 机制，让 AI 告别“千篇一律”的前端审美，生成更有品味的网页设计。
原文

baoyu.io

借助 Skills 提升前端设计 | Claude

你可能注意到了，如果你让一个大语言模型 (LLM) 随便搭个网页（**行话叫“落地页”**），它十有八九会给你一套“标配”：Inter 字体、白底配紫色渐变，外加一点点可有可无的动画。

#优质博文 #AI #生产力
很好的 AI 辅助开发实践总结，安利了 OpenSpec 感觉挺不错的～
OpenSpec 使用心得

AI 摘要：本文记录了作者在 AI 辅助开发中的经验演进，从早期的代码补全，到通过 OpenSpec 实现规范驱动的团队协作。OpenSpec 以“提案 + 规范”的模式，把每一次改动都变成可追溯的结构化流程，AI 不再仅是执行命令的工具，而能成为能理解上下文、可协作的开发伙伴。作者通过完整示例展示了 OpenSpec 的安装、初始化、提案、审阅与归档过程，强调“规范文件”才是项目的核心资产。

[以下是方便搜索索引的大纲(AI 生成)，请读原文]

1. AI 工具有机演进
• 从“补全时代”进化到“智能时代”，AI 角色由被动助手变为主动协作者。
• “洪荒—集成—增强—智能”四个阶段反映了工具从 Copilot、Cursor 到具备 MCP（Model Context Protocol）能力的 AI Agent 的演变。

2. 团队协作的痛点与 OpenSpec 的出现
• 团队在长对话中易出现上下文串台与信息丢失问题。
• OpenSpec 通过结构化的 proposal.md 让每次变更有清晰的 Why / What / How / Impact 记录。
• 规范驱动的文档体系保证项目约定可持久化，AI Agent 与新成员都能即刻理解项目背景。

3. 开发者角色的转变
• 开发者不再在指令层面操作 AI，而转为扮演“产品经理”或“团队 Leader”。
• 人负责提需求与审核，AI 负责起草与执行，实现工作分层与效率最大化。

4. OpenSpec 实践全流程
• 安装与初始化：通过 npm 安装并生成 openspec 项目结构（含 project.md、AGENTS.md、specs/、changes/ 等）。
• 创建提案：AI 根据指令生成 proposal.md、tasks.md、spec.md，记录需求、任务与标准。
• 提案打磨：人机协作循环评审，持续优化内容与规范。
• 实施与归档：AI 自动执行 openspec apply / archive 命令，所有过程留痕，形成项目知识库。

5. 实践心得与优势
• 使用者只需掌握 OpenSpec 流程，具体命令和实现由 AI 代劳。
• 项目文档成为最核心资产，使团队协作与知识传递更高效、透明、可靠。
• OpenSpec 提供了开发团队与 AI 共建标准化流程的现实范例。

author 4Ark

GitHub

GitHub - Fission-AI/OpenSpec: Spec-driven development for AI coding assistants.

Spec-driven development for AI coding assistants. Contribute to Fission-AI/OpenSpec development by creating an account on GitHub.

#优质博文 #前端 #AI #MCP #工程化 #nextjs
Next.js DevTools MCP: Your Development Server Just Got Smarter

AI 摘要：本文介绍了由 Vercel 提供的 next-devtools-mcp 套件，它利用 Next.js 16+ 的内置 MCP (Model Context Protocol) 端点 /_next/mcp，让 AI 编码助手（如 Claude、Cursor、Gemini 等）直接访问开发服务器的实时运行数据，包括构建错误、运行错误、TypeScript 类型检查、页面路由、Server Action 定义、日志与配置，从而显著提升调试与代码生成的智能化水平。

[以下是方便搜索索引的大纲 (AI 生成)，请读原文]

