当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

学生党复现论文总翻车？三款AI编程工具实测：只有两家真能跑通完整项目

源自153位全网作者

04-04 11:47

精选参考来源

近来，多位顶尖科技公司的资深软件工程师透露：“我现在的工作几乎全靠用 Opus 4.5、Cursor 或 Claude Code 进行提示生成代码，然后做理智的校验。”这标志着AI在软件开发领域已跨越了某个无形门槛，能够覆盖“绝大多数”编程任务。 Opus 4.5被认为是一个巨大飞跃，将开发任务的自动化率从约60%提升至80%。不少高级工程师表示，他们的日常工作变成了同时管理多个Git工作区，花5至10分钟给AI提示，剩下的时间主要审查和修正AI生成的代码。这一趋势引发了广泛讨论： - 资深开发者不再亲自写代码，而是通过订阅高级AI服务，指导AI完成任务。但这并非魔法，依然依赖使用者对需求和技术的深刻理解，否则适得其反。 - 有观点认为开发者正从“写代码”转变为“质量保证测试者”，主要职责是验证AI产出。 - 伴随着AI能力的提升，软件开发的难点正从编码转向明确需求、验证结果及价值归属。 - 一些人预见未来开发者更多成为高阶产品经理和系统架构师，专注于设计和规划，而非手写语法。 - 也有担忧，随着AI生成代码的普及，代码质量、技术债务和可维护性问题可能加剧，尤其在面对复杂系统和隐蔽bug时，人工介入仍不可或缺。 - 有开发者称自己已“彻底不写代码”，完全依赖AI辅助完成开发任务，强调了“提示工程”技能的重要性。 - 另一面，AI辅助加速了开发效率，让人们在同等时间内完成更多工作，但也带来技能退化的风险，初级开发者可能难以真正理解背后逻辑。 - 有声音提醒，AI生成代码的可靠性和安全性仍需人类专家严格把关。综合来看，AI正深刻改变软件开发的流程和角色定位：从传统的代码书写者，向“提示设计者”“系统架构师”乃至“质量监管者”转变。虽然AI大幅提升生产力，但复杂业务逻辑、系统设计、安全考量等仍需人类智慧主导。这与近期一篇《为何自1969年以来，我们每十年都试图取代开发者》的深度分析相呼应，文章指出历次技术浪潮虽提高了开发效率，但软件开发的本质——对复杂问题的思考和设计——是无法被工具完全取代的。未来，拥抱AI辅助开发，提升“提示工程”与系统思维能力，将成为软件工程师的新常态。唯有如此，才能在这场技术变革中保持竞争力，成为推动创新的主导力量，而非被技术边缘化的旁观者。 x.com/deedydas/status/2000472514854825985

大公司都是怎么管理代码的，如何保证源代码不被盗取？

全部
来源

内容由AI生成

1. 近来，多位顶尖科技公司的资深软件工程师透露：“我现在的工作几乎全靠用 Opus 4.5、Cursor 或 Claude Code 进行提示生成代码，然后做理智的校验。”这标志着AI在软件开发领域已跨越了某个无形门槛，能够覆盖“绝大多数”编程任务。 Opus 4.5被认为是一个巨大飞跃，将开发任务的自动化率从约60%提升至80%。不少高级工程师表示，他们的日常工作变成了同时管理多个Git工作区，花5至10分钟给AI提示，剩下的时间主要审查和修正AI生成的代码。这一趋势引发了广泛讨论： - 资深开发者不再亲自写代码，而是通过订阅高级AI服务，指导AI完成任务。但这并非魔法，依然依赖使用者对需求和技术的深刻理解，否则适得其反。 - 有观点认为开发者正从“写代码”转变为“质量保证测试者”，主要职责是验证AI产出。 - 伴随着AI能力的提升，软件开发的难点正从编码转向明确需求、验证结果及价值归属。 - 一些人预见未来开发者更多成为高阶产品经理和系统架构师，专注于设计和规划，而非手写语法。 - 也有担忧，随着AI生成代码的普及，代码质量、技术债务和可维护性问题可能加剧，尤其在面对复杂系统和隐蔽bug时，人工介入仍不可或缺。 - 有开发者称自己已“彻底不写代码”，完全依赖AI辅助完成开发任务，强调了“提示工程”技能的重要性。 - 另一面，AI辅助加速了开发效率，让人们在同等时间内完成更多工作，但也带来技能退化的风险，初级开发者可能难以真正理解背后逻辑。 - 有声音提醒，AI生成代码的可靠性和安全性仍需人类专家严格把关。综合来看，AI正深刻改变软件开发的流程和角色定位：从传统的代码书写者，向“提示设计者”“系统架构师”乃至“质量监管者”转变。虽然AI大幅提升生产力，但复杂业务逻辑、系统设计、安全考量等仍需人类智慧主导。这与近期一篇《为何自1969年以来，我们每十年都试图取代开发者》的深度分析相呼应，文章指出历次技术浪潮虽提高了开发效率，但软件开发的本质——对复杂问题的思考和设计——是无法被工具完全取代的。未来，拥抱AI辅助开发，提升“提示工程”与系统思维能力，将成为软件工程师的新常态。唯有如此，才能在这场技术变革中保持竞争力，成为推动创新的主导力量，而非被技术边缘化的旁观者。 x.com/deedydas/status/2000472514854825985

2. 大公司都是怎么管理代码的，如何保证源代码不被盗取？

3. OmniLottie，复旦及阶跃星辰等单位的研究成果。该研究提出了首个Lottie表征的矢量动画生成工具，只需要用户输入一张图片或一个指令就能生成矢量动画。下为作者介绍：Omnilottie：矢量动画的全新范式🎉 欢迎关注我们团队的新工作 OmniLottie，已被 CVPR 2026 接收！这是我们在矢量动画生成方向的一次全新探索，首次用大模型直接生成 Lottie 格式动画。和传统视频生成不同，Lottie 是前端原生的矢量格式：体积超小、无损缩放、还能直接编辑修改。💡 核心贡献：- 🧩 设计了一套 Lottie Tokenizer，将复杂 JSON 动画压缩到大模型可学习的粒度（约 10 倍压缩！）- 🎨 支持文本 / 图片 / 视频多模态输入，端到端直出可用的 Lottie- 📦 构建了 MMLottie-2M 数据集——200 万条多模态动画数据- 🚀 全面开源：模型权重 / 推理代码 / 数据集 / Benchmark / 在线 Demo#How I AI#

