一个年过不惑之年、进了新团队的老程序员，自己啃代码读文档嫌慢，靠 AI 又常在设计上翻车。问题的答案或许是：过去的经验不是作废，而是要重新校准——AI 把敲代码这件事解放了，却把"验证和判断"的担子加重了。熟练度拼不过 AI，但口味和判断力还能高它一点，程序员这碗饭老家伙也许还能吃上几年。

这两年所有人都在卷"生成"——生成文字、生成代码、生成图。TypeSafe 刚放出来的 JEV 偏要反着走：它不生成任何文字，只对你的输入做判断，输出带概率和置信度的类型化结果，专门给软件直接消费，不给人读。它号称比前沿 LLM 快几十到几百倍、便宜几十到几百倍，核心卖点是"校准"——让模型知道自己什么时候不知道。这篇讲清它的创新在哪、适合干什么、怎么接入（含 SDK / HTTP / 置信度门控的真实代码），以及一个诚实的提醒：它太新了，目前还没有公开的成功案例，最佳实践只能从它的技术特性里推。

AI 写代码的速度早就超过了你 review 的速度，质量不能再押在提示词和人眼上。本文顺着 SDD、TDD、MDD 到 HDD（Harness-Driven Development，护具驱动开发）这条方法论的主线，讲清楚一件事：把规格、测试、度量打包成一个会自我进化的执行环境，让 agent 每犯一次错，环境就长出一条新规则。另附业界已经趟过的六条实践（含属性测试、变异测试、契约测试、混沌工程的工具链接）、按设计/架构/运维分的三类常见陷阱，以及标准、论文、工具的完整参考清单。

知识库建好只是第一步，下一步是让 Codex、Cursor 这些 agent 能搜、能读、还能安全地写。我的做法是别把仓库钥匙整个塞给 agent，给它开个柜台：用 FastMCP 写一个一百多行的本地 MCP server，把 Sphinx + MyST + Mermaid 的 Markdown 知识库包成五个工具——目录、搜索、读、写、代码图查询。路径白名单、frontmatter 校验、原子写入、审计流水全在柜台上，写操作不提供删除。再把 graphify 和 Understand-Anything 的代码知识图谱挂上来，让 agent 查图而不是 grep。代码和输出都在 FastMCP 4.1.0 上逐工具验证过，可以整段抄走。

2025 年的 DORA 报告给所有狂热押注 AI 编码工具的管理者和工程师泼了一盆清醒的冷水：AI 不是团队能力的替代品，而是组织系统的放大器。成熟的工程团队借它跑得更快更稳，而流程混乱、测试匮乏、架构腐化的团队，只会被 AI 加速推向事故与返工的深渊。本文拆解 2025 DORA 报告的核心洞察：AI 改变了什么、为什么它会同时推高吞吐量与稳定性风险、企业必须具备的七项基础能力、内部上下文的关键价值，并给出一套可在团队落地的七步实操框架。

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。本文用 Replit 删库事故、DORA 2024（稳定性 -7.2%）、GitClear（churn +39%）、METR（慢 19% 却以为快 20%）这些可核实的数据和案例，把 SDLC 拆成 PDCA 四段，逐段给出能抄的护栏、提示词和"能外包/不能外包"分工，外加一张总 checklist 和数据来源。

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。