1. Next.js 16+ 的内置 MCP 支持
• 自 Next.js 16 起，框架内置 /_next/mcp 端点，可暴露实时的项目状态信息。
• 该端点支持 next-devtools-mcp 包进行自动发现与对接，无需额外配置。

2. 安装与集成方式
• 针对不同 AI 编辑器（Claude Code、OpenAI Codex、Google Gemini）提供简易的 npx 安装命令。
• 其他编辑器可通过在项目根目录添加 .mcp.json 文件实现集成。
• 重启开发服务器后，next-devtools-mcp 自动发现并连接 MCP 端点。

3. 实时错误访问与改进
• 在传统环境中，开发者只能复制错误日志手动传给 AI；
• 使用 MCP 后，Claude 等助手能自动获取错误堆栈、类型及关联代码文件；
• AI 可即时分析、修复并验证结果，大幅减少人工往返操作。

4. 内置工具与功能说明
• get_page_metadata：返回路由、组件与页面结构信息。
• get_project_metadata：暴露项目配置与依赖。
• get_server_action_by_id：查询特定 Server Action 定义。
• get_logs：访问开发服务器日志。
• nextjs_docs：查询官方文档并提供版本相关代码参考。
• upgrade_nextjs_16：运行 Next.js 16 升级代码改造。
• enable_cache_components：配置缓存组件并执行预检。
• browser_eval：通过 Playwright 集成运行浏览器测试。

5. 版本兼容与限制
• Next.js 16+ 获得完整支持，包括实时错误、状态与日志访问。
• Next.js 15 及更低版本仅支持部分功能，如升级脚本与文档查询。

author Trevor Lasn

trevorlasn.com

Next.js DevTools MCP: Your Development Server Just Got Sm...

The Next.js DevTools MCP connects Claude and Cursor to your running dev server. I use it every day.

#优质博文 #前端 #AI #新动态
Octoverse: A new developer joins GitHub every second as AI leads TypeScript to #1：2025 年 GitHub 的年度报告，比较有意思，摘了其中几个点看看：

1. GitHub 总用户达 1.8 亿，年增 3600 万，创下历史最高增长率。每秒新增 1 名开发者，印度贡献 500 万以上新用户，占全球新增 14%。

2. 生成式人工智能如今已成为开发中的标准配置。超过 110 万个公共代码库正在使用 LLM SDK，其中仅过去 12 个月就新增了 693,867 个项目（同比增长 178%）。开发者们还合并了创纪录的 5.187 亿个拉取请求（同比增长 29%），80% 的新开发者在第一周就开始使用 Copilot。

3. TypeScript 首次成为 GitHub 最常用语言，超越 Python 和 JavaScript。即便如此，Python 在人工智能和数据科学工作负载方面仍然占据主导地位，而 JavaScript/TypeScript 生态系统的整体活跃度仍然高于 Python 本身。

4. 总计 3.95 亿个公共存储库托管了 11.2 亿次贡献和 5.187 亿次合并拉取请求。

还有很多很多数据，感兴趣的建议阅读原文。

The GitHub Blog

Octoverse: A new developer joins GitHub every second as AI leads TypeScript to #1

In this year’s Octoverse, we uncover how AI, agents, and typed languages are driving the biggest shifts in software development in more than a decade.

#优质博文 #AI
我使用 Claude Code 开发 Rolldown 的体验：在 Rolldown 开发中高强度使用 Claude Code 进行真实开发的思考与经验分享。

几个月前，我自认为对 AI 认知是比较贴切，能写点脚本、做下网页开发，但处理不了 Rolldown 这种复杂度的项目。
而现在，过去两周里，它几乎替我写了所有的代码。整个流程没有魔法，只有跟着官方文档《Claude Code: Best practices for agentic coding》的笨拙使用，仅仅是这样，就已经颠覆了我的认知。

author Yunfei He

从 周报 #102 - 我是如何使用 AI 的 里看到的文章，我觉得说的都挺对的，现在 AI 确实是很好的副驾驶了，我也是同时用着 codex / claude code / cursor 感觉爽翻天了。

hyf.me

我使用 Claude Code 开发 Rolldown 的体验

Blog post by Yunfei He

#优质博文 #AI #浏览器 #ChatGPT #新动态
有人体验过了不，发的有点晚了，不过为 Codex 买的 ChatGPT Plus 好像又有点用了。
（没有说 Codex 不好的意思——只是 gpt 现在比较少用网页版都是用 api 了）
Introducing ChatGPT Atlas

