🤖 💻 🧠 ⚡ 🦀
Working
Collaborating
Playing
Creating
Thinking
Working
with AI
只是我自己的实践，no best practice
AI 进化速度太快，所有经验都只是暂时的
一切需要自己和 AI 磨合探索
← → 翻页 · ↑ ↓ 步进 · ESC 总览  |  这个 slides 也是 AI 做的
从 ⇥ 到 Agent
2025: 祝大家一路 tab 到底！
2025.01.28
2026: tab 到底还是过于保守了
2026.02.17
⇥ Tab
行内自动补全
TabNine Copilot
→
⇥⇥ Tab Tab
多插入点同时补全
Cursor
→
🤖 Agent
你说目的地，AI 开车
Claude Code Codex OpenCode
AI 编程的自动驾驶等级
L0
完全人工
古法编程，非遗传承
L1
行内自动补全
TabNine · Copilot
L2
代码片段生成 · IDE chat
Copilot · Cursor
Byebye IDE 👋
L3
Coding agent，人 review
Claude Code · Codex · Cursor · OpenCode
L4
Agent + AI review 完成项目
Byebye Human 😅
L5
AI 工程团队，完全自主
L3 开始瓶颈变成 code review
信任还需要慢慢建立才能往 L4 发展
knowledge.jpeg
LLM 是对人类知识的一种有损压缩
模型越小，丢失越多 — 你看到的「幻觉」其实是压缩损失
RAW
人脑 / 全部知识
PNG
Wikipedia · 教科书 · 文档
JPEG
LLM — 实用，但有损失
拖动 → 模拟不同模型的「压缩率」
Quality: 50% — 🧠 Claude-class
幻觉不是 bug — 是压缩率的代价
模型越大，精度越高
我的 工具选择
Codex
写代码唯一选择
Claude Code
创意工作
ChatGPT
Research
Playwright
MCP
Codex config
Agent poll
有人说 Codex 太慢了
靠谱才是真的快
关于 Skills
⚫⚪
棋谱
人总结的「最佳实践」
→
🧠
AlphaZero
自己发现更好的走法
模型进化太快 — 今天的「棋谱」在下一代面前可能是次优解
LLM 也会有自己的 AlphaZero 时刻，而且并不遥远
什么时候 Skill 有用？
让 AI 快速掌握特殊工具 · 自己不熟悉、不容易判断好坏的领域
即使没有 skill，agent 也能从文档学习 — skill 只是提炼出的索引
什么时候 Skill 不太有用？
模型已经很熟的领域（主流语言 / 框架）· skill 可能限制 AI 的灵活性
模型更新后 skill 可能变成瓶颈 — 它按旧经验走，而模型已经「会了」
推荐探索：skills npm package ↗ · skills.sh ↗
CLI vs. MCP
CLI
👤 人 / Agent → 💻 Shell → 🔧 工具
快 可组合 透明可调试
开发内环 · Agent 通过 shell 直接调用
+
MCP
🤖 模型 → 📡 协议 → 🔧 工具
可发现 跨客户端 结构化输入输出
集成外环 · 标准化工具发现与权限管理
对 Agent 来说两者都很有用 — 多数团队最终二者并存
CLI 做底层实现 + 专家入口，MCP 做标准化接口层
推荐：gh CLI
GitHub 官方 CLI — Agent 友好、半结构化输出、可组合
详细分析 ↗
Workflow
🔍 Research
→
📐 Plan
→
⚡ Implement
⇄
👀 Review
loop
Agent 的内循环（每次执行）
Plan → Edit → Run tests → Observe → Repair → Update
— OpenAI Codex 文档里描述的 inner loop
我们的 workflow 是更大的外循环 — 跨 turn、可持久化、跨 session
journey/ 目录结构 — 把过程写进文件，跨 session 不丢 track
journey/ ├── research/ ├── plans/ ├── prompts/ ├── logs/ └── ...