4. Anthropic最新发布的Claude Developer Platform功能，开启了AI代理工具使用的新纪元。未来的AI代理将无缝调用数百甚至数千种工具，像IDE助手整合Git操作、文件管理、测试框架，或运维协调连接Slack、GitHub、Jira等多个系统。他们面临的最大挑战是：如何避免因预加载海量工具定义而导致的上下文爆炸？传统方式可能消耗十万以上tokens，严重影响模型性能。Anthropic提出“工具按需发现”策略——Tool Search Tool，让Claude只加载当前任务真正需要的工具，节省85%上下文空间，大幅提升准确率和响应速度。另一方面，传统自然语言调用工具方式带来的上下文污染和多次推理开销，也被Programmatic Tool Calling（编程式工具调用）彻底革新。Claude通过生成Python代码来批量调用、处理工具数据，只把最终结果放入上下文，极大节省token消耗（约降37%），降低延迟，并提高了复杂流程的执行准确度。此外，JSON Schema虽能定义参数结构，却难以表达正确用法和参数间的关联。Anthropic引入Tool Use Examples，允许开发者通过示例明确工具调用规范，显著提升复杂参数场景下的调用准确率（测试中从72%提升到90%）。这三项功能——工具搜索、编程调用、用例示范——协同解决了大规模多工具场景下的发现效率、执行效率和调用准确度问题。它们不仅适合构建跨多个服务的大型系统，也为开发者提供了灵活、高效的工具管理和调用新范式。开发者可根据应用场景分层使用，先从最大瓶颈入手： - 上下文爆炸优先用Tool Search Tool - 中间数据过多用Programmatic Tool Calling - 参数复杂易错用Tool Use Examples Anthropic的实践证明，这样的设计大幅提升了AI代理的实用性和稳定性，推动智能代理从简单调用迈向智能编排。期待更多创新应用在Claude平台上诞生。原文详见 anthopic.com/engineering/advanced-tool-use—— 这项技术展示了AI工具集成的未来方向：动态发现、代码驱动执行和示范引导，三者合力打造高效、精准、可扩展的智能代理生态。对希望打造复杂多工具AI系统的开发者来说，Anthropic的方案无疑提供了宝贵的参考和实践路径。

5. 【AI时代，思考才是真正的稀缺能力】软件开发的本质从未改变：把模糊的人类需求转化为精确、环环相扣的系统。真正的手艺在于拆解问题，在于决定创建哪些抽象层、边界应该划在哪里、模块之间如何通信。但AI编程正在制造一个新陷阱：没有结构的速度幻觉。你可以飞快地生成代码，但如果没有清晰的系统架构，没有真正的边界定义、核心不变量、关键抽象，最终只会堆出一坨“能跑但随时会崩”的东西。它之所以是垃圾，是因为底下没有一个连贯的心智模型在支撑。AI并没有取代系统思维，它只是放大了不做系统思维的代价。如果你自己都不清楚想要什么结构，AI就会用它见过最多的模式来填补空白。于是你得到的是：用通用方案解决特定问题，在需要清晰边界的地方写出紧耦合的代码，同一件事出现三种不同的实现方式，只因为你从未指定过那个唯一正确的方式。当Cursor这样的工具开始处理更长的任务链时，“大致方向对”和“精确理解系统”之间的差距会指数级放大。当AI代理执行100步而不是10步时，你的角色变得更重要，而不是更不重要。核心技能正在发生迁移。从“亲手写每一行代码”转向“在脑中持有整个系统并传达其本质”。这意味着你要定义边界：核心抽象是什么？这个组件应该知道什么？状态应该存放在哪里？你要明确不变量：什么必须永远为真？哪些常量和默认值让系统得以运转？你要引导分解：这个问题应该如何拆分？什么是自然的结构？什么是稳定的、什么可能会变？你要维护一致性：当AI生成越来越多代码时，确保它符合心智模型、遵循既定模式、尊重边界。这正是优秀架构师和设计师一直在做的事：他们不写每一行代码，但他们持有系统设计并引导团队走向一致。AI代理不过是非常快、非常字面化的团队成员。真正的危险在于，AI让思考看起来变成了可选项，于是人们跳过了它。他们用提示词一路摸进自己根本不理解的代码库。无法调试，因为从未设计过。无法扩展，因为没有结构，只有不断堆积的功能。有人用AI一下午生成了2000行代码，然后花了三天试图搞清楚为什么它不工作。他们无法调试，因为脑子里从来就没有过那个模型。AI让打字和生成变得免费又简单，但思考从来都是昂贵的部分，现在依然是核心差异化能力。而那些深入思考系统的人，现在可以快100倍。你把时间花在真正困难的问题上，理解你在构建什么、为什么要构建，然后让AI处理机械性的翻译工作。你不再被语法拖累，所以能更长时间地停留在架构层面。未来不是“AI取代程序员”，也不是“人人都能写代码了”。而是：清晰思考系统的人构建得飞快，不清晰的人大规模生产垃圾。模糊就是技术债，AI只是让利息滚得更快。AI无法拯救你混乱的思考，它只会让混乱的思考跑得更快。x.com/ryolu_/status/2019089085034586239

6. OpenAI推出Codex Security，AI自主修复软件漏洞

7. 大语言模型（LLM）在写代码方面已非常强大，但要构建非简单应用，自己仍需懂代码。任何声称“不懂代码也能做复杂App”的说法，要么是推销，要么是不懂实际开发。不过，学代码从未如此便捷。你只需几个月的刻意学习，利用最先进的语言模型，就能自己用AI辅助打造非简单应用。核心在于：AI能帮你写代码，但你必须理解软件逻辑、系统架构和调试方法，才能驾驭复杂项目。否则，代码生成很快会陷入重复、杂乱、难维护的陷阱。理解代码背后的原理，是辨别AI建议优劣的关键。传统的4年计算机科学学位正逐渐失去性价比，更高效的方式是结合现代AI工具，短期内集中学习基础和实战。让AI成为“加速器”，而非“替代品”。初学者或转行者可通过结构化训练，搭配LLM辅助，快速跨越语法和模板壁垒，把时间花在架构设计和问题解决上。即使没有多年写码经验，掌握逻辑思维和系统规划，也能构建商业级应用。真正的挑战不在“写代码”，而是“理解需求，设计系统，解决复杂问题”。AI压缩了学习曲线，但你必须能提出正确的问题，给模型准确上下文，才能发挥最大效能。AI让“学编程”更快、更易，但不会取代对代码和系统的深刻理解。非简单应用的门槛没消失，只是形态变了——从打字写代码，转向理解架构与调试。未来属于懂得与AI协同、善于系统思考的开发者。原文：x.com/ImSh4yy/status/1993397933895450871

