本文深度解析了 Anthropic 内部被誉为“Claude Code 之父”的 Boris Cherny 使用 Claude Code 的 9 条实战技巧。不同于普遍认为的复杂配置，Boris 的方法强调“朴实无华”和高效工作流。核心观点包括：没有放之四海而皆准的最佳实践，应根据需求调整；通过多实例并行处理任务，提升并发效率；坚持使用 Opus 模型以保证质量和综合效率；利用 CLAUDE.md 在团队内共享项目知识和纠错经验，形成“复利工程”；重视 Plan 模式，先规划后执行以减少返工；通过斜杠命令和子 Agent 自动化重复工作；严格配置权限并集成外部工具以扩展能力；针对长任务提供自主验证机制使其无需人工干预；最重要的，是赋予 Claude 验证自身工作的能力，以形成反馈闭环，显著提升产出质量。文章指出，理解这些功能背后的逻辑并将其组合成高效工作流，远比追求复杂配置更有价值。
文章提出在 AI 编程时代，开发者应采纳“原型开发法”的新思路，即通过“两遍开发”模式，反而能提高效率和代码质量。第一版作为“原型版”，利用 AI 快速生成代码以验证需求、摸清技术难点，此阶段不追求代码质量和架构，其价值在于以最低成本确认需求并踩坑，代码可随时废弃。第二版则是“生产版”，遵循传统软件工程规范，在第一版探明的路线图基础上，进行严谨的设计、模块划分、CI/CD 和 Code Review，此时 AI 仍是主力但由人主导。这种方法的底层逻辑是认识到在第一版完成前需求理解往往不完整，避免过早过度设计，且能降低资深开发者对 AI 生成代码质量的抵触心理，最终实现更优的生产代码。
文章围绕 Google 首席工程师 Jaana Dogan 关于 Claude Code 在一小时内生成团队一年未果的分布式 Agent 编排系统代码的推文展开。作者深入分析了这一事件背后的深层含义，指出 AI 并非凭空创造，而是将人类团队一年探索、验证、对齐的认知劳动成果快速转化为代码。文章强调，AI 时代瓶颈已从“如何实现”转向“想清楚要什么”，即精准描述问题、理解业务、做出取舍的能力变得更为重要。作者认为，判断力、品味和对问题的深刻理解成为稀缺和更贵的资源，而 AI 放大了个体和小团队的竞争力，加速了执行，改变了工程师的技能要求，需要更强的认知能力而非单纯的执行能力。
本文是一份基于众包调研的 AI 2025-2026 年终总结，作者通过在 X (原 Twitter) 上向 95 位技术从业者提问，收集并汇总了他们对未来 AI 趋势、技术突破和优秀产品的看法。文章核心观点是 AI 正经历从“聊天”到“干活”的范式转变。在技术突破方面，推理能力的工程化落地被视为 2025 年的关键，其表现为 AI 学会“慢思考”和 System 2 Thinking，以及 RLVR 和 MoE 稀疏化架构带来的成本拐点。年度产品亮点包括 Claude Code，因为它实现了复杂工作流的自动化执行，以及 NotebookLM 和 Nano Banana Pro 的图像生成能力。对于 2026 年的趋势，主要的共识包括 Agent 的大规模落地，AI 从“教”到“定义需求”的转变，具身智能与硬件的深度融合，以及 AI 的“私人化”和“记忆化”，甚至可能导致 SaaS 商业模式向“服务订阅”转型。
本文基于宝玉对 Manus 联合创始人兼首席科学家季逸超（Peak）的访谈，深入探讨了 Manus 在 AI Agent 设计上的核心理念：“做对一千件小事，比做对三件大事更重要”。文章首先引用《The Bitter Lesson》理论，指出 AI 发展中大模型通用学习的优势。随后，详细对比了“规则主导”和“智能主导”两类 Agent，阐释了 Manus 选择“智能主导”路线的原因——相信模型能力会持续增强，且能更好地应对复杂多变的用户需求。文章以具体案例（如服务降级处理）说明 Manus 如何通过让模型自行判断、模拟人类操作来“不做规则”，而是专注于处理无数工程细节。这种方法论体现在其对模型创新的态度（不自训模型，但充分利用外部模型进步），以及他们领先于行业伙伴（如 Anthropic）在 Agent 上下文工程、代码调用 MCP 等方面的实践。最终，文章指出“套壳”的真正门槛在于其内部一千个精细且必须做对的细节，而非表面的架构或算法，强调了工程积累的重要性。
