1. Claude Opus 4.6 和 Sonnet 4.6 的 100 万 token 上下文窗口今天正式全面开放（GA），且不加价，按标准价格计费，无论请求长度是 9K 还是 900K token，单价完全一样。 Opus 4.6 的定价是输入 $5、输出 $25（每百万 token），Sonnet 4.6 是 $3/$15。此前超过 20 万 token 的请求需要加 beta 标头，现在直接生效，已有代码无需改动。除了价格统一，这次更新还有几个实际变化：单次请求可处理的图片和 PDF 页数从 100 提升到 600；所有上下文长度享受相同的速率限制，不会因为请求变长而被限流。Claude Code 的 Max、Team 和 Enterprise 用户在使用 Opus 4.6 时将默认启用 100 万上下文，意味着对话压缩（compaction）频率大幅降低，更多对话历史得以完整保留。在准确率方面，Opus 4.6 在 MRCR v2 基准上得分 78.3%，Sonnet 4.6 在 GraphWalks BFS 上得分 68.4%，均为同类前沿模型在百万 token 长度下的最高分。简单说就是：窗口虽大，信息检索能力没有打折。 Anthropic 引用了多家客户的反馈来说明实际效果。 Cognition（Devin 背后的公司）表示，此前大型代码差异塞不进 20 万上下文窗口，需要分批处理，容易丢失跨文件依赖；现在整个差异一次送入，代码审查质量更高，流程也更简单。Ramp 的工程师提到，Claude Code 在调试时经常消耗超过 10 万 token 检索各类数据源，一旦触发压缩就会丢失细节、陷入重复调试循环，百万上下文直接消除了这个问题。该功能今天起通过 Claude Platform 原生支持，也可通过 Amazon Bedrock、Google Cloud Vertex AI 和 Microsoft Foundry 使用。 http://t.cn/AXVmRMYf

2. Skills没搞明白，又搞出来一个Harness，AI编程这些人一直在造词。这些套娃是在做自然语言编程驱动的规范化，但问题是这么搞下去用自然语言编程的复杂度直逼古法编程。这些工具模式方法论是本来就是编程高手的人，在自然语言驱动时默认建立的良好编程习惯和提示词系统化的结果。如果你是外行，你用自然语言驱动不了的东西，套上这些会让你的项目更复杂，tokens交互的成本更高，且项目依然一塌糊涂。AI编程的第一性原理就是你懂编程，而不是一直在远离编程的末端模式上努力。新出的这些概念都是给既有程序员控制超大项目提供的探索和经验总结，不懂编程的人妄图用这些套娃增强能力，那是想多了。大模型编程最好的模式就是自然语言短提示词，严谨的语言表达逻辑性，轻上下文，这时产生的编程质量才高，迭代和敏捷思维才是AI编程质量的核心。至于skill harness这些套包，只是对自然语言驱驱动的项目过大以后的整理，总结，归纳，拿出一些进行利用复用，以及review时保持一致性产生的现象。如果你不会编程，也不学习自然语言逻辑，而专注于自然语言之上的编程方法，那么你在ai编程领域将一事无成。因为编程语言的本质是自然语言的严谨逻辑化。一、AI 从来没有消灭编程门槛，只是把语法门槛平移成了“逻辑严谨 + 需求拆解 + 工程思维”二、Skill/Harness 是资深开发者的经验固化、协作规范、质量围栏，是程序员的效率和系统性思维的延伸。三、纯外行逃避编程本质、沉迷新概念玄学，只会徒增成本、一事无成。四、AI 编程的关键是结构化逻辑 + 基础编程认知 + 小步迭代的系统思维。

3. 深度使用claude code 网页链接做了以下几件事情：1、评审figma设计稿，找出设计的优化点和错误；2、评审产品prd文档，review逻辑漏洞和优化点；3、根据优化后的产品prd文档以及figma设计稿，给出API、业务流程图以及数据库表的详细设计md；4、对3进行人工review后开始让cc按照详细设计md创建一个新的分支开始编写代码；5、使用skill的code review功能review编写后的代码，找出P0、P1、P2的问题；6、修复P0、P1的问题，根据情况选择优化P2；7、让cc编写单元测试，新增的代码都必须跑通单元测试；8、连接测试环境的缓存和数据库，让cc构造测试数据跑通集成测试；9、合并代码到测试分支，并部署到测试环境人工校验；10、发现bug后再由cc修改；11、测试通过后发布到线上。

