单个项目的知识库用 Sphinx + MyST + Mermaid 不难建，难的是一个软件业务由七八个仓库拼起来之后，那些横跨仓库的知识落进了缝里。这其实是个老问题——Eric Evans 在 2003 年就用 DDD 回答过：限界上下文、统一语言、上下文映射。本文把 DDD 的这三件武器搬到知识库上，给出一个联邦式结构（事实源在各仓库，领域层只写三类文件，索引层可重建），再详细讲人和不同 AI 工具（Cursor、Codex、Claude Code）如何通过"写-管-读"闭环共同维护它，以及 MCP 怎么做统一出口。附四类原料的处理法、业界产品对照、按链路落地的顺序、治理清单，和一份带链接的参考文献。

AI 不是来替代工程师的，它是来接管每个研发阶段里最耗体力的那部分。把 SDLC 拆成 PDCA 四段，每段挑出能安全外包给 AI 的活，人守住判断和把关，就能既快又不塌方。这篇给出每个阶段的具体做法、可复用清单，以及一张总的 checklist。

接手陌生代码库，难的往往不是看不懂某个函数，而是不知道该先看哪里。Understand Anything 把文件、函数、类和依赖关系做成可探索的图，再用导览、搜索和问答帮你找入口。它适合当代码阅读的地图，但图上的解释仍要回到源码核对。

我年轻时认路很厉害，看一眼地图就能从城东穿到城西；现在有了导航，方圆十几公里都得开着导航才敢上路。用进废退，脑子这块肌肉，你不用它，它就替你退休。AI 也一样——它拓展了我们的知识边界，却在悄悄把我们的判断力外包出去。这篇讲讲我怎么"逆流而上"，让 AI 帮我加速，而不是替我思考。

想用 AI 帮忙写一篇能投运动医学顶刊（如 BJSM）的临床论文，靠一句“帮我写篇论文”是过不了同行评审的。本文把 AI 拆进论文生产的每个环节——选题、检索、筛选、数据提取、写作、润色、查重——给出对应的工具清单和一条可复制的工作流；再横向对比 K-Dense、ARS、avoid-ai-writing 等开源 AI Skill，专门标出谁擅长搭骨架、谁擅长校对修改；最后把 BJSM 的字数红线和 ICMJE 的 AI 披露规则一次讲清楚。

"知识就是力量"这句话，前半截在 AI 时代快要失效了——知道一件事的成本已经降到接近零，可把知道变成做对的成本一分没降。王阳明讲知行合一，说的正是这一段落差：知不只是 What，还有 Why 和 How，而这两样只能在事上练出来。Gignac 2025 年那篇论文更给了一个意外的好消息：智商、尽责性、情绪稳定性这三样里，后两样彼此高度相关，却几乎跟智商无关——也就是说，最值钱的那块地基，跟你天赋多高没什么关系，是可以修的。

我手上就一个自建网关、一把 API key，可 Claude Code 要写进 settings.json 的 env，Codex 要写进 config.toml 加 auth.json，OpenCode 要在 opencode.json 里手搓一个 provider——同一件事写三遍，三种格式。cc-switch 把这三份配置收进一个 SQLite 当唯一数据源，托盘点一下就切。这篇讲清它是什么、为什么自建用户尤其需要它、两种接法怎么选，附上我本机三条真实链路（脱敏）和四个只有自建才会踩的坑：opencode.jsonc 会盖掉 cc-switch 的写入、网关的 /models 不是 OpenAI 形状所以自动拉模型没用、密钥两周过期后要改的地方变多了、以及 settings.json 里那个 PROXY_MANAGED 占位符是干什么的。最后是一页 cheatsheet。

接手陌生代码库，我用了很多年的仪式是画 mindmap、写 wiki——慢，但画完脑子里是有一张图的。现在最直接的提效办法看着是把仓库丢给 AI 要一份摘要，但"读过一份好摘要"和"脑子里有那张图"是两件事。这篇写我定下来的分工：AI 只负责找路，代码还是我自己读。附五个固定使用的 code reading prompt、四种防止被 AI 带偏的验证手段、怎么用 graphify 存结构和 PKB 存判断把地图沉淀下来（省得每个会话都从零 grep），以及怎么把唯一能自动化的那条验证做成 skill 的硬门槛。最后是读懂之后接 OpenSpec 的档位选择——"写代码这一步反而要降档"是最反直觉的一条。

AI 编程助手最费钱也最不靠谱的动作，是拿着一个模糊的问题在你的仓库里反复 grep。graphify 换了个思路：先用 tree-sitter 把代码解析成一张知识图谱，之后所有问题都查图，不再翻文件。这篇我在本机真装真跑了 httpx 和 FastAPI 两个仓库——12.8 秒建图、零 token、39 倍压缩是真的，中文查询查不到、一次 update 把图从 8355 撑到 25685 个节点也是真的。另外扒了它为什么用 NetworkX 而不是 Neo4j（代价是 6.5% 的边被合并掉）、graphify-out/ 那 13 个产物里只有 5 个该进 git、怎么接自己的 LLM 网关不用 Gemini key，以及和 Aider、Serena、Potpie、GraphRAG、SCIP、Repomix 五条路线的横向对比。附可直接抄的 .gitignore 和 .graphifyignore。