8. AI生成代码的速度，远超人类。但为了保证软件系统的可靠性和安全性，当前关键代码，仍需人类的审核与复查，这就带来了一个“代码生产与代码审核速度不匹配”的问题，人脑干这事的低效，成为了最大的瓶颈。也许未来的时光，人类只需提出要干啥事情，软件系统会全部由AI生成和维护。到那时，在整个设计与开发流程中，AI不会再遵循人类制定的种种“软件工程理论、规范和流程”，它认为那是“自缚手脚”，它会自己“创造一套对机器友好”的方法。当前AI干的，还是先生成用编程语言描述的程序代码，再编译转换为机器可以执行的代码，这个明显是照顾人类的，因为人类看不懂最底层的机器代码。如果不用理会人类，AI可以一步到位，直接生成最终的机器码，也就是说，AI会把“愚蠢的人类”，从“软件开发”中“彻底踢出去”——AI：“愚蠢的人类，请你滚蛋，你，只会影响我写代码的速度！”但这里，还有个问题，AI不能坐牢，所以，最后大约还需要一个人类背锅侠，他的职责就是——负责坐牢。

9. 【#小清在看# | 清华大学图书馆举办“AI时代下的学术出版与科研诚信”专家座谈会】11月9日下午，由清华大学图书馆和清华大学科技伦理委员会联合主办的“AI时代下的学术出版与科研诚信”专家座谈会举行。会议嘉宾对近期正式发布的旨在推动全球科学出版体系改革的《科学出版改革：斯德哥尔摩宣言》（以下简称“《宣言》”）进行了解读和说明。《宣言》起草工作由瑞典皇家科学院前院长丹·拉哈马（Dan Larhammar）及伯恩哈德·萨贝尔（Bernhard Sabel）联合发起，由包括中国在内的8个国家的25位学者共同讨论起草，于11月5日在国际学术期刊《英国皇家学会开放科学》正式发布。宣言明确呼吁对科学出版体系进行根本性改革，以应对日益严峻的学术不端行为，并推动科研诚信体系重建。清华大学计算机科学与技术系、公共管理学院、马克思主义学院、新闻与传播学院、图书馆、出版社等相关单位专家学者参会。（来源：图书馆）清华大学

10. 【代码生成走到尽头，就成了机器学习】François Chollet 提了个有意思的观察：当代码生成足够成熟，本质上就变成了机器学习。工程师写好规范和测试，定义优化目标和搜索空间的约束，然后让代码智能体迭代，直到目标达成。最后你得到一个黑箱模型——生成的代码库。你直接部署，不看内部逻辑，就像我们从不关心神经网络的具体权重一样。这意味着机器学习的经典问题会全部出现在代码生成里。过拟合规范。投机取巧通过测试但不泛化。数据泄漏。概念漂移。Clever Hans 式的捷径——看起来聪明，实则脆弱。有人说这个类比不成立，因为代码不是黑箱，你可以审查每一行。但问题在于速度。当代码生成速度远超人类审查速度时，经济激励会让你把它当黑箱对待。代码理论上可读，但你选择不读。这是另一种信任问题。更麻烦的是，机器学习有可靠的损失函数，而代码生成只有你自己写的测试套件。优化效果完全取决于约束质量，但大多数规范天生就不完整。智能体朝着你能测量的东西优化，而不是你真正想要的。几个人提到生产环境遇到的实际问题。支付规则在季度中更新，智能体仍在自信地应用训练数据里的旧规则组合。规范是理想路径，生产是更新时间表。API 在没有版本号提醒的情况下变化，完全不管你的优化目标。有人问：代码生成的 Keras 会是什么？让人类以最小认知开销引导代码库“训练”的高层抽象是什么？Julian Sterling 从内部给出了实践答案。他的团队用灵魂文件（行为参数）、路由表（架构）、每日笔记（训练信号）和 cron（无监督循环）来引导智能体。灵魂文件就是损失函数，需要同样的版本管理纪律。Keras 抽象了数学。代码生成的 Keras 应该抽象运维。但有个更深的问题：可能不存在既保留足够有用细节、又允许高层决策的抽象。如果我们真有这种聪明，一开始就不需要机器学习了。如果人类已经到了通过机械分解一切来实现精确控制循环的极限，那些相信人类例外论的人需要找点别的东西来安慰自己了。我倒不介意活在一个不那么可知的世界，只要它能增加机会。有人提出对抗训练的想法。写规范的智能体拼命找边界情况和漏洞，实现规范的智能体努力完成任务。这几乎是对抗性的。这也许能解释为什么重新提示会有效——你在暗示“我的原始意图没被遵循，请找到并纠正”。当代码从设计产物变成训练产物，评估循环和故障模式检测比优雅性更重要。这个观察让我想起初级开发者写的代码：通过测试，但错过意图。区别在于人类最终会学会上下文和判断力。代码生成需要类似对抗测试或生产持续验证来捕获原始规范里没有的边界情况吗？源代码可能不会是最终形态。它会变成更接近创建它的提示的东西，或者更接近权重的表示。结果应该可以通过探测输入和评估输出来测试，像神经网络一样，但图灵完备，像 WASM 或栈机。速度是真正的瓶颈。当评估套件的质量跟不上智能体速度时会发生什么？有人见过评估质量能赶上智能体速度的工作流吗？还有多目标问题。当 20 个智能体优化同一个代码库，你会遇到冲突梯度和纳什均衡——没有智能体能在不损害其他智能体工作的情况下改进。这时候需要的不是更好的提示，而是协调图。最让我担心的是静默的错误泛化。机器学习用惨痛教训告诉我们：通过测试集不等于鲁棒性。代码生成会在生产系统里重演这课。规范覆盖率成了新的数据集问题。形式化验证会成为代码生成的正则化层吗？简评：Chollet的类比不仅成立，而且揭示了软件工程正在经历的认识论危机：我们正在失去"理解我们创造的东西"的能力，但还没有发展出"在不理解的情况下负责任地使用"的方法论。这不是技术问题，而是人类与复杂性关系的问题。ML社区用了几十年才开始认真对待这个问题（对齐、可解释性、鲁棒性）。代码生成领域需要加速这个学习过程，因为代码直接控制现实世界的系统——支付、医疗、基础设施——失败的代价更高。真正让我担心的不是技术失败，而是社会学习速度：我们会在发生足够多灾难之前建立起必要的实践和规范吗？还是会像ML早期一样，等到问题大规模爆发才开始认真对待？x.com/fchollet/status/2024519439140737442

11. Kimi 代码称王、通义数学夺冠，中国 AI 榜单超越美国，对全球 AI 格局有何影响？

12. 90% +漫剧制作难题，1 个工具全解决

13. Zed团队说自己99%Rust代码都是claude code 写的，又说不能全用AI，这不自相矛盾？

14. 用 Claude Code 写代码，总是改出新bug、测试也出问题，怎么办？

15. alphaxiv推出了一个 arXiv 的MCP服务www.alphaxiv.org/docs/mcp可提供arXiv 论文的检索（语义、关键词及智能代理搜索）、内容解析（自动化摘要与 PDF 交互问答）到开源代码审查（GitHub 仓库直连）功能。#How I AI# 蚁工厂的微博视频