4. 看看这篇论文"Where LLM Agents Fail and How They Can Learn From Failures" 对我们构建Agents有什么可以借鉴的↓一、Agent 设计1. Agent 应显式模块化为四大核心环节：- Memory（记忆）：跨步检索过去状态、关键实体、任务目标。- Reflection（反思）：判断上一步是否有效、目标是否达成。- Planning（规划）：生成下一步策略，考虑约束与目标。- Action（执行）：把规划转化为具体操作（API、点击、文本输出等）。2. 系统级模块要独立定义- System 模块单独追踪环境层问题，如 API 报错、超步长、网络错误。- 避免模型把这些外部失败“误归因”为自身逻辑错误。3. 每一步应有完整的四模块流水线每个 step 输出 <memory>、<reflection>、<plan>、<action> 四段内容。这让后续错误追踪、纠错具备结构化基础。4. 模块化输出格式化用明确标签 ...，确保后续调试能准确分区分析。对 Reflection、Plan、Action 模块统一采用自然语言模板输出。二、错误理解与防护层5. 错误不是孤立的，而是系统的绝大多数失败并非某一步的局部问题，而是“早期错误的放大效应”。6. Error Propagation（错误传播）是核心敌人一次错误记忆或误判，会导致后续所有步骤都偏离正确轨迹。所以设计 Agent 时，应重点强化 early-stage robustness。7. 每层的错误类型- Memory：记忆失败、虚构记忆、过度简化。- Reflection：进度误判、结果误读、错误归因。- Planning：忽略约束、不可能行动、低效计划。- Action：格式错误、参数错误、计划-行动不一致。- System：API、环境、步数上限、模型限制。8. “根因错误（Root Cause Error）”是比“错误点”更重要的概念根因定义：若修正此处错误，则任务能成功。其他错误可能是“衍生”或“掩盖”错误。9. 错误识别应遵循最早原则找到第一个导致结果不可逆的步骤，而不是最后失败时的那步。10. 错误标注应以模块为单位每一模块都单独判定错误类型，保持因果可追踪。三、Agent 自调试与学习机制11. AgentDebug 的三阶段循环非常值得模仿（1）细粒度错误映射（Fine-grained Analysis）（2）关键错误检测（Critical Error Detection）（3）迭代反馈执行（Iterative Feedback Rollout）12. Fine-grained Analysis 阶段可由 LLM 直接完成使用错误定义表（taxonomy definition）自动匹配模块输出，判断是否符合特定错误模式。13. Critical Error Detection 阶段要引入“反事实测试”模拟性地修改一个步骤，若任务成功，则说明该步是根因。可用 binary search 或最早匹配法来确定。14. 反馈生成要具备可操作性（actionable feedback）Feedback 不是总结，而是对下一步执行的“修改建议”或“策略指令”。15. Agent 应能在下一轮 roll-out 中读取上一次反馈相当于“带记忆的 retry”，让每次失败成为学习信号。16. Re-rollout 不必从头开始从根因错误所在的步骤重新执行，节省算力，提高修复效率。17. AgentDebug 的本质是“以 LLM 驱动的调试层”它可作为任何 LLM Agent 框架（如 ReAct、AutoGen）的外挂组件。18. Iteration 控制设置最大调试轮数（如 3–5 次），防止死循环。每次迭代记录失败原因与修复建议。19. 反馈结构标准化使用结构化 JSON 输出包含：{ "critical_step": x, "critical_module": "planning", "error_type": "constraint_ignorance", "correction_guidance": "考虑任务约束条件重新制定计划"}20. 建立自成长记忆（Self-Learning Memory）记录每次任务失败的根因 → 在新任务中预防重复错误。类似“调试经验库（Debug Memory）”。四、数据与评估层（构建 AgentEval）21. 构建类似 AgentErrorBench 的内部测试集自己收集失败轨迹，手动标注错误类型和模块。用于回归测试与Agent鲁棒性评估。22. 聚焦三个代表性任务环境ALFWorld（具身交互）、GAIA（信息检索与推理）、WebShop（结构化交易场景）。分别对应不同 Agent 能力维度：感知、工具调用、交互执行。23. 评估指标要分层Step Accuracy：能否找到正确错误步骤。Step+Module Accuracy：能否同时识别模块。All Correct：步骤 + 模块 + 错误类型三者全对。24. 强调“检测准确率”和“任务恢复率”双指标检测正确 ≠ 任务成功；关键是能否利用检测结果指导恢复。25. 设计错误可视化工具使用 Sankey 或 heatmap 显示错误传播路径。可快速定位在哪些阶段最易出错。五、实践实现与架构优化技巧26. Prompt 层要分模块定义Memory、Reflection、Planning、Action 各有独立 prompt 模板。Prompt 中明确上下文依赖（Memory → Reflection → Planning → Action）。27. Reflection 模块应包含明确问句“是否完成任务？”、“上一步有效吗？”、“需要调整策略吗？”保证反思不是复述，而是真实的进度监控。28. 引入“Consistency Checker”在 Planning 与 Action 之间插入一致性验证器（plan–action alignment check）。29. 强化外部记忆的可控性限制记忆检索范围、使用关键片段索引，减少 false recall。30. 监控任务长度与中途崩溃对 step limit exhaustion 进行提前检测与主动调整。31. 测试小模型的鲁棒性时可配合 AgentDebug实验表明，小模型在有调试反馈时性能提升幅度更大。32. Debug 可与 Self-Refine、Tree-of-Thought 互补ToT 负责拓宽思考空间，AgentDebug 负责收敛错误与修复。33. 设计“学习率型调试”每次迭代调整反思深度或思维链长度，类似于 meta-learning。六、总体启发：让 Agent “学会失败”34. 失败不是终点，而是数据每一次失败都能产出一条训练样本：(错误类型 → 改进策略)。35. Agent 的进化逻辑从“执行任务”到“理解失败”再到“自我修正”，这一步是让 Agent 从工具变成认知体的关键。36. 未来方向构建“Debug Memory + Root Cause Feedback + Iterative Rollout”三位一体架构。让 Agent 不仅能反思，还能真正“debug 自己的反思”。如果你后续打算设计一个具备自调试能力的 Agent 框架，可以直接基于本论文提炼出一个五层结构原型：> Memory → Reflection → Planning → Action → Debug Layer（AgentDebug）其中 Debug Layer 执行 “错误识别 → 根因检测 → 修复反馈 → Re-rollout”。论文：www.researchgate.net/publication/396048725_Where_LLM_Agents_Fail_and_How_They_can_Learn_From_Failures#人工智能##ai创造营#

5. 17000 token/s，比B200快48倍！Taalas AI 芯片能否颠覆英伟达GPU？

6. AI时代的Token #为什么AI大厂开始卖Token#一、Token 是什么？（AI 的 “语言积木”）你可以把 Token 理解成：AI 处理文字的最小 “积木块”。人类用汉字、单词说话；AI 只认 Token。它不是一个字，也不是一个词，而是 AI 把文字 “切碎” 后的最小单元。中文大概：1000 Token ≈ 400–500 个汉字。英文大概：1 Token ≈ 0.75 个单词。你给 AI 发一句话，AI 先切成一堆 Token，再去理解、生成回答。一句话记：Token = AI 世界的 “文字原子”。二、为什么流行用 Token 计费？（最公平的 “算力计价器”）因为：Token 数 = 实际算力消耗 = 成本。1. 算力和 Token 直接挂钩处理 1 个 Token，AI 要做大量数学计算（矩阵运算）。Token 越多，计算量越大、越费电、越占 GPU 内存。按 Token 收费，就是按 “AI 实际干了多少活” 收费。2. 比 “按字数 / 按次 / 按时长” 更公平按字数：中文和英文计算量不一样，不公平。按次：一句话和一篇长文，成本天差地别。按时长：简单问答和深度推理，耗时可能一样，但算力差百倍。Token 完美统一了不同语言、不同长度的计算成本。3. 鼓励高效使用你写得越简洁、AI 回答越短，Token 越少、越省钱。一句话记：Token 计费 = 按 “AI 工作量” 付费，最公平。三、Token 和算力的关系？（Token 越多，算力越爆炸）算力 = 机器的计算能力；Token = 计算的工作量。1. 正比关系（基础）处理的 Token 越多，消耗的算力、电力、时间就越多。就像：搬砖越多，花的力气（算力）越多。2. 恐怖的 “平方律”（关键）AI 底层算法（Transformer）决定：算力消耗 ≈ Token 数的平方。比如：4000 Token → 4000×4000 = 1600 万次计算。8000 Token → 8000×8000 = 6400 万次计算。Token 翻 1 倍，算力翻 4 倍。一句话记：Token 越多，算力不是线性涨，是爆炸式涨。四、龙虾（OpenClaw）为什么这么费 Token？（“Token 黑洞”）龙虾 = 自主 AI 智能体，不是普通聊天机器人。它费 Token，是因为工作方式完全不同。1. 它是 “全自动打工仔”，不是 “一问一答”普通 AI：你问一句，它答一句，几百 Token 搞定。龙虾：接到任务 → 自己拆解 → 规划步骤 → 调用工具（搜索、写文件、执行命令）→ 检查结果 → 循环重试。一个简单任务，可能要几十轮后台调用，Token 是普通对话的几十倍。2. 每次都带 “超级长的说明书 + 全量历史”龙虾每次请求，都要把：系统指令（我是谁、能干嘛）工具列表（浏览器、文件、代码）全部历史对话一起发给模型。光系统提示词就1.5 万 Token 起步。聊 5 轮，第 6 轮要把前 5 轮全带上，Token 直接滚雪球。3. 隐形消耗：心跳 + 记忆膨胀心跳：每 30 分钟自动唤醒一次，没任务也耗 Token。记忆：所有交互都存下来，越用越重。一句话记：龙虾是 “全自动 + 全历史 + 循环调用”，Token 自然爆炸。总结：Token：AI 的语言积木，计价单位。Token 计费：按算力干活多少收费，最公平。Token 与算力：Token 越多，算力呈平方级暴涨。龙虾费 Token：全自动 + 全历史 + 多轮循环，是普通对话的几十倍。