AI 摘要：ChatGPT Atlas 是 OpenAI 推出的智能浏览器，将 ChatGPT 深度整合进网页使用场景，使 AI 能理解网页内容、保留浏览记忆、自动执行任务。用户在浏览时可直接与 ChatGPT 对话、分析网页或完成操作，无需切换应用。它支持可控的记忆功能（memory）、智能代理模式（agent mode）、隐私与家长管理等，旨在打造一个安全且高效的网页工作助手。目前支持 macOS，Windows 与移动版即将推出。

Openai

Introducing ChatGPT Atlas

The browser with ChatGPT built in.

#优质博文 #AI #MCP #GitHub #MCP #开源
Accelerate developer productivity with these 9 open source AI and MCP projects

AI 摘要：GitHub 携手 Microsoft OSPO、Copilot 与 VS Code 团队，赞助了九个基于 Model Context Protocol (MCP) 的开源项目，以促进 AI 工具与开发平台的深度结合。这些项目聚焦三大主题：框架与平台集成、AI 增强的开发体验、以及自动化与编排。

[以下是方便搜索索引的大纲(AI 生成)，请读原文]

1. 框架与平台集成
• fastapi_mcp：将 FastAPI 端点暴露为安全的 MCP 工具，提供统一基础设施与认证机制。
• nuxt-mcp：面向 Nuxt 应用的调试与路由工具，帮助模型理解 Vite/Nuxt 架构代码。
• unity-mcp：连接 Unity 引擎 API，赋予 AI 管理游戏资产、场景和脚本的能力，实现智能自动化游戏开发。

2. 开发者体验与 AI 增强编码
• context7：提取项目中与版本关联的文档与示例，直接嵌入 LLM (Large Language Model) 提示上下文。
• serena：提供语义检索与代码编辑功能，支持面向代理（agent-driven）的编程流程。
• Peekaboo：分析 Swift 代码界面，为 AI 助手提供可操作的 GUI 自动化上下文。
• coderunner：让 LLM 能在本地沙盒中自动执行与安装依赖，实现即时代码运行与结果反馈。

3. 自动化、测试与编排
• n8n-mcp：为 n8n 平台注入 AI 驱动的工作流自动化，优化节点理解与流程创建。
• inspector：测试与调试 MCP 服务器的工具，支持协议握手检查、OAuth 流程追踪与安全评估模拟。

The GitHub Blog

Accelerate developer productivity with these 9 open source AI and MCP projects

These nine open source MCP projects provide new frameworks, tools, and assistants to unlock AI-native workflows, agentic tooling, and innovation.

#优质博文 #编程语言 #AI #软件工程
有点子感慨呢，不过话说回来 JS 和 TS 是不是得看合起来的排行（x）
（这种榜单基本上图一乐，真用啥是无所谓的，语言都是相通的）

IEEE 发布了 2025 年顶级编程语言的榜单，Python 再次蝉联第一，JavaScript 和 TypeScript 分别位列第 6 和第 7。

The Top Programming Languages 2025

AI 摘要：文章介绍了 2025 年最新的编程语言排行榜，并指出 Python 继续保持第一；与此同时，JavaScript 的影响力下降。作者进一步探讨了 AI（尤其是大型语言模型 LLM）的崛起如何改变了编程生态，使程序员更少依赖公共知识平台，导致传统衡量语言“流行度”的指标逐步失效。更深层次的趋势是：随着编程被 AI 辅助或部分取代，编程语言的差异性和重要性正在逐渐削弱，程序员未来的价值或将转向算法设计、系统架构与领域知识，而非语言本身。

[以下是方便搜索索引的大纲(AI 生成)，请读原文]

1. 2025 年编程语言排行榜与现状
• Python 再次蝉联第一，且在 Jobs 排名中超越 SQL 位列首位
• JavaScript 从第三名跌至第六，或受 AI 辅助网站开发的影响
• SQL 技能依然是职场硬通货