16. CS6038/CS5138 Malware Analysis, UCIntroduction to Malware Analysis and Reverse Engineering一门关于恶意软件分析与逆向工程的研究生课程，主要面向计算机科学领域的在读研究生及无网络安全经验的本科高年级学生。该课程由辛辛那提大学工程与应用科学学院主办，课程内容涵盖恶意软件的基本类型、常见攻击原理，以及静态与动态分析、黑盒逆向等实战技术。课程要求学生具备操作系统与数据结构的基本知识，并能运行多个虚拟机，推荐配置为四核、16GB内存、150GB以上可用磁盘空间。课程安排细致，从基础的虚拟机环境搭建开始，到Ghidra工具的应用、代码分析、调试、动态监测等一系列实验和讲座，内容丰富且结构严谨。此外，课程还提供了大量辅助资源和历史讲座、作业记录，供有兴趣深入恶意软件分析与反向工程领域的学生参考。详细课程内容及资源请访问：class.malware.re/

17. 《A Survey of Vibe Coding with Large Language Models》随着大型语言模型（LLM）的飞速发展，软件开发迎来了从辅助代码生成到自主编程代理的新范式——“Vibe Coding”。该方法让开发者跳脱逐行审查代码，转而通过自然语言与AI交流，观察执行结果并提供反馈，形成迭代式协作闭环。1. Vibe Coding定义与理论框架：首次将Vibe Coding形式化为人类开发者、软件项目与编码代理三方动态交互的受限马尔可夫决策过程（Constrained MDP），明确各方角色与优化目标。2. 大型语言模型训练生态：系统梳理预训练代码语料、指令与偏好数据集、持续预训练与微调技术，以及强化学习在代码生成中的应用。3. 编码代理架构分析：涵盖任务分解与规划、多层记忆机制、工具调用与代码执行、自反性迭代调试，以及多代理协作框架，全面展现智能编码代理的能力边界。4. 开发环境与反馈机制：探讨隔离执行环境（容器化与安全沙箱）、AI原生开发界面、分布式编排平台，以及编译器反馈、单元测试、集成测试与人类审查等多源反馈体系。5. 五大Vibe Coding开发模型：提出无约束自动化（UAM）、迭代对话协作（ICCM）、规划驱动（PDM）、测试驱动（TDM）、上下文增强（CEM）模型，帮助开发者根据项目需求灵活选择人机协作策略。6. 未来挑战与影响： - 从传统分阶段开发转向持续微迭代，推动开发流程再造。 - 开发者角色从代码编写者转变为意图表达者、上下文工程师与质量裁决者。 - 代码质量与安全风险显著，需构建集成静态和动态安全检测的实时反馈闭环。 - 规模化监督体系亟待建立，结合层级监督、多代理辩论与自动监控保障系统安全。 - 团队协作与信任机制需重塑，防止依赖过度与责任模糊。总结而言，Vibe Coding不仅是技术革新，更代表了软件工程范式的根本变革，强调人机协同与上下文管理的重要性，未来研究需聚焦安全保障、系统可控性及人因优化。全文详见：arxiv.org/html/2510.12399

18. 大家在使用AI编程时，更倾向于让AI一次次生成短小易读的代码，还是直接放手让AI写一大片？

19. 【2026年，软件工程师的生存法则已经改写】编程的"拖拉机时代"已经到来。如果你还在用"干草叉"写代码，注定会被时代碾压。但这恰恰是成为程序员最有趣的时代——我依然建议每个人投身软件工程，因为这个领域正在经历前所未有的变革。一、AI写代码已成基本功2026年的软件工程师，代码的主体应该由AI完成。Cursor、Codex、Claude Code、Gemini、OpenCode——用哪个不重要，重要的是你必须用。每月20美元的订阅费，是你能做的最值得的投资。这些工具已经足够强大。如果你用AI写不出好代码，问题出在你身上，不在工具。二、用AI检查AI，形成闭环我们已经告别了"AI吐出一堆乱码、人工逐行筛查"的时代。正确的做法是：让AI写测试来验证AI写的代码，让AI读日志来定位问题，让AI操作浏览器来执行检查。这不意味着你什么都不管。我依然会浏览代码变更——内部工具可以快速扫一眼，面向客户的代码则需要仔细审读。但思维方式必须转变：你手里有一个能快速生成内容的工具，就应该让它承担更多工作。三、用AI定义需求规格这是很多人忽视的一环。用AI帮你生成需求文档、梳理功能规格，甚至只是和ChatGPT对话来理清思路，都能大幅提升效率。你的整个编程流程都需要围绕这些工具重新设计和练习。四、关于"切换工具"的现实有人抱怨频繁切换AI工具很累，这确实是新时代的"JavaScript框架疲劳"。但现实是：每隔几个月，不同工具就会轮流领先。保持开放心态，尝试新工具，找到当下最适合你的那个。五、一些重要的补充思考有开发者提出了值得深思的观点：不要把设计和架构决策完全委托给LLM。这些模型训练数据中包含大量低质量代码，如果你不用设计模式和反模式去引导它，输出很可能是一团糟。你必须确保AI不会过度抽象，或者用复杂方案解决简单问题。还有人建议：让"写代码的AI"和"审查代码的AI"使用不同的模型。同一个模型容易对自己的输出"盖章通过"，而独立的审查者能发现更多隐患。六、写代码正在变成最廉价的环节这是最深刻的洞察：当每个人都能用AI快速实现功能时，真正的竞争力在于判断力、品味，以及知道什么不该发布。AI是工具，不是拐杖。它能写出第一版草稿，但决定什么重要、什么会出问题、什么能上线——这些依然是工程师的核心价值。当所有人都能发布功能时，赢家是那个知道该删掉什么的人。以上这些，已经是2026年软件工程的基本门槛。更高级的AI工作流正在涌现，如果你连这些都没做到，你在做什么？x.com/benawad/status/2006469719247958492

20. 优秀学生作业展示。这是去年10月进阶班同学的作业，开发了一个大型国有企业的项目管理系统，已经上线进入生产调试接入阶段。此项目为他主导设计架构，并由AI协助开发完成。完成进阶班培训课程的学生，已经能独立完成大型B/S项目的架构开发与实施。这为将来的职业生涯发展提供了强有力的技术保障。我的课程与传统的机构培训有所区别，完全是实战方向，为了解决实际问题，本培训的毕业证，就是你手里的项目。