7. 【让AI自己检查作业：一小时写4000行代码的秘密】YC掌门人Garry Tan分享了他使用Claude编程的方法论，核心思路是让AI在动手之前先做系统性的自我审查。他的提示词设计了四个审查维度：架构评估、代码质量、测试覆盖、性能分析。每个维度都要求AI列出具体问题，给出多个解决方案，说明利弊权衡，然后等待人类确认方向再继续。这套方法的精髓在于：把AI从执行者变成对话者。传统的AI编程是你说需求，它吐代码。这套流程是让AI先扮演架构师和代码审查员，把潜在问题暴露在写代码之前。Garry说他用这个方法一小时能完成4000行以上的功能开发，包含完整测试。Paul Graham在评论区算了一笔账：这个速度是去年八月那个引发争议的创始人案例的四倍。几个值得注意的细节：第一，他特别强调用ASCII图来可视化架构。上传截图让AI画出页面结构图，然后用AI命名的元素名称来沟通，省去了大量描述成本。这是个被低估的技巧。第二，提示词里明确写了工程偏好：DRY原则要严格执行，测试宁多勿少，宁可处理更多边界情况也不要图快，显式优于聪明。这些偏好让AI的判断有了锚点。评论区的讨论很有意思。有人指出真正的提升不是来自单个完美提示词，而是整个仓库的配套设施。有人说提示词工程的元游戏正在从「获得好输出」转向「让模型验证自己的输出」。自我检查才是真正的解锁点。也有质疑声音。有开发者说Claude在复杂代码库上最近退步明显，容易陷入循环，中途丢失上下文。还有人直接挑战：4000行代码本身不是成就，4000行你没写的代码才是。这个观点值得深思。速度从来不是稀缺资源，克制才是。一位工程师的总结很到位：提示词不是黑魔法，前置思考才是。他写代码前会先写分形规格文档，把架构、边界情况、测试场景全部预定义，文档和代码的比例是3.6比1。AI编程的本质正在发生变化。瓶颈不再是写代码的速度，而是你能多快想清楚要构建什么。x.com/garrytan/status/2020072098635665909

8. 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！

9. 给大家分享一个AI时代的成功方法，每个人都能复制#AI #教育 #学习 #openai #创业#就业#求职#AI学习

10. 真·顶流杀疯了！MiMo-V2-Pro开发者使用率全面碾压，从龙虾模式到多任务规划，样样霸榜第一！#小米MiMo获Kilo多个热门场景榜单第一#Kilogateway数据实锤：龙虾模式（Kiloclaw）占比36.9%，大幅超越Claude Opus 4.6；多任务规划等核心场景同样登顶，实力无短板。OpenRouter平台周Token消耗破3万亿，编程市占率超30%，全球开发者用脚投票。国产AI工具出海即封神，这波真的赢麻了！

11. Prompt已过时，得Harness者得天下：拆解智能体操作系统

12. 连Claude死忠粉都换GPT-5.4了，OpenClaw省47%，Token半价碾压Opus！

13. How to Prompt：A minicourse on effective prompting（如何提示：高效提示词微课程） 1. Basic Prompting（基础提示）核心是遵循 CSI 原则，即 Context（上下文）、Specific（具体）、Instruction（指令清晰）。包括四个关键点：1. 使用精确语言；2. 提供充分上下文；3. 运用有创造性的表达方式；4. 用类比或示例帮助理解。 2. Chain-of-thoughts（思维链提示）将复杂问题拆解为一系列更简单的步骤。分为三级：1. 分解主问题；2. 细化子问题；3. 要求执行具体任务。这样可以让 AI 按逻辑顺序思考，而不是一次性“拍脑袋”生成答案。 3. Chunking（分块）把复杂信息拆成可管理的小部分。常用于财务分析、研究、工具使用、问题解决、写作等场景，能显著提高理解与执行效率。 4. Explicit Reasoning（显式推理）让 AI 在回答时展示其思考过程，以清晰、逐步的方式说明推理逻辑，帮助使用者理解每一步的依据。 5. Agent Prompting（智能体提示）将提示词设计成任务或查询，让 AI 扮演一个特定角色或“智能体”。例如，“你是一个数据分析师，请……” 6. Team Prompting（团队提示）让 AI 像一个多角色团队一样协作。包括三个步骤：1. 定义各个“代理人”的角色与职责；2. 分配任务与顺序；3. 引导他们协同完成复杂任务。 7. Socratic Prompting（苏格拉底式提示）通过提问的方式深入探讨主题、挑战假设。分为三个层级：1. 提开放式问题；2. 质疑假设；3. 追问澄清。 8. Meta-Cognition（元认知）鼓励 AI 对自己的思考过程进行反思。包括提示 AI 自我审视、进行结果评估、提炼见解，并根据反馈调整。 9. Prompt Optimization & Expansion（提示词优化与扩展）从一个基础提示开始，让 AI 自我改进提示，帮助使用者找到更合适的表达方式和指令结构，以获得理想结果。 10. Fact Checking（事实核查）用提示来验证信息的准确性与可靠性。包括四步：1. 质疑信息来源；2. 交叉验证；3. 要求最新数据；4. 请求第三方引用。 11. Iterative Inquiry & Sequential Questioning（迭代与连续提问）指持续提问与迭代的过程。通过不断追问与细化，逐步提升任务的理解与输出质量。 #人工智能##科技#