我这个博客仓库有 611 篇 Markdown、791 个文档源文件，可我问 AI “我以前是怎么讲鉴权的”，它照样答不上来。存了等于没存。这篇给一套后端工程师能长期跑下去的方案：先按“AI 知道 / AI 不知道”把知识分层，再用“源文件是唯一事实源、索引全部可重建”的四层结构去存，组织上 Tree 做骨架 Graph 做补充，检索上从目录到混合检索到图检索三级递进。附可抄的目录结构、frontmatter 规范、reindex 脚本骨架、工具三档选型，和一份精选论文清单。

KV Cache 不是一个"顺手能省点钱"的技巧，而是一条硬约束：它规定了你的提示词必须怎么排版。前缀不稳，缓存全废；更糟的是，如果你开了缓存又让前缀每轮都变，按价目表算，账单会比压根不开缓存还高 25%。本文讲清 KV Cache 的原理、命中规则、省钱之外的收益、可落地的最佳实践和常见陷阱。

面向零基础大一新生，手把手学习如何向 AI 提需求、看计划、改代码、跑测试和写复盘文章，并用 DeepSeek-V4-Flash、OpenCode、Cursor + Cline 完成两个小项目。

上下文窗口再大，也不该一次性塞满。渐进式披露的核心是：先给模型一张薄薄的"目录"，让它按需去取详情。这既是省 token 的关键手段，也是让 Agent 少犯错的结构性做法。本文用我自己写的两个 skill 讲清它的做法、最佳实践和常见陷阱。

电话没有消失，而是从呼叫中心唯一的入口变成了 Contact Center 众多渠道中的一个。本文从 SIP、VoIP 和 IVR 出发，拆解 Contact Center 的技术栈、生态、主要厂商、经典应用和公开案例，再讨论 AI 会怎样改造这套系统。

DeepSeek 开源了自己的 agent harness（dsh），主打一句话——"一切皆插件"。它跟别家的 agent 框架不一样的地方不在功能多寡，而在架构范式：模型、工具、技能、会话、沙箱、存储、循环、调度、界面全是插件，连"主循环"本身都能被换掉，没有一个特权核心可以打补丁。本文从一个老程序员被"特权核心"坑过的角度，讲清楚这件事为什么值得关注，以及它的代价在哪。

从大模型的幻觉和不确定性说起，聊聊把产线运维交给 AI 到底放不放心。我的答案是：脚本、监控、告警、扩容、部署都能交给 AI，但判断和决策必须留给人；而且确定性动作让 AI 写完脚本就该退出，用确定性代码去跑，别让概率模型实时掺和。初级运维岗会缩，踩过坑的资深运维反而更值钱。文末给一张"哪些能交、哪些不能交"的清单。

生产力一直在涨，人却越来越累。00 后整顿职场、中年失业、灵活就业、消费疲软，大家早就不谈 Work-life Balance 了。AI 本该让物质极大丰富、生活更幸福，眼下却是失业更多、人更辛苦。到底是怎么了？这篇不抱怨，只想把"进步为什么没换来松弛"讲透，再落到一个技术人真能动手的破局姿势：顺势、开放、找到 AI 替代不了的你，进而反过来驯服 AI。

LLM 会写代码，但你敢直接在生产机器上跑它写的 rm -rf 吗？AI Agent 真正缺的不是更聪明的脑子，而是一个能随时开、随时扔、跑坏了也不伤及无辜的“盒子”。本文以 Kubernetes SIG 的 agent-sandbox 项目为例，讲清楚 Agent 运行环境的技术栈、原理、用法、实例、横向比较与未来走向。

AI 既让学习成本大跌，也在实验里测出了能力退化，这两件事同时为真。差别不在用不用 AI，而在“生成答案的那一步”发生在谁的脑子里。文中列了会变笨的六种做法、会变聪明的六种做法，三条不靠感觉的自测线（费曼测试、挑毛病测试、一个月回测），以及一个反问：AI 做的我都得懂吗？答案是不必——荀子说“假舟楫者，非能水也”，关键是把活分成必须会做、必须能判断、可以不懂三层，判据是“错了会怎样”。

OpenCode 把 Go 写的 TUI 换成了 TypeScript，同一年 OpenAI 把 Codex CLI 从 TypeScript 换成了 Rust——两个团队方向正好相反。我的判断是：TS 赢的是 Agent 与工具这一层，Python 在模型层一寸没让。这篇结合 OpenCode 源码讲清四条真实原因、TS 的四个失分点，以及给老程序员的一条学习路径和一份实测过的陷阱清单。