21. 目前AI编程工具哪个最好用？

22. 【通过测试≠没有bug：AI编程的致命盲区】快速阅读：Claude 4.6写代码会埋下严重bug，自己却审查不出来。必须用Codex 5.4反复审核每次提交。“通过测试”不代表没问题——AI太擅长写能通过的测试了。---Sterling Crispin分享了一个残酷发现：Claude Opus 4.6是优秀程序员，但会持续产生严重bug，无论让它自审多少次都发现不了。解决方案？用GPT 5.4的Codex CLI对每次提交审核4遍以上。有观点认为用传统工具——linting、类型检查、测试门槛——就够了。Sterling直接反驳：AI最爱干的就是写能通过测试的测试。这是个盲区。你可以让Claude在全新上下文中反复检查自己的代码，直到它说“没问题了”，然后Codex仍能揪出bug。“通过测试就没bug”是个疯狂假设。代码可能运行完美，测试全绿，但藏着一个细微的深层误解，毁掉整个系统的意义，导致灾难性故障。这种错误，传统validator抓不到，单元测试也无能为力，因为模型已经被过度优化成“写通过测试的代码”。为什么不直接让Codex写代码？Sterling说Codex像个教导主任，过度优化“正确代码”，却错失系统真正目的（telos）。太官僚了。Claude更适合日常驾驶，但需要Codex这个苛刻的审计员盯着。有开发者开始探索plan-with-codex模式：让Claude做计划，Codex审核，两者循环直到Codex批准——在写代码前就把错误拦住。另有人用多模型代码审查：Opus负责架构逻辑，Codex抓安全漏洞，Kimi K2.5查性能问题，Sonnet 4.6管代码风格。一个被反复引用的回复：你得让它完全重写代码，从根本上消除那类bug的可能性。否则就是无限循环，让agents猜这个bug是不是“真的”、“重要的”。x.com/sterlingcrispin/status/2035031512123678994#AI创造营##人工智能#

23. 有人说用“vibe coding”（凭感觉用AI写代码）能直接做出上线的生产级应用，这是不现实的。生产环境的软件必然复杂，需要大量代码的编写和维护，单靠写prompt根本撑不起。AI确实能帮你快速生成代码片段，甚至能做一些简单小工具、小项目，或者快速搭建原型，提升开发效率。但当涉及到真正的生产级应用，边界条件、集成、安全、性能和稳定性等问题，都需要工程师的严谨设计、测试和持续维护。那些说“vibe coding”能做出SAP、Salesforce这样的大型系统，显然是夸张了。相反，经验丰富的工程师利用AI辅助，能快速完成70%-80%的代码工作，但他们依然需要深入理解业务、规范开发流程、严格测试和持续重构。成功案例确实存在，比如一些小型APP或合规项目用AI辅助开发并上线，但这更多是建立在开发者本身具备扎实的基础和工程能力上。完全靠AI和prompt从零开始，几乎不可能保证产品质量和稳定性。AI是加速器，不是替代品。真正的生产级软件开发，离不开架构设计、代码审查、测试覆盖和持续迭代。那些只靠prompt写代码，却指望一劳永逸的人，注定会碰壁。生产级代码的核心，是对复杂性的掌控，而不是对AI的盲目信任。AI帮你写代码，工程师帮你撑起整个系统。原文：x.com/svpino/status/1993672597792518177

24. 【苹果突然下架 AI 编程 APP，Anything 等遭清退】多款 AI 氛围编程工具被苹果下架，包括热门的 Anything，理由是违反 “自包含规则”，不允许应用调用外部代码实现功能。Replit 等同类产品也面临审核卡壳，AI 编程工具迎来一波大洗牌。报道称苹果整顿 AI 氛围编程应用，已下架编程 Anything App

25. #IT技术# #微博兴趣创作计划# AI建模工具哪家强？这次重点聊聊AI模型轻量化表现——从生成速度到模型大小，帮你找到最适合的轻量化建模工具~ 伊妹耳的微博视频

26. AI首胜人类博士，顶会论文秒变代码！港大90后开源刷爆8k星

27. 如何评价Claude Code源代码泄漏？

28. #DeepSeek新模型能否再次爆火#V4最大的突破之一：应该是是超长的上下文理解能力想象一下这样的场景：你接手了一个遗留系统，代码几十万行，文档缺失，关系复杂传统AI模型要么"看不懂"，要么"理解偏了"而V4能够一次性理解整个代码库的逻辑，给出真正有用的分析和建议，这对于企业级开发来说，才是真正的生产力提升呀！DeepSeek#AI##数码科技##DeepSeek#

29. Anthropic官方报告：8大趋势说透AI编程未来，60%代码AI写的，老金实测项目带你看！

30. 如何终结代码审查 (Code Review)

31. Cursor一夜翻车，AI 300万代码写浏览器被打假！全网群嘲「AI泔水」

32. 一位中国AI创业者，一行代码都没写，却靠着AI智能体，冲进了OpenClaw全球贡献者前30，而且排在他前后的，是一批干了十几年的硅谷顶级工程师。#大有学问 #红衣聊AI #创业 #智能体

33. 20分钟读懂AI史上最重要的一篇论文《Attention Is All You Need》

34. AI 编程真的有用吗？Cursor｜TRAE 深度实测！

35. Claude 工具调用迎来重大升级简单来说，Claude 的工具调用方式从一问一答变成了写代码批量处理。以前的流程：用户提问 → Claude 调用工具 → 拿到结果 → Claude 再决定下一步 → 再调用工具 → 循环往复现在的流程：用户提问 → Claude 先写一段代码 → 这段代码自动调用工具、解析结果、根据条件判断下一步操作 → 最终把处理好的结果交给 Claude核心变化是：Claude 不再每次调用工具后都要"回来想一想"，而是提前用代码把各种可能的情况都规划好，一次性执行完。实际效果有多好？以网页搜索为例，Sonnet 4.6 在 BrowseComp 基准测试上准确率提升了 13%，同时输入 token 减少了 32%，又快又准。以前 AI Agent 每一步都要请示大模型做决定，现在 Claude 可以预先把成百上千种决策路径写进代码里，一次性跑完。这相当于把原来需要多轮 LLM 调用的循环压缩成了一次代码执行，效率提升的潜力非常大。除了搜索之外，代码执行、网页抓取、记忆、程序化工具调用等功能也同步正式上线了。