14. 解决 MCP 带来的上下文过长问题如果不启用代码执行（Code Execution），该如何缓解 MCP 带来的上下文和 token 过长问题？本周 Anthropic 发布了一篇文章，讲述了 Code Execution 能够解决 MCP 引发的两大痛点。确实，代码执行机制在提升效率、降低 token 消耗上有明显优势。但在很多企业环境中，出于安全、合规或运维限制，并不具备开放代码执行的条件。那么，在无法使用 Code Execution 的情况下，如何依然有效解决 MCP 带来的上下文冗长问题？我们先看原文提到的两个核心问题：1. 工具定义过多导致上下文窗口被占满；2. 工具中间结果消耗了大量 token。下面我们分别分析应对思路。一、避免“工具定义占满上下文”总体思路是：延迟加载 + 结构化查询。1. 分层加载工具定义不要在初始化阶段就把所有 MCP 工具定义一次性加载进上下文。可以先让模型仅了解“有哪些服务器”以及“每个服务器下的工具名称和简短描述”。例如：可用服务器：google-drive（文档相关）salesforce（CRM 相关）notion（知识库相关）当模型真正需要操作 google-drive 时，再通过类似 get_tool_definition(server="google-drive", tool="getDocument") 的调用获取完整定义。这样可以避免模型在初始化时被大量工具定义占满上下文。2. 基于搜索的按需加载构建一个 search_tools 接口，让模型能通过关键词（如 “email”、“lead”、“calendar”）搜索工具，并按需返回信息。返回粒度可分为：（1）仅返回工具名称；（2）名称 + 简介；（3）仅当模型明确请求时才返回完整 schema。这样 MCP 层就像一个“工具搜索引擎”，而不是一次性暴露全部内容。3. 缓存与复用策略对于高频使用的工具，可以将其定义缓存到短期上下文或系统记忆中，而非每次都重新加载全部定义。这种做法能在多轮交互中平衡上下文长度与调用效率。二、降低“中间结果占用上下文”可以通过在 MCP 客户端层面对中间结果进行压缩或引用处理，减少 token 消耗。1. 结果摘要当工具返回结果时，客户端先生成“摘要版”结果再返回给模型。例如，在获取会议记录后，不直接返回全文，而仅传递：已获取会议记录，共 12 页，主题：Q4 目标。样例前 5 行：……如需全文，请再次请求 getDocument(full=true)。模型若确实需要全文，再发起请求。这样可显著减少 token 消耗。2. 分页与数据采样对于表格或列表类数据（如 Google Sheet 或数据库查询），可以让 MCP 接口支持分页或条件参数，让模型每次仅获取部分内容（如前 100 条或满足过滤条件的数据）。3. 服务端数据操作尽可能在服务端完成数据筛选，而不是返回整批数据后再由模型过滤。例如 getSheet(sheetId, filter="Status='pending'")，直接在服务端筛选结果，避免中间数据占用上下文。4. 结果引用对于体量大或敏感的数据，可以采用“结果引用”的方式。模型只接收结果 ID（如 result_ref_12345），当需要时再通过 MCP 客户端获取对应数据。这种方式相当于在“无代码执行”的环境下，模拟“数据保留在外部，模型按引用访问”的机制。通过以上方法，即使不启用代码执行，也能在 MCP 架构下显著降低上下文开销，提升响应速度与 token 利用效率。#ai创造营##科技#

15. 从780行代码到13600行的飞跃，这不仅是数量的扩张，更是开发范式的演变。David Bau近期分享了他通过Claude进行Vibe Coding的深度实践，揭示了在人工智能驱动开发的时代，人类开发者应当如何重新定位。当代码生成的成本趋近于零，代码库的膨胀速度将远超人类的阅读速度。David Bau指出，这种增长如果缺乏控制，本质上是一种技术负债。为了在AI狂飙突进的生成能力面前保持掌控，开发者必须遵循两条核心准则。第一，始终掌握架构的所有权。AI可以填充细节，但人类必须定义结构。如果开发者失去了对整体架构的直觉，代码库就会变成一个不可知的黑盒。第二，建立元认知基础设施，即测试你的测试。在Vibe Coding的流程中，验证比编写更重要。如果不能确保测试本身的有效性，那么AI生成的成千上万行代码不过是建立在沙滩上的城堡。在这种模式下，开发者的注意力分配发生了根本性转移。我们需要寻找那1%最值得关注的代码。这些关键点通常隐藏在测试覆盖率最低的地方：它们要么是AI无法理解的逻辑边缘，代表了AI能力的极限；要么是废弃思路留下的残骸，需要人类进行断舍离。一个深刻的洞察是：当代码变得廉价，判断力就变得昂贵。未来的编程将不再是关于语法的苦修，而是关于意图的表达与边界的界定。开发者正在从码农转型为架构师与审计员，编写代码的行为正在被编写测试用例和构思创意所取代。代码量的增加并不等同于价值的提升，除非你投入了等量的思考去约束它。在AI时代，少即是多，受控的增长才是真正的进化。x.com/davidbau/status/2001744610859897095

16. Autoresearch是一种AI代理框架，能自主执行评估-优化循环，适用于任何可量化的技能、工作流或研究任务，帮助实现指数级改进，但需注意token消耗。token = 信息有序程度。更多的 token = 更高的内容质量，代码水平等等等等。。。网页链接

17. 爆肝10亿token，我给OpenClaw做了个龙虾管家！【一键安装龙虾】

18. 小米 MiMo 团队负责人罗福莉：全球算力跟不上 Agent 时代的 Token 消耗，出路不是更便宜的 Token，而是更省 Token 的框架和更高效的模型共同进化。一个技术细节：OpenClaw 的上下文管理做得非常糟糕。一个用户请求会触发多轮低价值的工具调用，每次都带着超过 10 万 Token 的长上下文窗口，实际请求次数是 Claude Code 自身框架的好几倍。换算成 API 价格，真实成本可能是订阅价的几十倍。罗福莉提了两个观点：第一，短期阵痛反而是好事。第三方框架被迫走 API 付费后，成本压力会倒逼它们改进上下文管理、提高 prompt 缓存命中率、减少无效 Token 消耗。第二，呼吁其他大模型公司不要在没想清楚定价模型之前盲目打价格战。低价卖 Token 的同时对第三方框架大开门户，看着对用户友好，实际是个陷阱，Anthropic 刚从这个坑里爬出来。

