Automation

渲染命令退出码是 0。 MP4 文件存在，容器可被 ffprobe 读取，render_report 也符合 JSON Schema。流水线甚至可能给出 pass，建议把成片交给用户。 ...

假设同一家公司有两个 Telegram bot：一个服务欧洲客户，一个服务美国客户。两个 bot 都把消息交给同一个 support agent，session 隔离策略写成了 per-channel-peer。 某个平台用户 ID 恰好同时出现在两个账号里。 ...

前一篇 n8n 入门 已经从 Manual Trigger → Edit Fields → IF 开始，讲过 Growth OS、受限 Agent、人工审批、operation ledger、结果回流和 alternatives。 ...

聊天产品最容易展示的完成标志，是最后一条 assistant message。 任务产品最危险的完成标志，也是最后一条 assistant message。 因为“已完成”可能只表示 Agent 停止运行。用户真正要验收的，也许是一份引用可靠的报告、一张字段齐全的数据表、一个能打开的网站、一段可以维护的代码，或一个下周仍在运行的 bot。只要价值单位从 reply 变成 work product，完成状态就必须离开聊天气泡，落到 artifact 和外部世界。 ...

先别连接邮箱、CRM 或社媒账号。打开一张空白的 n8n 画布，只放三个节点： Manual Trigger → Edit Fields → IF 在 Edit Fields 里写入一条假的内容信号，让 IF 根据证据数量把它送进 True 或 False 分支。先把 evidence_count 设为 3 执行一次，再改成 1 执行一次。两条路线都跑对以后，你已经碰到了工作流自动化最重要的五件事：触发、结构化数据、规则、分支和执行记录。 ...

如果把 Claude Tag 只理解为 Slack 机器人，会错过它最重要的产品变化。它把频道变成了一个可授权、可记忆、可持续运行的 Agent 空间：团队共享同一个执行者，任务在 Anthropic 托管的线程级沙箱中异步完成，外部凭证由 Agent Proxy 在边界注入，结果回到公开线程并留下可追溯记录。Claude Tag 官方文档 已经把这些机制写得相当具体。 ...

“常识就是本质吗？”我最近连续拿几个行业做推演时，最先卡在了这个问题上。看完 22 家前沿 AI 团队、70 余位公开人物的作品链后，我反复遇到几种动作：围绕一个长期命题积累，先写清怎样才算合格，让论文、代码和产品连续留下作品，再把生产失败送回下一轮。可这些动作仍没有回答：面对传统行业，我从哪里开始判断，才能避免拿着新技术寻找伪需求？ ...

先把“技巧清单”放到一边 我最初想写一篇 Boris Cherny 用法合集。问题是，社交媒体里的经验会随模型、版本和套餐变化；粉丝站又常把个人观点、尚未公开的功能和统计数字混在一起。今天看起来锋利的结论，几个月后可能只剩一个漂亮的句子。 ...

用得越熟，为什么反而越累 先说一个我自己撞了很久才想明白的怪现象。 刚开始用 Claude Code 的时候，效率提升是肉眼可见的：一个下午干完过去两天的活。用熟之后，效率还在涨，但一天结束时的疲惫感也在涨——因为我整天都在做同一件事：看它跑完、判断对不对、想下一句该说什么、再敲回车。 ...

去年冬天有一次我算了一笔很难看的账。 那天我在一家咖啡馆待了一整个下午，边写代码边拍素材，手机和录屏加起来大概四十分钟。晚上回去开始剪，凌晨一点半导出，成片五十八秒。 ...

我决定做一个面向程序员的开发机体检 skill，代号 devbox-doctor。它只读扫描你的 Mac，把应用、包管理器、配置接管点、常驻资源和可能的卸载残留整理成事实；模型只负责解释证据并提出下一步，不能把“看起来像”变成删除命令。最终交付是一份能复核、能降级、能说明自己哪里不知道的体检报告。这篇文章记录它的设计，也记录几处最容易写得漂亮、做得危险的地方。 ...

一套有价值的 Skill，核心不在 prompt 多精妙，而在三件事划分得多干净：确定性的工作交给代码，语义判断交给模型，执行确认交还给人，再用结构化契约把三者缝起来。这个结论来自我最近拆解的一个存储清理 Skill。删文件是 Agent 的高风险能力，而它能让我从「本能警惕」走到「愿意确认」，靠的是设计，不是信任。 ...

框架立完之后，我发现自己没有「第一现场」 「从信息到创作」五篇写完，框架是立住了：信息采集降噪，记录沉淀半成品，知识结构化成能力，创作面向受众重组。但写完第三层·知识 里那句「知识库是你和 AI 共用的第一现场」之后，我一直有点心虚—— ...

先说这件事本身 把一座写了四年、积累了 120 多篇文章的博客，从内容架构到运营方式全部重新组装一遍，需要多大的团队？ 我今年上半年给出了自己的答案：一个人，带一队分工明确的 Agent。 这里的"一队"不是一个固定数字，也不是七八个永远在线的数字员工；它是我对 Claude Code、Codex、GitHub Actions 中的 Claude 任务，以及临时评审会话的统称。截至 2026 年 7 月，仓库里能数清的是七个 Claude skills、四条以 seo- 命名的工作流和若干按需启动的会话。人负责判断、边界和签字，Agent 承担范围明确、可以验收的执行。新版就是你现在看到的 cubxxw.com ——它不只是一次改版，而是把"博客"这个东西从一个静态网站，改造成了一个会生成日报、准备修复 PR、对外提供检索接口的系统。 ...

