24小时热榜

是的，就是那个 Fortran。

我构建了一个开源代码库模板，为 AI 辅助软件开发带来结构，从编码前的阶段开始：目标、用户故事、需求、架构决策。 它围绕 Claude Code 设计，但其理念与工具无关。我从事计算机科学研究和全栈软件工程师 25 年，主要在初创公司工作。我一直在个人项目中使用这种方法，后来，当我决定将其打包成一个脚手架以便更容易复用时，我认为它可能对其他人也有用。我将其发布在 Apache 2.0 协议下，欢迎 fork 并将其变成你自己的。 你可以轻松试用它：按照 README 中的说明开始使用。 它解决的问题： AI 编码助手非常擅长编写代码，但当它们对要构建什么以及为什么有清晰的上下文时，它们的工作效果会更好。大多数项目直接跳到实现阶段。这个脚手架为编码前的阶段提供了一个结构化的工作流程，并组织了输出，以便助手可以在不同会话中高效地浏览它。 它是如何工作的： 所有内容都与源代码一起存在于代码库中。AI 指导分为三层，每一层都针对上下文窗口的使用进行了优化： 1. 指令文件 (CLAUDE.md, CLAUDE.<phase>.md)：始终加载，保持较小。它们按层次结构组织，描述代码库结构，维护工件索引，并定义跨阶段规则，如可追溯性不变式。 2. 技能 (.claude/skills/SDLC-*)：按需加载。每个 SDLC 活动的逐步过程：获取需求、差距分析、起草架构、分解为组件、规划任务、实现。 3. 项目工件：结构化的 markdown 文件，随着工作的进展而积累：利益相关者、目标、用户故事、需求、假设、约束、决策、架构、数据模型、API 设计、任务跟踪。通过索引选择性地访问。 这种分离很重要，因为指令文件永久保留在上下文窗口中，并且必须保持精简，技能可以详细说明，因为它们仅在被调用时加载，而工件会随着项目的扩大而扩展，但通过索引表而不是全文阅读来导航。 关键设计选择： * 上下文窗口效率：工件集合使用 markdown 索引表（单行描述和触发条件），以便助手可以找到它需要的内容，而无需阅读所有内容。 * 决策捕获：在 AI 推理和人工反馈期间做出的决策被保存为结构化工件，以便它们可以被审查、追溯并在不同会话中一致地应用。 * 瀑布式流程：具有定义输出的顺序阶段。对于人类团队来说很乏味，但 AI 助手并不介意这种开销，并且显式结构可以防止不受约束的“直接开始编码”的失败模式。 我如何使用它： 简短、专注的会话。每个会话调用一个技能，产生其输出，然后结束。知识组织意味着下一个会话在不丢失上下文的情况下继续进行。我发现技能之间的自由形式提示通常表明工作流程缺少一部分。 当前的局限性： 我还没有找到一种好的方法来集成 Figma MCP，以便将现有的 UI/UX 设计导入工作流程。欢迎提出建议。 非常欢迎反馈、批评和贡献！

我经常参加几乎没有手机信号的野外探险。如果我的队伍分散了，在大家重新在营地或目的地集合之前，谁也不知道其他人在哪里。你可以购买 Garmin 无线电，或者尝试设置 ATAK，但 ATAK 只能在安卓系统上运行，并且假设你有一个 TAK 服务器在某个地方运行，才能使用所有功能。这些工具本身很酷，但要正确设置它们却很昂贵。我只是想让两部 iPhone 通过蓝牙直接共享它们的位置，当没有手机信号覆盖时。 Red Grid Link 就能做到这一点。开始一个会话，任何附近运行该应用程序的人都会出现在你的离线地图上。当他们走出范围时，他们的标记会保留为一个“幽灵”，并逐渐消失。 最难的部分是让通过 BLE 的同步变得可靠。连接经常断开。有人转弯，走到车后面，等等。我构建了一个 CRDT 同步层（LWW 寄存器 + G-计数器），因此永远不会出现合并冲突。每次更新只有不到 200 字节（根据我目前的测试）。当用户/队友消失时，应用程序会进行指数退避，从 2 秒到 30 秒，然后放弃并将他们标记为幽灵。 所有内容都经过加密（AES-256-GCM，每个对等体对使用 ECDH P-256 密钥交换）。会话可以要求输入 PIN 码或扫描二维码才能加入。它还提供带有 MGRS 网格坐标的离线地形图，与我的另一个应用程序 Red Grid MGRS 使用的系统相同。 该应用程序是免费的，我正在寻找其他真实用户的诚实反馈。如果你有任何问题，请告诉我！

我将我的军官分为四类：聪明的、懒惰的、勤奋的、愚蠢的。每个军官至少具备这四种特质中的两种。 那些既聪明又勤奋的人适合担任最高的参谋职位。愚蠢又懒惰的人也能被利用。 然而，那些聪明又懒惰的人适合担任最高的指挥官；他们有处理各种情况的性格和神经。 但那些愚蠢又勤奋的人是个威胁，必须立即清除！ ——库尔特·冯·哈默斯坦-埃奎德 起初，我对我的新编码伙伴的惊人速度感到兴奋。和这个智能体聊天感觉就像和真人交谈一样，这让我有点迷失了方向，忘记了许多软件开发的理性规则。经过几次重构和许多经验教训后，我在Hacker News上找到了共鸣，那里的人们批评着我最初如此热衷的东西。 我有一个非常勤奋的伙伴，速度极快，但却毫无头脑，也毫无知觉。 我是哈默斯坦告诉我们要避免的那种人吗，还是我的智能体（或者更糟的是，是我们两者的结合）？ 想象一下，一个勤奋又愚蠢的人和一个人工智能智能体的组合。

简而言之：是的。 Emotion Engine 总共有 32 MB 的 RAM，所以诀窍是在前向传播过程中，一次从 CD-ROM 流式传输权重矩阵——只有激活值、KV 缓存和嵌入驻留在 RAM 中。这意味着比 RAM 内存更大的模型仍然可以运行，它们只是从光盘读取更多数据。 不得不构建一个自定义的量化格式（PSNT），破解字节序，从头开始编写一个分词器管道，以及 PS2 SDK 的大部分内容（将单独发布）。模型本身也是自定义的——一个 1000 万参数的 Llama 风格架构，我专门为此训练的。 而且它确实有效。在真正的硬件上。