19. 字节火山开源的上下文数据库OpenViking, 专为 AI Agent 设计。该项目通过文件系统范式，统一管理智能体所需的记忆、资源与技能，解决了传统 RAG 架构中信息碎片化和检索低效的问题。1. 文件系统管理范式 → 解决碎片化问题：基于文件系统范式，将记忆、资源、技能进行统一上下文管理；2. 分层上下文按需加载 → 降低 Token 消耗：L0/L1/L2 三层结构，按需加载，大幅节省成本；3. 目录递归检索 → 提升检索效果：支持原生文件系统检索方式，融合目录定位与语义搜索，实现递归式精准上下文获取；4. 可视化检索轨迹 → 上下文可观测：支持可视化目录检索轨迹，让用户能够清晰观测问题根源并指导检索逻辑优化；5. 会话自动管理 → 上下文自迭代：自动压缩对话中的内容、资源引用、工具调用等信息，提取长期记忆，让 Agent 越用越聪明。项目：github.com/volcengine/OpenViking#HOW I AI# #过个有ai年#

20. 【Codex Subagents：136个AI专业分身让编程效率起飞】快速阅读：一个开源项目收录了136个针对Codex的专业化AI助手，覆盖从前端开发到安全审计的各个领域。每个Agent都有独立的上下文窗口和专门指令，能像真实团队成员一样处理特定任务。关键是这些Agent不会自动触发，需要明确指派。—AI编程助手的进化方向可能不是更强的单一模型，而是一群各司其职的专家。这个叫awesome-codex-subagents的GitHub仓库里，藏着136个经过精心调教的AI分身。前端有React专家，后端有Go并发高手，安全审计、性能优化、数据库调优，甚至Active Directory管理都有对应的Agent。每个Agent都是一个.toml配置文件，指定模型、沙盒权限和专业指令。比如security-auditor用gpt-5.4处理深度推理任务，search-specialist用更快的gpt-5.3-codex-spark做信息检索。审查类Agent设为只读权限，开发类Agent可以修改代码。这种设计既保证专业性，又控制权限范围。GitHub: github.com/VoltAgent/awesome-codex-subagents#AI创造营##人工智能#

21. 在线调用 Claude Code 时，回答冗长浪费 tokens 导致成本飙升。drona23/claude-token-efficient 只需在项目根目录放入一份 CLAUDE.md 文件，无需代码改动，即可自动让 Claude 回复更简洁、减少多余客套与冗言，让重度输出工作流节省超过60% token，降低成本。主要功能：- 去掉无用开头结尾客套语- 避免重复复述问题- 简化代码方案，不胡乱扩展- 阻止错误认同和多余建议适合：- 需要高频多轮自动化调用的团队和项目- 欲稳定输出格式，方便解析- 代码生成、自动化代理、流水线工作不适合：- 低频简短查询，因文件加载成本占优- 需要详细讨论或复杂架构设计时GitHub：github.com/drona23/claude-token-efficient放入项目后，Claude立刻变得更简短高效，节省数万tokens，助力成本控制及流程提速。#AI开发##成本优化##自动化工具#

22. 真正的核心竞争力，来自于驾驭工具。 #大咖观察 #红衣聊AI #编程 #人工智能技术

23. 最强Claude比黄金还贵，有人用省token.skill 立降65%，还有10个小妙招

24. 连续霸榜OpenRouter的MiMo终于出了Code Plan（他叫Token Plan），之前OR上的免费试用也没有过这么高的占比，核心还是模型本身好用，拿来干活的东西为了省几百块一个月的token费用上垃圾模型导致干活失败才是因小失大，最贵的Max套餐600不到，目前算下来一个月16亿Credit，性价比上非常可以，而且预计MiMo之后，国产模型套餐会跟进一次订阅覆盖全模态模型~目前Credit到Token结算规则如下，目前看来鼓励上V2 Omni，V2Pro等效8亿Token，1M上下文也有4亿Token：MiMo-V2-Omni 256k 上下文：1x（消耗 1 Token = 1 Credit）MiMo-V2-Pro 256k 上下文： 2x（消耗 1 Token = 2 Credits）MiMo-V2-Pro 256k~1M上下文： 4x（消耗 1 Token = 4 Credits）MiMo-V2-TTS：0x（限时免费，不消耗 Credit）关键是没有 token集中使用限额——支持集中消耗 token ，高强度养龙虾或编程，体验拉满，不被打断

25. 当有人说“编程已死” 我更愿意说一句：死的是“打字员式编程”，活下来的是“定义价值的编程”。#大咖观察 #红衣聊AI #openclaw #ChatGPT#编程