最危险的简报，可能一条内容都没有 早上打开每日简报，页面上显示 0 条新内容。也许昨夜确实风平浪静；也可能是 RSS 路由坏了、API 开始返回空页，或者凭据在凌晨过期。从读者这一端看，这几种完全不同的状态只有同一个样子：安静。 ...

如果你搭一个 AI，让它追某个领域的论文、发布、benchmark、观点和 changelog，它到底能替你走到哪一步？从 2026 年 1 月到 6 月，我持续试用了自己能接触到的一批资讯聚合、页面监控和自动简报工具。这个样本不覆盖市场上的全部产品，也不是严格的横向测评；它只是我在同一套技术资讯任务上的长期观察。结论是：AI 很擅长搬运和整理；但缺少用户目标、工作上下文与结果反馈时，它不能可靠替代最终判断。 ...

一年过去了，为什么大多数人的 AI 还停在原地 过去一年，写文案、翻译、总结和分析都用上了 AI。但诚实地问一句：它真的接管了业务环节，还是每次仍由你重新交代背景、判断输出、决定下一步？ 模型变聪明了，反复切换上下文和担责任的人往往没变。 ...

先别造宫殿，先跑通一条路 很多笔记系统的问题，不是功能太少，而是入口、目录、插件和自动化同时开工。最后系统很漂亮，自己却不敢改；AI 一旦批量重命名，更不知道哪里出了错。 ...

创作，是向外的那一半 我们走到了最后一层。信息被降噪，记录被沉淀，知识被结构化成能反复调用的能力——但到此为止，所有工序解决的都是你自己的问题。知识让你变强，却不会自动变成别人愿意看的东西。 ...

越堆越大，越来越没用 到第三层了。信息被采集降噪，记录被写下、精修成半成品——现在要回答的是：怎么把这些半成品，变成真正的知识？ 先说知识的定义。知识是和你相关的、结构化的、能反复调用的东西：某种思维模型、某几项技能、某套方法论，还有你的判断、定位、价值观。它的关键词是可复用，它解决的是你自己的问题。 ...

被塞进"知识"那一格的半成品 在大多数人的心智模型里，笔记只有三档：看到信息 → 变成知识 → 拿去创作。中间那个"记录"的动作，被默默塞进了"知识"这一格。 ...

信息的默认状态，是噪音 上一篇立了框架：信息、记录、知识、创作是四道工序。这一篇只谈第一道——信息。 关于信息，最重要的一个认知是：它的默认状态是噪音。 我们对信息有一种天然的贪婪。看到一篇好文章就想收藏，看到一个金句就想存下来，看到别人推荐的书单就想加进待读。每一次"存"都给我们一点"我在进步"的错觉。但存这个动作，本质上只是把信息从别人的仓库搬到了你的仓库，它没有经过你这台机器的任何加工。 ...

四个名字，代表四种不同的工作 我过去的笔记只朝一个方向生长：向内。链接进来，碎片堆积，目录反复改名，仓库越来越重。我把“拥有”错认成了“加工”。 AI 让这种错误变得更便宜。模型可以快速生成、摘要、分类和改写文字，但速度不会自动把来源变成证据，把观察变成知识，也不会把初稿变成我应当发布的东西。它完全可能把仓库撑得更大，而机器一点没变强。 ...

桌面智能体最容易给人留下印象的，是“它真的点了那个按钮”。但按钮被点中，只是演示成立；任务能否稳定结束，才是系统成立。 微软 UFO 项目几年的演进，恰好沿着这条分界线展开：2024 年的 UFO v1 证明视觉语言模型可以操作 Windows；2025 年的 UFO² 把操作提升为一个有状态、有工具、有应用边界的桌面运行时；同年末发布的 UFO³ Galaxy，则把单机能力接入跨设备编排。 ...

一次同步成功，不等于交付系统已经可靠 Argo CD 页面变成绿色，只能证明此刻的集群与它计算出的期望状态一致。它不能证明镜像通过了测试，不能证明删除动作安全，也不能证明下一次 Git 变更值得进入生产。 ...

当被测函数只是把两个数字相加时，测试驱动开发很好解释：先写一个失败测试，让它通过，再在行为不变的前提下改善实现。困难出现在函数开始调用大模型之后——同一个问题可能有五种都算正确的回答，今天通过的结果，明天也可能因为模型、检索索引或服务端推理环境变化而不同。 ...

一个框架最危险的时刻，不是它没有能力，而是旧教程仍然看起来能够运行。代码一旦跨过版本边界，熟悉感往往比报错更会误导人。 这篇文章只讨论 LangChain Python 1.x 的当前主线：模型、Agent、工具、结构化输出、中间件、记忆、RAG、SQL、Ollama 与 LangSmith。它不再复述 LangChain 的项目历史，也不把几十种组件罗列成字典；目标是让你拿到一条短而完整的工程路径。 ...

2024 年 3 月，这个页面还是一份很长的 Sora 提示词合集。那是一个奇特的阶段：大多数人还没有真正用过产品，研究预览里的几段视频却已经催生了开源仓库、提示词拆解和关于新媒介的想象。我们记录镜头运动、材质和光线，试图从有限样本中辨认一种语法。 ...

Go 源码里的这些 go: 指令 && go 自动化工具 开发人员有很强的自动化重复性任务的倾向，这也适用于编写代码。 样板代码可能包括设置基本文件结构、初始化变量、定义函数或导入库或模块等操作。 ...

云原生领域中GitHub开源Go项目的自动化测试实践与策略 介绍 作为 Github 上的 热门项目 OpenIM，如何在云原生时代中创造出价值，这是非常重要的，OpenIM 是一个优质的小团队，我们在自动化中并没有特别深入的见解。 ...