最新

在过去的 6 个月里，我一直在构建 AI DevKit 的同时，不断改进我的 AI 编码工作流程。<p>最重要的转变并非在于更好的代码生成，而在于从可复用的命令和模板，转向能够携带上下文、触发正确行为并自动验证工作流程。<p>最近的一个功能使这种差异变得显而易见。我使用 Codex 为 "ai-devkit skill add" 构建了交互式技能选择。我只给了一句话的指令，工作流程就完成了需求、设计、规划、实现、验证、测试和代码审查的整个过程。<p>整个过程耗时不到一个小时，实际的功能流程大约 30 分钟。<p>我发现有趣的不只是 AI 编写了代码，而是工作流程留下了需求文档、设计文档、规划工件、从需求中派生的测试，以及针对规范的验证，而不仅仅是一个差异（diff）。<p>在实践中，有几件事感觉很重要：<p>- 记忆功能找回了我之前忘记存储的旧 CLI 规则 - 审查阶段可以向后循环，而不是盲目地向前推进 - 验证功能捕捉到了实现和设计之间的偏差 - 我仍然自己做出了产品决策，并修复了最后一个未通过的测试<p>我很好奇这里的其他人是如何思考这个问题的。<p>你们是主要在优化提示词，还是现在开始尝试优化模型周围的工作流程层？

我一直在思考为人工智能时代构建一门语言。<p>以下是我希望这门语言具备的一些特性（非详尽列表）： - 将具有副作用的代码与纯逻辑分离 - 将状态与代码分离 - 针对人工智能的原生调试器 - 原生确定性模拟测试 - 代码证明 - 显式类型系统 - REPL（交互式解释器） - WASM 目标平台<p>我没有任何编译器构建或类似领域的背景。我只想花几周时间阅读关于这个主题的最佳资源。<p>请分享您推荐的阅读资源。