26. 轻松学会！高手都在用的AI编程大法！

27. 2026英伟达GTC：“推理之王”的ASIC反击战与Token经济学【硅谷101】

28. 3 月我国日均token调用量破 140 万亿，两年增千倍，token经济为何突然出圈？释放哪些信号？

29. OpenAI、Anthropic 和 Google 内部使用的10大顶级提示工程技巧，能显著提升生成结果准确率和实用性，堪称AI高手的秘密武器！---【技巧1：角色限定提示 Role-Based Constraint Prompting】高手不会简单说“写代码”，而是赋予AI具体身份和限制，明确任务与输出格式。模板： ```你是一个拥有[X年]经验的[具体角色]，专长于[领域]。你的任务：[具体任务] 限制条件（3-5条）：[列出限制] 输出格式：[精确输出格式] ```示例： ```你是拥有10年经验的高级Python工程师，擅长数据管道优化。任务：构建每小时处理1000万条数据的实时ETL流水线。限制： - 必须使用Apache Kafka - 最大内存占用2GB - 延迟低于100ms - 零数据丢失容忍度输出格式：带内联注释的生产级代码 ```效果：比“写个ETL流水线”精准十倍，产出更贴合需求。---【技巧2：验证链 Chain-of-Verification (CoVe)】谷歌用来消除AI幻觉的“自我审校”法，先答题，然后设计问题自检，最终修正答案。模板： ```任务：[你的问题] 步骤1：给出初步答案步骤2：列出5个能揭露答案错误的验证问题步骤3：回答这5个问题步骤4：基于验证结果给出最终修正答案 ```示例： ```任务：解释transformer如何处理长上下文窗口。 1. 初步回答 2. 设计5个验证问题（如：是否存在上下文截断？模型如何保持信息？等） 3. 回答验证问题 4. 根据验证修正答案 ```效果：复杂技术问题准确率从60%提升至92%。---【技巧3：带负面示例的少样本 Few-Shot with Negative Examples】 Anthropic发现告诉AI“什么不该做”与“该做什么”一样重要。模板： ```我需要你完成[任务]。以下是示范： ✅ 好示例1：[示例] ✅ 好示例2：[示例] ❌ 差示例1：[示例] 原因：[为什么差] ❌ 差示例2：[示例] 原因：[为什么差] 现在请完成：[你的任务] ```示例：写冷邮件主题： ```✅ 好：Q4工程路线图的快速问题 ✅ 好：关注你发布的分布式系统帖子，有些想法 ❌ 差：紧急！限时优惠！！！原因：垃圾邮件触发词，假紧急感 ❌ 差：你绝对想不到我们做了什么... 原因：标题党，无上下文请写5个关于“降低云成本40%的SaaS工具”的邮件主题。 ```效果：减少80%泛泛而谈或低质回复。---【技巧4：结构化思考协议 Structured Thinking Protocol】 GPT-5团队处理复杂问题的分层思考法，逼模型先理解再分析，最后给策略和答案。模板： ```回答前请完成以下步骤：[理解] - 用你的话复述问题 - 明确真正被问及的点 [分析] - 拆解成子问题 - 说明假设和限制 [策略] - 列出2-3种方案 - 权衡利弊 [执行] - 给出最终答案 - 解释理由问题：[你的问题] ```示例： ```问题：5人团队开发B2B SaaS，首年预计1000用户，应该用微服务还是单体架构？请按上述步骤回答。 ```效果：避免千篇一律建议，答案更符合具体情境。---【技巧5：置信度加权提示 Confidence-Weighted Prompting】 DeepMind为关键决策设计，让模型评价自身答案置信度，列出假设和备选方案。模板： ```请回答：[问题] 内容包括： 1. 主要答案 2. 置信度（0-100%） 3. 关键假设 4. 哪些变化会改变答案 5. 若置信度<80%，给出备选答案 ```示例： ```问题：Rust是否会在2030年取代C++作为系统编程语言？请按模板回答。 ```效果：避免盲目相信AI自信，促进理性决策。---【技巧6：有界上下文注入 Context Injection with Boundaries】 Anthropic工程师给模型大量上下文但限定回答只能基于上下文，避免胡编乱造。模板： ```[上下文] [粘贴文档、代码、论文等] [聚焦] 仅能使用上下文信息回答，若无则回复“提供的上下文信息不足”。 [任务] 具体问题 [限制] - 引用上下文具体章节 - 不使用上下文外知识 - 如存在多种解释，全部列出 ```示例： ```[上下文] 公司50页API文档 [聚焦] 仅用文档回答 [任务] 如何实现/users接口的限流和重试？ [限制] 引用具体章节，不用外部知识，多解释全部列出 ```效果：极大减少专有系统中的错误输出。---【技巧7：迭代精炼循环 Iterative Refinement Loop】 OpenAI研究团队通过多轮修正提升输出质量，远胜一次性生成。模板： ```第1轮：生成[草稿/初稿/概要] 第2轮：审查，找出3个缺陷第3轮：重写，修正所有缺陷第4轮：终审，确认是否生产就绪；若否，指出不足 ```示例： ```第1轮：写一封给B轮创业公司工程VP的销售邮件草稿，主题CI/CD优化工具。第2轮：审查邮件，列出3个问题。第3轮：修改邮件，解决所有问题。第4轮：确认邮件是否可以直接发出。 ```效果：避免单次输出粗糙，产出质量可达90%。---【技巧8：先限后做 Constraint-First Prompting】 Google Brain先列硬性限制，再写任务，让模型既准确又实用。模板： ```硬性限制（绝对不可违）： - [限制1] - [限制2] - [限制3] 软性偏好（优先优化）： - [偏好1] - [偏好2] 任务：[实际请求] 请确认理解所有限制后开始。 ```示例： ```硬性限制： - 必须用Rust编写 - 不能用外部依赖 - 必须能在Rust 1.75稳定版编译 - 最大二进制大小5MB 软性偏好： - 快速编译 - 尽量少内存分配任务：写一个CLI工具，解析10GB CSV文件，输出带有schema验证的JSON。确认理解所有限制后开始。 ```效果：避免技术正确但无用的回答。---【技巧9：多视角提示 Multi-Perspective Prompting】 Anthropic宪法AI从多个角度分析问题，综合权衡得出建议。模板： ```请从以下角度分析[问题]： [技术可行性]：…… [业务影响]：…… [用户体验]：…… [风险/安全]：…… 综合：整合所有视角，提出最终建议，明确权衡。 ```示例： ```是否应从Postgres迁移到DynamoDB？ [技术]：工程复杂度，数据迁移风险，时间线 [业务]：成本，团队速度，供应商锁定 [用户]：延迟，功能影响，停机需求 [安全]：数据一致性，备份，合规性综合给出建议并说明权衡。 ```效果：促使战略思考，避免片面建议。---【技巧10：元提示 Meta-Prompting（核武器级）】 OpenAI红队用来探测模型极限，要求AI帮自己写出“完美提示”，再执行。模板： ```我需要完成：[高层目标] 你的任务： 1. 分析如何写出该目标的完美提示 2. 考虑具体性、上下文、限制、输出格式、示例需求 3. 写出该完美提示 4. 执行并给出结果 [目标]：具体目标 ```示例： ```目标：写一个Python脚本，抓取Twitter长文，将其转成格式良好的博客文章，并自动生成SEO元描述。请按模板操作。 ```效果：AI帮你打造超强提示，实时成为顶尖提示工程师。---【实战效果总结】 - 技术文档幻觉率降至0% - 代码迭代速度提升3倍 - 复杂分析准确率超90% 关键不是模型本身，而是“懂得如何与模型对话”。这10个技巧，正是区分普通用户与顶级提示工程师的秘密武器。---原文: x.com/aigleeson/status/1997233746630893733

30. 现在AI编程成本越来越氪金，tokens越充越少，你有什么方法可以降低成本吗?