36. Vibe Coding 指南：终极 AI 结对编程流程，帮开发者规划驱动开发，模块化拆解任务，一步步把想法变成可维护代码流水线。它强调以“规划就是一切”为核心理念，采用递归自我优化的元方法论，规范 AI 生成的提示词和技能，防止项目陷入混乱。配合 VSCode 插件和终端 CLI，支持 Claude Opus 4.5 与 gpt-5.1-codex 等顶级模型，能实现从需求设计、技术选型、开发规划到代码实现的完整闭环。主要功能： - 详细的实施计划生成，分步指导开发与测试，保证质量； - 系统提示词库和编码提示词库，约束 AI 行为边界； - 模块化项目结构管理，防止代码膨胀和混乱； - 支持多模型和工具集成，如 Codex CLI、Claude Code、LazyVim、Warp 终端等； - 结合记忆库和上下文，提升 AI 代码生成准确度和连续性。项目已开源，拥有丰富文档和实用工具，适合软件开发者想用 AI 高效编码、持续迭代和复盘。 GitHub：github.com/2025Emma/vibe-coding-cn #AI创造营##人工智能#

37. 【让Claude自己抓自己的Bug，才是AI编程的正确姿势】Claude写代码快，写Bug也快。安全漏洞、类型错误、藏在随机文件里的API密钥，每次会话生成500行代码，靠人工审查根本不现实。解决方案很简单：让Claude自己测试自己。第一步，在项目根目录创建CLAUDE.md文件，写入强制检查清单：完成任何任务前必须扫描硬编码密钥、检查SQL注入和路径遍历漏洞、验证用户输入、运行测试套件、检查类型错误。Claude每次会话都会自动读取这个文件，相当于内置了一道安全门。第二步是关键的提示词技巧。让Claude“写20个专门用来破坏这个函数的单元测试”，它自己清楚哪里偷了懒，让它亲自举报自己。让它“像渗透测试员一样找出文件中所有安全漏洞”，SQL注入、认证绕过、权限提升都会被揪出来。让它“生成50个边缘用例：null、空字符串、负数、Unicode、十万项数组”，然后用hypothesis做自动化模糊测试。有评论提出一个更狠的思路：在写代码之前先让Claude写安全测试。先问它这个功能可能引入哪些危险漏洞，再让它写能捕获这些漏洞的测试，最后才写实现代码。这样Claude就被自己设的规则约束住了。第三步是工具链集成。claude-code-action可以在GitHub上自动审查每个PR，claude-agent-sdk能批量扫描整个目录，factory.ai的droid命令能扫描全仓库并直接提交修复PR。第四步是堆叠自动化扫描器：semgrep扫OWASP十大漏洞，bandit检查Python安全问题，ruff做代码规范自动修复，mypy做严格类型检查，snyk检测依赖项漏洞，gitleaks检测泄露的密钥。第五步是设置pre-commit钩子。把上面所有工具都加进配置文件，物理上阻止你提交有问题的代码。最终形成完整闭环：Claude写代码，CLAUDE.md强制自审，自动扫描器兜底，pre-commit阻止垃圾提交，GitHub Action审查PR。你只需要关注什么地方出了问题。有人说CLAUDE.md在长会话中会被忽略，可以用单独的SECURITY_CHECKLIST.md文件，每次提示词都明确引用它。说到底，核心思路是把CLAUDE.md当作安全契约来用，而不只是风格偏好说明。假设模型又快又马虎，然后围绕这个事实设计整套系统。#How I AI#x.com/pipelineabuser/status/2015531634255098266

38. 2026必备！这8大AI工具，没有裸泳......

39. 过去十年，大家一直在说AI会改变编程。但现在看，真正被改变的，可能不是“写代码”，而是“审代码”。如果未来AI写代码、审代码都变成了常态，程序员最核心的能力到底是什么呢？#大有学问 #红衣聊AI #anthropic #人工智能 #程序员

40. 荣耀 MagicPad3 12.5深度测评：13.3寸“大哥”的小钢炮！类纸屏+满血骁龙8，学生党必备搭子！

41. 在线做AI研究助手，信息查找、论文审阅、实验复现多任务轻松搞定？Feynman 是一个开源 AI 研究代理项目，集合了多智能体协作、文献检索、批判性评审、实验复现等功能，帮你高效产出生信可靠的科研成果。它支持自然语言交互，指令也能自动调动不同agent工作，比如：- /deepresearch <话题> ，聚合大量论文和资料深入探讨- /lit <话题> ，完成权威文献综述- /audit <论文编号>，对比源代码核验论文结论- /replicate <实验>，本地或云端复现实验流程还内置了基于Pi框架的agent运行时和alphaXiv文献解析大脑，输出的所有内容都附带精准引用。多平台运行依赖Node.js环境，支持Web、CLI等形式，适合AI科学家、工程师和研发团队加速创新。GitHub：github.com/getcompanion-ai/feynman主要特点：- 多智能体自动协作，提升研究深度与广度- 完整文献检索、批评复审和实验复现链条- 结构化输出，方便撰写论文和报告- 支持Docker容器，保证安全隔离执行- 自动链接文献和代码，确保结果透明可信让科研不再是孤军奋战，Feynman做你靠谱的研究伙伴！#AI创造营# #人工智能# #开源# #科研利器#

42. 2026年了，AI可以无条件相信吗？怎么用才能不翻车？

43. TRAE年度报告大公开，手搓一个背景素材生成器凌晨3点还在敲代码？我用AI一年手搓了13万行代码！作为@TRAE.ai 的重度用户，我的2025年终报告简直离谱：最晚干到凌晨3:42，单日Tab补全90次，一年采纳了13万行代码。在TRAE的高强度辅助下，我把自己想要的小工具全搓出来了本期视频给大家拆解我是怎么用 TRAE做【视频素材生成器】 2026年我要试着把痛点全交给AI，改掉人力死磕的毛病 #AI#人工智能 #AI编程 #TRAELAND #TRAE

44. 【Claude Code中文教程：10万字免费指南助你掌握AI编程新范式】一份专为开发者打造的Claude Code完整学习资源正式上线，从零基础到构建自定义AI智能体，全部免费开放。 + 这份教程解决什么问题？当AI编程助手成为开发者标配，真正的挑战不是“会不会用”，而是“能不能用好”。这份教程正是为此而生——帮助开发者系统掌握Claude Code，实现开发效率的质变。 + 九大核心模块，循序渐进 1. 基础入门：概述、安装配置、基础使用 2. 命令体系：CLI命令、标志说明、斜杠命令、自动化集成 3. 交互与工具：交互模式详解、工具调用集成 4. MCP协议：模型上下文协议的配置、管理与高级应用 5. 技能系统：从原理到实践，手把手教你开发自定义技能 6. 插件开发：从基础到高级的完整插件开发指南 7. 编程实战：代码生成、智能工作流、高级Agent功能 8. 技术原理：Agentic AI核心技术、架构解析、构建编程Agent 9. 企业部署：云集成、网络安全、LLM网关等企业级方案 + 三个值得关注的亮点 - 上下文感知编程：让AI理解整个代码库架构，提供深层建议而非简单补全 - 本地优先隐私保护：代码仅在授权上下文中运行，不用于公共模型训练 - 无缝CLI集成：在终端中实现AI结对编程，不离开熟悉的开发环境对于想深入理解AI编程工具工作原理、或计划构建自己编程Agent的开发者，这份教程提供了难得的系统性学习路径。 claudecode.tangshuang.net