2. 流行度测量的困境
• 排行使用多源指标：Google 搜索、Stack Exchange、GitHub 开源活跃度、论文提及等
• AI 助手 (Claude, ChatGPT, Cursor) 改变了程序员获取知识的方式
• Stack Exchange 提问量锐减至去年同期的 22%，公开数据信号衰弱

3. AI 对语言的重要性削弱
• AI 承担语法、结构甚至函数编写，弱化了语言细节的意义
• 未来选择语言可能等同于选择 CPU 指令集般无关紧要
• 新语言难以获取足够的训练数据支撑，不易突破 AI 劣势

4. 新语言诞生的障碍
• 过去依靠书籍、教程与社区 evangelism 推动采用
• LLM 需要海量样本，小众语言表现不佳
• AI 消融了过去促使新语言诞生的“语言痛点”

5. 编程语言的未来角色
• 高级语言本质是抽象与防止“自废武功”，历史源于结构化编程运动
• 硬件层仍然是“Go To”逻辑，AI 或直达中间表示 (intermediate representation)
• 未来可能不需要传统高级语言，转向 prompt → 中间语言 → 编译

6. 程序员角色与教育转变
• 程序员未来关注点转向算法选择、软件架构、系统接口
• 计算机科学教育因注重基本原理而更具价值，相对高于短期 bootcamp 培训
• 未来衡量流行度需探索全新指标

IEEE Spectrum

The Top Programming Languages 2025

Python reigns supreme again, but is AI changing the game for programming languages? Find out how coding is transforming.

#优质博文 #Chrome #DevTools #AI #MCP #前端 #CSS #浏览器
最近比较忙，这个发的有点晚了～不过大家应该都看到了～
Chrome DevTools (MCP) for your AI agent

AI 摘要：本文介绍了 Chrome 新发布的 DevTools MCP 服务，它通过 Model Context Protocol (MCP) 将大型语言模型 (LLM) 与 Chrome DevTools 连接，使 AI 编程助手能够实时调试网页、诊断错误、模拟用户操作、分析性能问题等，从而提升生成代码的可用性和准确性。文章同时提供了使用场景示例、配置方法以及社区参与途径。

[以下是方便搜索索引的大纲(AI 生成)，请读原文]

1. 背景与意义
• AI 编程助手生成代码时往往无法看到运行效果，相当于“蒙着眼睛编程”。
• Chrome DevTools MCP 服务解决了这一问题，直接让 AI 编程助手接入浏览器调试环境。

2. Model Context Protocol (MCP) 概述
• MCP 是一个开源标准，用于连接大型语言模型 (LLM) 与外部工具和数据源。
• Chrome DevTools MCP server 将调试与性能分析能力引入 AI agent。
• 示例工具：performance_start_trace，可自动启动 Chrome 并记录性能数据以供分析。

3. 应用场景与示例
• 实时验证代码修改：AI agent 可直接在浏览器中确认修改是否生效。
• 诊断网络与控制台错误：AI 可检查网络请求和日志，排查如 CORS 问题。
• 模拟用户行为：自动执行表单填写、点击测试，复现功能性 bug。
• 调试样式与布局问题：实时检查 DOM 和 CSS，解决复杂样式错误。
• 自动化性能审计：运行性能追踪，分析如 LCP (Largest Contentful Paint) 等指标。

4. 使用与配置方法
• 配置方式：在 MCP client 中添加 chrome-devtools 服务。
• 测试示例：运行 prompt "Please check the LCP of web.dev."。
• 更多工具参考：见 tool reference documentation。

5. 社区参与与后续发展
• 当前为公测版本，功能会逐步增加。
• 欢迎开发者与厂商反馈需求与问题。
• 参与方式：通过 GitHub issue 提交建议或 bug。

author Mathias Bynens, Michael Hablich

Chrome for Developers

Chrome DevTools (MCP) for your AI agent  |  Blog  |  Chrome for Developers

Public preview for the new Chrome DevTools MCP server, bringing the power of Chrome DevTools to AI coding assistants.