31. 智能体上下文工程：为什么文件系统成了AI记忆的最佳载体？

32. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

33. 【让AI自己教自己变强：5个Claude Code进阶技巧】用AI写代码的人越来越多，但大多数人只是把它当成一个高级补全工具。真正的高手在做什么？他们在教AI如何自我进化。 Luca Dellanna分享了5个他正在使用的Claude Code技巧，核心思路只有一个：让AI在工作中自动积累经验，而不是每次都从零开始。第一招叫"自我改进注入"。设置一个全局钩子，当AI在一次任务中调用超过8次工具时，自动追加一条优化建议。可以是可复用的技能、记忆模式或工作流修复。关键在于那个"8次以上"的阈值设定。触发条件的精准度比提示内容本身更重要。在错误的任务类型上触发钩子，消耗的token比没有钩子还多。第二招是"技能审计"。创建一个技能，列出所有已安装的技能及其代码行数，然后让用户选择哪些需要审查。审查什么？简洁性、清晰度、功能重叠、token效率。你的AI助手装了多少技能你可能都不记得了，但它们每一个都在消耗你的上下文窗口。第三招是"配置文件审计"。让AI读取所有CLAUDE.md文件，检查冗余指令、啰嗦表述，以及可以移到记忆模块的内容。配置文件写一次就忘了，但它每次对话都在被读取。第四招叫"反思"。让AI回顾当前对话，分析任务、错误和用户反馈，提取学习机会、技能创建和改进建议。这本质上是在对话结束时做一次复盘，把临时经验转化为持久能力。第五招是"条件提示检查器"。当用户输入超过50个词时，自动追加一条提示，让AI确认预期结果是否清晰。提示越长，意图越容易模糊。这些技巧的共同点是：它们都不需要复杂设置，不需要信任你不理解的第三方工具。复制粘贴那一段话就能用。有意思的是，这套方法论的底层逻辑和管理团队很像。你不可能盯着每个细节，但你可以建立机制让系统自己发现问题、自己改进。AI工具正在从"被动执行"走向"主动学习"，而推动这个转变的不是AI本身，是使用它的人。 x.com/DellAnnaLuca/status/2022698606785175958

34. 最近我几乎每天都在跟AI一起编程，有时一天都不睡觉。不咋看微信、十几个小时连轴转，对着手机给AI下指令，让它做智能体、改Skill……#大有学问 #人工智能 #红衣聊AI #openclaw

35. 罗福莉：Claude订阅封杀龙虾背后，真正的出路不是更便宜的token

36. AI大神的焦虑：自己是研究工作的瓶颈，Token用得不够多#AI #人工智能 #卡帕西 #Agent #算力

37. #小米MiMo大模型首次推出TokenPlan# Token Plan提供四档套餐，Lite、Standard、Pro、Max，从39元/月到659元/月，而且计费方式简单透明，按 token使用量换算credit消耗量，开发者可根据消耗量按需购买。价格确实有很大优势，首次购买还享88折优惠。能力第一梯队，价格却比同能力竞品低很多，越是重度使用、海量Token调用小米价格优势越大。我看开发者都用的飞起，昨天MiMo大模型调用量超过了1万亿Token。小米这个就是模型全，能力强，价格低，支持主流编程工具与模型框架，你可以用来编程、养龙虾等，挺有竞争力的。

38. #为什么AI大厂开始卖Token#Token是大模型处理信息的最小单元，其消耗与算力消耗、电力成本直接挂钩，是按效用付费的最公平口径。AI从对话工具转向Agent与企业系统，工作量呈指数级爆发，按Token计费能精准匹配算力消耗，实现成本可控。同时，价格分层加剧：轻量模型低至135元/亿Token，旗舰模型则达数万元，形成差异化竞争。Token计费将主导通用场景与标准化服务，但并非绝对唯一。对高并发、低门槛的轻量应用，Token模式效率最高；而对复杂行业定制、私有部署或长期订阅场景，包年制/包量制仍有优势。此外，随着算力成本优化与缓存技术普及，部分场景可能出现价格阶梯或免费额度，以平衡普惠与商业化。Token不仅是计费单位，更可能成为AI时代的数字货币，承载价值尺度与流通手段功能。中国凭借绿电与算力基建，正以低成本Token重塑全球AI成本结构。未来，Token计费将与混合模式并存，共同构建AI商业化的多元生态。#how i ai# 为什么ai大厂开始卖token

39. Claude Code Skills 采用了一种极其巧妙的三层上下文系统。请记住这个结构，当你构建技能（Skills）时会非常有用。第一层：主上下文（Main context）——项目配置，总是会被加载。第二层：技能元数据（Skill metadata）——只包含 YAML 前言部分，每个技能大约占用 100–200 个 token。第三层：活动技能上下文（Active skill context）——SKILL.md 文件以及按需引用的文档，在需要时才会加载。像脚本（scripts）和模板（templates）这样的支持文件不会被预加载到上下文中，而是在使用时直接访问，不消耗任何 token。这种架构让系统可以同时容纳数十个技能，而不会触及上下文长度限制。#人工智能##程序员#

40. 4000万Token免费送，鹅厂这只“大闸蟹”能吃吗？可以用，不建议

41. AI 编程又进化了！TRAE SOLO中国版上线且免费 #AI编程 #TRAE #TRAE SOLO #玩一个很新的东西

42. 小米 MiMo 负责人罗福莉就 Claude Code 封杀龙虾（OpenClaw）发表观点（图 1）：全球算力增速已无法填补 Agent 制造的 Token 需求黑洞。未来的唯一解不是无脑降价，而是“更高能效的 Agent 框架 × 更强大的模型”。我个人判断：Claude 封杀不会是个例。“龙虾”确实会发送超长的上下文请求，且多为对模型毫无价值的低质量数据。目前国内部分 Code Plan 包月已开始限制“龙虾”的 API 请求速率，Kimi 和 Qwen 都已动手。对用户来说，未来要么接受按 Token 消耗计费，要么订阅更贵的包月套餐。这波限制必然会让很多人思考：部署个人“龙虾”，真的还有必要吗？

43. 罗福莉：各位醒醒吧，该结束token虚假狂欢了

44. 按Token计费大概率会成为AI时代中短期的主流计费模式。Token是AI处理语言的最小计算单元，其消耗与算力、计算时长直接挂钩，按Token计费能让使用量和成本精准匹配，适配当下AI从单次对话转向持续调用的使用场景，尤其是OpenClaw这类智能体走红后，复杂任务的多步交互更需要这种“用多少付多少”的灵活模式。大厂扎堆卖Token，是AI行业商业化的必然选择，既让开发者和企业客户成本可控，也能让大厂收益与算力消耗直接挂钩，同时不同模型的Token定价差异，也能精准匹配不同客户的需求。当然这种模式也有成本预判难的短板，长期来看会逐步向按结果付费过渡，但在AI能力尚未实现结果量化的阶段，Token作为算力的标准化度量，仍是当下最适配的计价方式。#为什么AI大厂开始卖Token#