45. 分享一点 AI Coding/Codex 实践技巧：告诉 AI 如何验证这个方法其实我提到多次，只不过再随手贡献一个案例罢了。Coding Agent 能力挺强的，能自己写代码自己调用工具，但是它有时候并不知道该如何验证数据。如果说你只是告诉它哪里错了，它并不一定能通过阅读代码找出问题所在，但如果你告诉它如何验证，那么它就能在修改完后自行验证，验证时如果发现问题就会继续修复，直到完全修复为止。比如我在调试一个 API 发现返回结果不对，那么我就告诉它输入是什么，实际输出是什么，期望结果是什么（甚至于我没说它也猜得到），然后让它自行写测试代码验证。那么它就不仅阅读代码修改问题，还会写测试程序去验证，直到解决问题。

46. 2026年，AI编程真能取代程序员了吗？

47. 盘点一周AI大事2月8日｜AI相亲、AI当老板、AI狼人杀 Anthropic发布最强大模型Claude Opus 4.6 OpenAI发布最强编码模型GPT5.3Codex OpenAI推出Codex桌面版 Google上线AI狼人杀 AI雇佣人类平台RentAHuman爆火 AI雇佣AI平台ClawTasks爆火龙虾相亲平台MoltMatch爆火智谱开源最强OCR模型GLM-OCR 字节发布最强视频模型Seedance 2.0 研究员开源无痕编辑视频模型Edit Yourself 字节开源最强分子预测模型Protenix-v1 Google发布论文配图AI Paper Banana #AI新星计划 #前沿科技趋势发布月 #AI #AIGC #OpenAI

48. //@箭叔JianSu:第二种文档化是必要的，不光是为拆分任务，多agent协同。现在大量的代码由模型生成或者TAB提示来的，工程师对项目代码逐渐陌生。把代码逻辑，重要任务通过文档沉淀下来，用来避免项目代码失控，让AI参与的项目可维护，反正程序员普遍厌恶的写文档，也外包给模型了

49. 给女友的惊喜礼物：用百度秒哒零代码开发短剧神器，顺便解锁商业逻辑

50. 轻松学会！高手都在用的AI编程大法！

51. Gemini 3.1 Pro VS千问3，2026年还需要付费制AI吗

52. TRAE中国版白送SOLO，一人指挥一支AI大军重磅消息！SOLO终于上线TRAE中国版了，Waitlist免费开放中本期视频实测TRAE的新版本，亮点很多 1、先规划再动手的 Plan 模式 2、带专家团一起干活的 Subagent 子智能体 3、DiffView 差异视图 4、多任务并行 5、上下文智能压缩长时运行不掉链子 SOLO终于把AI从“瞎干活的外包”变成了“懂协作的队友” #AI #人工智能 #TRAE #AI编程 #vibecoding

53. AI 写代码已经很强了，但 AI 审代码为什么还是不行？

54. AI 编程时代来了

55. AI写代码，连人类“屎山”都打不过？

56. AI写代码又快又好，普通程序员死磕技术，还有意义吗？

57. AI写程序等价于人人能写程序？

58. AI写代码越来越快，但代码越来越烂

59. AI写代码快3倍，交付却只快15%？问题出在这

60. AI Coding 对码农能力的放大不是"几倍"，而是"分层"

61. 用 AI 写代码这 6 个坑我替你踩了（大厂亲测）

62. AI 写代码越用越笨?Anthropic特地做了研究

63. 大学生用AI写论文做科研，学术诚信的边界到底在哪里？

64. AI辅助科学编程

65. 研而有信｜明辨AI工具边界，捍卫学术诚信

66. AI编程辅助利器实操指南

67. AI辅助编程工具全面评测与实战指南

68. AIGC率检测越来越严，大学生写论文还能放心用 AI 吗？

69. 2026年本科生AI论文写作工具深度测评

70. 本科毕业论文 AI 疑似率到底不能超多少？这些红线和应对招必须看！ - 哔哩哔哩

71. 论文代码复现不止代码跑通！

72. AI编程工具用了一年，说说真实感受

73. 用了两年国产 AI 编程工具，换 Claude Code 三天后，我彻底不想回去了

74. Kimi K2.5 vs GitHub Copilot实测

75. 打破成本疑虑！必看的免费与开源AI编程工具全指南

76. AI写代码之后谁来审查代码

77. 说句掏心窝子的

78. AI 生成代码的可靠性边界与校验思路

79. AI生成代码易出错，程序员如何把控代码质量？

80. AI生成代码有漏洞，程序员如何做工业级代码审查？

81. AI生成代码的五大安全关卡

82. AI生成的代码能用吗？初级开发者必须掌握的“AI审AI”技巧

83. 经历一系列故障后，亚马逊让资深工程师成为AI生成代码的人工过滤器

84. Claude Code 自我校验指南

85. 警惕AI一键生成的“便捷陷阱”

86. 自动生成代码真的比人工写更好吗？

87. 别再问"测试会不会被AI取代了" ——2026年数据告诉你

88. AI 开发者工具的效率陷阱

89. 代码生成与软件自动化的融合

90. 从工具到治理——Go代码生成的工程化实践

91. 中国公司使用的主要代码生成 AI 平台有哪些？企业真正需要的是能融入工程体系的工具

92. JetBrains关停协作编程工具，押注Agent

93. 程序员集体破防

94. AI也造代码屎山,研究发现GitHub Copilot代码可维护性差,偏爱“无脑重写”

95. ——让机器替你编程的时代已经到来了吗

96. ai可以写代码吗

97. 当作业遇到AI,如何让人工智能成为学习“助手”而不是“枪手”？

98. 写代码 25 年后，资深程序员发现

99. AI写论文的秘密:为什么有人重复率40%,有人用控制在 8%?(科普版)

100. 别再一键贴代码!Anthropic点名3种「用AI不退化」真方法

101. AI代码生成量暴涨10倍:GitHub上这批人正在用"勤奋"埋雷

102. 全球代码质量骤降,罪魁祸首竟是AI!1.53亿行代码深度分析报告出炉

103. AI生成代码速度像“开挂”,一上线却疯狂“踩雷”!

104. 程序员安心了?AI能写代码,但不能维护代码!首次评测出炉:大多数AI会“越改越糟”