每个阶段是一个目录，输出 = 对开发过程和决策的 distill
案例：Justineo/swrv-next — journey/ 记录了全过程 ↗
Research 双模式
Context-free
不带先入为主的 bias
基于第一性原理调研
ChatGPT Deep Research
+
Context-rich
理解当前设计决策和限制
在现有架构内寻找最佳方案
Claude Code · Codex
先不带预设地调研，再结合项目上下文落地
两者结合 → 补完思考空间 → 更好的设计决策
一些个人 Prompt 经验
01
基于第一性原理思考
不要套用模式，从根本推导
02
从根源解决，避免 ad-hoc patch
找到问题的本质，不是糊一层
03
对我的思路保持中立
不要假设我之前的做法是正确的，该挑战就挑战
04
先理解现有代码再动手
不要还没读完就开始改，先搞清楚为什么这样写
05
相信 AI 的基础能力
不限定文件路径，不给固定 context — 让 AI 自己去找、去判断
多使用，对 AI 能干什么不能干什么有完整的感受
对于 AI 擅长的 → 相信 AI
不只是
Vibe Coding
AI 不只能写代码 — 它能帮你沟通、协作、探索想法
不只是 Vibe Coding
设计交互协作
我们开发的是给 developer 用的工具
有些场景开发者比设计师更理解需求
开发者用 AI 快速出原型 → 和设计师一起看效果 → 迭代
交互细节不再靠文字描述和想象
v0-kong-datakit-flow-editor.vercel.app
点击预览 ↗
不只是 Vibe Coding
会议讨论准备
Deep Research 调研 → 结合自己的 key observation 和 insight 整理成文档
→ 丢给 Claude Code 制作可交互的讨论材料
例：围绕"能不能用 vibe coded 的原型作为设计交付物"这个话题
要求 AI 尽量使用直观的可视化方法来呈现
vibe-hand-off.vercel.app
点击预览 ↗
不只是 Vibe Coding
辅助沟通理解
复杂的技术方案，用文字描述容易有理解偏差
做个可交互的文档出来，比说一百句都清楚
用 AI 快速生成可交互的文档
团队成员直接看、直接操作，减少反复确认
v0-plugin-form-optimization.vercel.app
点击预览 ↗
用 AI 做设计
AI 味的本质 = 平均设计：什么都有，但缺少取舍和个性
用 Skill 能去除 AI 味 — 但基于 Skill 做出来的版式
会不会成为新的 AI 味？
一些变化
深度使用 AI 之后，一些习惯和心态上的感受
信息获取方式在变
从构造 query 到直接表达需求
你脑中的问题
React 项目打包后首屏白屏，控制台没有报错
搜索引擎
react 白屏 production 无报错
→ react blank page after build
→ react chunk load error white screen
多次换 query · 扫 StackOverflow · 自己筛选
vs
LLM + Web Search
直接描述问题和上下文 → 一次给出诊断 + 方案
Web search 本质上自动完成了人肉搜索
单次搜索可能更快，但拿到答案的整体速度后者更快
我的 Google 使用量下降了 95%
剩下 5% 是肌肉记忆 — 忘了切换，在地址栏打了
默认不信任 「快」
用了 AI 以后，我反而开始信任「慢」
「快」给我一种不踏实的感觉 — AI 是不是跳过了什么？
「慢」说明它在认真思考，在做 research，在 plan
这和我们对人的直觉一样：
三秒给你答案的人，你信吗？
AI 在生活中
Coding agent 就是通用 agent
Coding agent 本质上是一个用代码解决问题的方法论实现
最擅长写代码，但对数字世界的其他场景同样有广阔的用武之地
📷 整理相册
Codex · 按日期/人物自动分类
📝 帮妻子 refresh 简历
Claude Code
⚽ 女儿足球赛赛历
Codex · 自动生成 .ics 订阅 ↗
📊 这个 Slides
Claude Code · 多轮 review
🎬 小游戏时间
准备好了吗？
想自己玩？
在 ChatGPT 里试试 ↗
Q & A
或者继续聊 AI 的任何话题
这个 slides 是怎么做的？
Claude Code Vite+
策划 + 设计 + 实现 = 多轮对话 + 多次 review
github.com/Justineo/working-with-ai ↗
← → 翻页  |  ↑ ↓ 步进  |  ESC 总览