本文首次公开了 Claude Code 创始人 Boris Cherny 使用其 AI 编程助手的 13 个个人技巧。文章揭示了 Boris 如何在日常开发中高效利用 Claude，包括并行运行多个 Claude 实例、结合终端和网页端会话协作、选用 Opus 4.5 模型处理复杂编程任务。核心实践包括维护团队共享的 CLAUDE.md 文件以记录 AI 行为规范、在代码审查中集成 AI 反馈、使用“计划模式”确保 AI 理解任务、通过斜杠命令和子智能体自动化重复工作流，以及利用 PostToolUse 钩子和权限管理保障代码质量和安全性。最重要的是，文章强调为 Claude 提供有效的验证机制，形成反馈闭环，以显著提升 AI 产出质量。
本文是前 Meta AI 科学家田渊栋的 2025 年终总结，深入探讨了其在被 Meta 裁员后的新动向，以及对大模型推理、可解释性研究、AI 对未来社会影响的深刻思考。文章详细回顾了其在 Llama4 项目中的技术探索，特别是强化学习训练稳定性、模型架构设计等，并公布了其转向初创公司联合创始人的新身份。在研究方向上，重点阐述了大模型推理效率提升（如连续隐空间推理、Token Assorted 等）和 AI 模型可解释性（如 Grokking 现象的突破性分析）。最后，文章深刻分析了 AI 时代人类社会“费米能级”的出现，强调了独立思考和主动设立远大目标的重要性，以避免被 AI 同化。
本文对 RAG（检索增强生成）进行了全面且深入浅出的介绍。首先，它阐释了 RAG 的核心定义，揭示其通过结合 LLM 的"参数化知识"与外部"非参数化知识"来解决模型幻觉和知识时滞问题。文章详细讲解了 RAG 的"检索"与"生成"双阶段技术原理、其从基础到复杂的三个技术演进阶段，并通过对比 Prompt Engineering 和微调，强调 RAG 在成本效益、时效性、准确性及可扩展性方面的关键优势。作者还提供了构建 RAG 系统的工具链选择、四步 MVP 构建方法，并讨论了评估维度、进阶挑战及优化方向。最后，文章驳斥了"RAG 已死"的观点，认为 RAG 正作为一个不断进化的基础架构范式，其核心思想长期有效，鼓励读者持续关注其发展。