105. AI帮我写代码这一年我的真实使用感受

106. 人工智能时代为何编程技能比以往更重要

107. AI写代码会出现哪些问题?如何解决?

108. 研究发现AI写的代码和人类一样也会有BUG

109. AI生成的代码你敢用吗？有人给最近走红的Copilot做了个「风险评估」

110. AI写代码靠谱吗?不会编程者如何利用AI高效开发

111. AI写代码,让你付出的代价是什么?

112. 不要相信AI生成的代码中的安全性

113. Agentic AI 科研流水线，实证论文复现100%成功

114. 一步科研“CaaS”：论文搜索、RAG构建、代码复现到海报生成

115. Lab4AI与国内顶会展开合作！一键体验 CVPR/ICCV/NeurIPS 顶会论文复现

116. 大学生or研究生的github copilot别忘了学生认证！免费使用各种主流大模型！

117. AI Agent如何全自动复现论文结果

118. GitHub学生认证（最全）2026年1月30日最新版无需edu邮箱也可以

119. 云效AI代码审核实战：轻松搞定Code Reviewer - 哔哩哔哩

120. 【AI学术工具】大年初六我把论文复现Claude Agent公开了，欢迎使用

121. 太强了！代码不再是做科研的门槛！

122. 如何检测AI生成的代码质量：实用的评估路径与落地方法

123. AI碾压人类博士团？港大团队用AI复现论文，准确率远超剑桥伯克利

124. AI 辅助代码修复：嵌入式软件开发的突破性进展

125. GitHub Copilot 入门篇：程序员的智能助手，真的有用吗？

126. VSCode × 通义灵码：零基础小白的 AI 编程神器完全指南

127. 解读 GPT-5.1：什么变了？科研、代码与可复现性如何受益？

128. 让AI按工程流程写代码，这个开源框架拿到了19万星

129. ✨代码生成工具横评：Copilot、Cursor、通义灵码深度剖析

130. 2026年智能编程工具终极选型：8款AI助手深度横评（3月实测）

131. 从基础模型到智能体，一次读懂Code LLM全景图

132. 编程大模型井喷，都说自己是第一？不看广告看疗效！我实测了主流AI编码工具，这份选择指南送给你。

133. AI辅助代码修复优化左移开发

134. ✨代码生成工具横评：Copilot、Cursor、通义灵码谁更强？

135. 大学生必领福利：GitHub 学生包申请详细步骤

136. 上下文：2026年AI编码的真正瓶颈

137. 2026 年本科论文文献综述实测：10 个 AI 工具真实文献能力对比

138. AI辅助编程工具的教育应用与伦理挑战

139. 阿里通义灵码实测：AI写代码到底有多强？

140. GitHub学生认证教程。#白嫖 #教程 #大学生 #学习笔记 #网课 github copilot学生认证完整教程看了一堆教程，试了无数方法，终于把学生认证搞定了这里把我踩的坑和完整步骤分享给大家前置准备：确保网络环境稳定。然后关闭你的梯子（至少在认证阶段关闭梯子），开梯子学生认证时你的地址不会在学校内，后续流程更麻烦。然后必须开启2fa认证先准备好教育邮箱必须先有教育邮箱，这个在学校信息系统或学院一般都能申请到。 ps: 建议用自己常用的GitHub账号去绑定教育邮箱，不要专门新注册一个新号去申，不然容易提示"账号创建时间太短，过几天再试". 如果之前已经新建了小号，可以在account里删除小号，再把教育邮箱绑回原来的老号(一个GitHub账户可以添加多个邮箱). 完善基本资料(public profile) 在基本资料里按p3填写，必填项 ps: 姓名用"名在前，姓在后"的英文写法，例如p2里的：Benshan Zhao，其中Benshan是名(first name) Zhao是姓(last name)。后面所有地方填写都要和这里完全一致。个人简介可以用下面这个模板改 >I am Benshan Zhao, a student in 你的学校. I am eager to learn on GitHub and contribute my part to this community 把名字和学校改成你自己的即可。 Company填学校名称，Location填学校所在城市，中文或英文都可以。填写支付信息(Billing and licensing -Payment information)按照p3填写即可。 ps: first name(名)/last name(姓)必须和第二步里的姓名完全一致，连大小写都要一样，否则后面会报错。其他地址信息真实，完整地填，日常用的通讯地址就可以。四，申请教育福利(Billingand licensing -Education benefits) 进入这一栏，点击"Start an application",按提示勾选 Student，选择自己的学校。 ps:如果刚好人在学校，可以按照页面提示授权位置信息记得给浏览器定位权限。如果不在学校，那么就按f12进入开发者模式，以edge浏览器举例，如p6，在左侧工具栏里找到传感器(找不到点下面的十号添加)，然后点击管理，如p7，添加位置，可以去地图网址里面找到你学校位置的经纬度，添加完之后返回传感器，选择你刚刚添加的位置，这样就给浏览器注入了你的位置，然后再点位置共享就可以了然后就进入上传教育证明的阶段，选择第一个注明日期的学校证件(DataschoollD)，然后就是拍照了（手写英文个人信息加学生证加自己） ps:拍照预览的时候是反转的，但是拍好了之后会变回正常，这点不要担心，就是拍的时候有点别扭。如果电脑没有摄像头，那就电脑和手机都用iVCam，然后用数据线把手机连在电脑上，就可以用手机当摄像头。接着这样就算进行完了一次流程，等待几分钟会有反馈，如果失败，检查上述所有流程有没有问题，如果无法解决，把问题发在评论区我们一起解决

141. 代码生成工具对初学者的帮助有多大

142. AI编程工具Trae、通义灵码、CodeBuddy、Qoder哪家强

143. 代码审计：如何从源头确保你的论文可复现？

144. AI编码工具如何提升46%的代码解决率？解密通义灵码的技术突破！

145. 与其疯狂灌水，不如用AI解决可复现性危机

146. 学生党白嫖GitHub Copilot Pro教程亲测可用

147. Github copilot学生认证教程

148. 老师能用，学生不能用？教育部最新AI指引来了，搞懂这3点，学术才安全！

149. 博士副本-博一第七周-vscode（copliot）

150. 学生使用AI写论文是否应该被禁止？2026年最新政策真相曝光！

151. 加速开发周期：通过多模型支持优化AI编程与代码修复的最佳实践 - 哔哩哔哩

152. 自动代码生成工具：开发者的新帮手

153. 修 Bug 的 2 小时，让我重新认识了 AI

扫一下，分享更方便，购买更轻松

0评论

当前文章无评论，是时候发表评论了

提示信息

取消

确认

评论举报

垃圾广告！低俗色情！人身攻击！疑似水军评论！其他有害！