45. 龙虾爆火后Token彻底出圈，我敢说按Token计费绝对会成AI时代的主流模式，甚至Token未来会成AI世界的硬通货。龙虾之所以超费Token，因为它不是单纯聊天模型，是智能体执行框架，每一步都要调用大模型，上下文还会滚雪球似的累积，随便一个操作就耗上万Token，比普通聊天费百倍。大厂现在扎堆卖Token，核心是AI从单次对话变成持续调用。我觉得这只是开始，未来Token会跨平台跨模态通用，智能体之间交易都靠它，妥妥的AI专属货币。#为什么AI大厂开始卖Token#

46. 在线编程助手 Claude Code 总是不记得之前的上下文？试试 letta-ai/claude-subconscious 这个开源插件吧！它是一个后台“潜意识”代理，实时观察你的代码会话，阅读代码库文件，积累记忆，并在你下一次输入时悄悄给出有用提示。主要功能：- 持久记忆跨会话保存项目上下文、编码偏好和待办事项- 读取与搜索代码库，帮你主动检测模式和给出指导- 多会话共享一份“潜意识”，支持项目间连续背景知识- 支持web搜索，背景调研更智能- 轻量运行，不阻塞你的工作流，自动同步内容只需简单安装 `/plugin marketplace add letta-ai/claude-subconscious`，配置 LETTA_API_KEY 即可开启。适配Claude Code，联动 Letta Code SDK，助力 AI 编码更“有思考”，让代码聪明起来！GitHub：github.com/letta-ai/claude-subconscious#AI辅助编程# #开源工具# #ClaudeCode#

47. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

48. 网页链接langchain发了篇官博，探讨了智能体如何利用文件系统进行上下文工程，以提升其性能和可靠性。智能体失败的主要原因并非模型能力不足，而是缺乏正确的上下文信息。上下文工程的目标是精准地将必要信息填入模型的上下文窗口，避免信息缺失、冗余或不相关。常见的上下文工程挑战包括：信息过多（检索内容远超所需）：如网络搜索返回大量无用内容，浪费token并增加成本。信息过少或超出上下文窗口：复杂任务需大量信息，单次无法加载全部。难以定位小众信息：所需信息埋藏在大量文件中，语义搜索效果有限。缺乏持续学习能力：无法从交互中积累新知识。文件系统是解决这些问题的关键工具，其优势体现在：作为“草稿板”：将大体积工具输出（如网页内容）存入文件系统，按需通过grep等工具提取关键信息，减少上下文占用。动态管理上下文：存储长期计划、子任务结果或复杂指令，按需调用，避免系统提示过载。精准搜索：利用ls、glob、grep等命令在结构化目录中快速定位特定文件、行甚至字符，尤其适合代码或技术文档。持续学习与自我更新：智能体可通过用户反馈更新自身“技能文件”，将新知识写入文件系统，实现长期记忆与能力进化。#科技先锋官#

49. Claude Code装了LSP后，Token消耗直接降了40%

50. 使用 Gemini 3 Pro Vibe Coding Flutter 的进展，个人管理软件，添加了时间记录的功能。我说强到没边，不是没有依据的而且哦，我没有用 Agent 工具，只是在 AI Studio 里面，提出要求，LLM 给出实现，我人工搬进代码里，有了运行效果或者 Bug，再跟 LLM 聊，所有 Vibe 部分都在 AI Studio 里面进行。这样做很低效，但是有个好处，就是充分发挥了 Gemini 3 Pro 的超长上下文能力，比起 Agent 工具每次创建一个新的上下文（丢失背景），LLM 能够了解事情的来龙去脉。得益于 Gemini 3 Pro 的 100w Token 上下文，一个对话能聊很久，网页这两天出点 bug，看不到上下文开销了，也不知道实际用多少了。也就是 AI Studio 免费用，要是自己调 API，这么长的上下文，每次往里做增量调用，每次输入都是几万、几十万 token，得花很多钱

51. “编程的本质是思考，AI的价值在于帮我们省去了敲代码的时间。”换句话说，AI不是替代思维，而是加速了执行。未来的竞争核心，仍是“谁能更好地思考和设计”，不是简单敲代码的速度。这句话引发了大量讨论，观点分歧与深度洞见并存：- 编程的本质是问题解决和系统设计，敲代码只是执行的一部分。AI能快速生成代码，但真正的思考、架构设计、需求理解仍需人类完成。正如评论中有人说，编程90%是思考，10%是敲代码。- AI降低了门槛，让非程序员也能实现创意。很多创意者不懂语法，但能用AI“vibe coding”快速验证想法，这是AI赋能创新的体现。- 有观点认为，AI不仅节省了打字时间，还提升了研究效率，比如查文档、调试、自动测试，甚至能在外部系统“自我运行”完成任务，远超简单“敲代码”。- 反对声音也存在，有人认为向AI表达需求有时比自己写代码更复杂，而且AI生成代码仍需人工严格复核和调整，不能完全依赖。- 未来展望：AI是新的“计算器”或抽象层，类似早期C语言对汇编的抽象。随着AI不断进化，程序员的工作将更多聚焦于更高层次的设计与创新，而非机械编码。- 也有呼吁教育与培训的声音，建议AI辅助开发要配套设计原则、版本控制等基础培训，避免“无脑用AI”导致设计混乱。总结观点：AI极大地提高了代码生成的效率，解放了程序员的机械操作时间，但编程核心的“思考”依然不可替代。AI更像是工具升级，而非思维替代。未来的竞争力依然在于谁能更深入理解问题、设计架构和创新。AI让更多人能够参与软件创作，但同时对技术深度和代码质量的要求也更高。这是一场关于“思考 VS 执行”的辩论，也是技术进步带来的角色转变。谁能驾驭AI，谁就能在创新浪潮中领先。

52. 在线使用 Claude、OpenAI、Gemini、Antigravity 多种 AI 订阅服务时，API 配额管理和成本分摊常让人头疼。Sub2API是一个一站式开源中转服务平台，支持多账户统一接入，自动分配 API 配额，智能调度请求，还能实现拼车共享，极大提升使用效率，降低成本。主要功能：- 多 upstream 账号管理，支持 OAuth 和 API Key 方式；- 动态分发 API Key 给用户，方便接入管理；- 精确的 Token 级计费与成本跟踪；- 智能调度算法，支持会话粘性和高并发控制；- 请求速率限制，保证服务稳定；- 全功能管理面板，监控与配置一目GitHub: github.com/Wei-Shaw/sub2api#AI创造营##人工智能#

53. 90%的人都在浪费Token

54. LLM上下文窗口管理

55. 罗福莉揭示Agent时代Token成本黑洞

56. 用 Codex 第五天，我被一条消费 3.9 $的请求震惊了