废了废了,一切清零了

1. 所有收益,全部归零
2. ai skill 技能设计

所有收益,全部归零

唉,前两周玩qqq期权赚的钱,今天因为止损设置的太低,被触发强平。所有收益全部归零,还亏了200港币。还是不熟悉操作啊,唉😮‍💨 不过还好本金只有1万港币练练手,没那么心疼。

心态上还是有点受影响。初次接触期权,前两周美滋滋收保险费,今天其实并没有突破底线,波动率就把我的止损打垮了。

之前每天 20刀,30刀的攒,今天一下子豁出去,心情真不好受。 本来是跌倒我的止损的时候,我打算先平,后卖,再卖低一点,因为还在跌,说不定还能弥补一点。 可实际操作起来,手指头在手机上点点,完全变形🫠

完全没有看到什么利空的消息,就开始回调了,看来还是要稳,建立自己的策略才是最重要的。 想要的太多,抓不住的也太多。盲目自以为抓住了某些东西,结果却受到了伤害。

ai skill 技能设计

从工具依赖到工作流重构

最近在整理关于 AI 编码工具(如 Superpowers, GStack, OpenSpec 等)的思考。在体验了众多产品后,我愈发意识到:与其追求某种“全能”的单一工具,不如将精力投入到构建属于自己或团队的 Research、Design、Plan、Develop、Test 和 Commit 工作流中。 早在一年前,当 Cursor(Kiro)刚开始火热、模型能力尚未达到如今高度时,社区就提出了“Spec(规范驱动)”的观点。如今看来,这个观点不仅没有过时,反而成为了 Agent 工作的默认环节,只是在实现形式上需要随着模型的迭代进行适配。

  1. 警惕“一键编程”的噱头,回归工作流本质 每当主流模型更新,市场上总会有“程序员要失业”、“一键干掉编程”的宣传噱头。但在真实的团队开发场景中,这些往往只是空中楼阁。 目前最有价值的方向,依然是工作流(Workflow)的 Skill 化建设。我们需要的是可控、高质量、团队化的代码 Agent。 这里存在一个有趣的悖论:当模型能力尚弱时,像 Superpowers 这样提供精细化约束的工具非常高效;但随着模型能力的爆炸式增长,过于僵化的工作流反而会限制模型的发挥。如何在“确定性的约束”与“模型自主性”之间找到平衡,是目前探索的核心局限与挑战。

  2. 角色分工的虚与实 过去业内热衷于炒作 AI 的“三省六部制”或“多角色分工”。但在实际生产中,我发现给 AI 设置固定角色的最大收益并非“能力突变”,而是上下文隔离(Context Isolation)。 单纯靠一个 Roleplay Prompt 并不能让模型产生质变的能力,核心依然取决于底座模型。因此,与其在“角色名”上浪费时间,不如将重点放在**技能组(Skill Set)**的沉淀上——即如何将思考、设计、审查、调试和验证这五大步骤细化。

  3. 深度思考:如何让模型不再“和稀泥”? 在“思考”阶段,核心目标是达成团队共识。但简单的 Supervisor 模式(几个 Sub-agent 脑风暴后选最优解)往往收效甚微。 模型天生倾向于“不表态”,像投资建议一样只给参考。为了让最强的模型执行得更好,我们需要在 Prompt 层面施加压力: 立场强制化:要求模型必须有明确立场,并清晰说明“什么证据能推翻该立场”。 决策多样性:除了给 2-3 个选项,必须包含一个“最小化实现选项”,且必须给出明确推荐。 自律反驳机制:方案产出后,要求模型进行“自我抨击”。在什么情况下方案会失效?如果能修复,则补充进方案;如果无法修复,必须直白告知风险。这种“心知肚明”的方案,才是人类开发者敢于采纳的。

  4. 设计阶段:防止在错误的前提下狂奔 “设计”不只是写代码,它应该包含前置验证。 路径验证:AI 经常在错误的目录路径上反复修改。设计阶段必须先锁定文件位置,查阅旧的技术方案文档,避免重复造轮子。 外部调研:通过 Web Search 或 GitHub 检索,确保设计不是建立在过时信息或错误前提之上。 复杂性分级: 如果涉及超过 8 个文件的变动,必须明确告知规模。 如果涉及 3 个以上组件的数据交换,必须画出 ASCII 拓扑图以排查循环依赖。 在方案阶段列清所有第三方依赖,防止白忙一场或引入不靠谱的库。

结语:思考优于编码

我始终认为,思考和设计层面绝不应轻易动笔写代码。 一个成熟的代码 Agent 工作流应当是:做什么、不做什么、选哪个方案、理由是什么、有哪些未知项。这 3-5 个决策依据清晰且经过批准后,再进入编码环节。 从简单归纳法到精细的工作流设计,AI 编程的未来不在于它能写多快,而在于它能想多深。