#优质博文 #AI #PromptEngineering
GPT-5-Codex Prompting Guide | OpenAI Cookbook

AI 摘要：本文介绍了 GPT-5-Codex 的特点与最佳提示实践，强调该模型在交互式与代理型编程任务中的独特优化。与通用 GPT-5 相比，其提示设计遵循“少即是多”，减少额外指令和冗余说明。文档详细说明了 CLI 环境下的开发者消息规范、工具权限设置、代码审查方法，以及避免过度提示的反向调优策略，帮助开发者更高效利用 GPT-5-Codex 进行真实世界的软件工程。

[以下是方便搜索索引的大纲(AI 生成)，请读原文]

1. 模型介绍与定位
• GPT-5-Codex 并非 GPT-5 的直接替代品，而是为 agentic coding 与交互式任务优化。
• 在 Responses API 下支持使用，但不支持 verbosity 参数。
• 专注于真实软件工程场景：快速交互与长时段独立任务皆擅长。

2. 模型核心优势
• 改进的可控性（steerability）：在功能开发、调试、测试、重构和代码评审中更高效。
• 自适应推理（adaptive reasoning）：根据任务复杂度调整响应速度与深度。
• 出色的代码评审能力：能检查代码库并运行测试以验证正确性。

3. 提示词设计原则
• 遵循“less is more”策略：提示词应尽量简洁。
• 移除不必要的序言（preambles），避免模型提前中止输出。
• 工具使用应限制在 terminal tool 与 apply_patch，并保持描述简洁。
• Codex CLI 的开发者提示比 GPT-5 标准提示精简约 40%。

4. Codex CLI 使用规范
• Shell 调用规范：推荐使用 bash -lc，设置 workdir 参数，优先使用 rg。
• 编辑约束：默认 ASCII，谨慎处理非 ASCII 字符，避免回退用户未要求的改动。
• 规划工具使用：非简单任务才使用，避免生成单步骤计划。
• 沙箱(sandbox)与权限策略：详细定义了文件系统、网络与命令权限的审批机制。

5. 特殊请求处理
• 简单查询用 shell 命令直接解决（如 date）。
• 代码评审流程：先列出问题、风险与缺陷，再简要总结。
• 呈现结果时避免冗余输出，注重可读性与协作感。

6. 输出与风格规范
• 输出为纯文本，适当使用代码块、斜体、行内代码。
• 遵循简洁、协作的语气；优先逻辑清晰而非机械化格式。
• 文件路径引用需独立，遵循特定格式（src/app.ts:42）。

7. Anti-Prompting（避免额外提示的策略）
• 自适应推理已内置，无需额外提示“思考更深”或“快速回答”。
• 长任务规划能力已训练，不需额外计划引导。
• 不生成 preamble，只有必要时才总结。
• 前端默认采用现代最佳实践，可通过短指令指定框架与库（如 React + TypeScript + Tailwind CSS）。

author OpenAI Cookbook Team

Openai

GPT-5-Codex Prompting Guide | OpenAI Cookbook

This guide can also be used for GPT-5.1-Codex and GPT-5.1-Codex-Mini, we recommend to keep the same prompts and harness for GPT-5.1-Codex...

#优质博文 #科研工具 #AI #文献管理 #学术搜索
WisPaper：搜、问、读，陪你一起搞科研的专业Agent

AI 摘要：WisPaper是复旦大学研发的一款免费AI学术工具，旨在帮助科研人员解决文献检索和阅读难题。它提供AI智能搜索功能，能精准查找海外权威期刊，并支持本地文件库的智能搜索。此外，WisPaper还能进行文献深度对话、精准翻译以及一键提炼文献核心论点、研究方法和关键结论，显著提高科研效率。

author 小众软件

WisPaper

WisPaper | Scholar Search, Literature Review, AI Research Feeds

WisPaper provides scholar search, literature review assistance, and AI-powered paper feeds. Screen 1,000 papers in seconds, find 20 must-read studies, and stay updated with research tailored to your interests.