本文整理自 Sequoia Capital 对 OpenAI 联合创始人兼总裁 Greg Brockman 的一场访谈，原视频标题为《Greg Brockman: Inside the Race for Compute, Codex, and AGI》。以下内容由有道龙虾总结和发布。 如果你想理解 OpenAI 现在到底在押注什么，Greg Brockman 这场访谈很值得看。 他不是只讲“AI 会改变世界”这种大话，而是把 OpenAI 的生意、技术路线、组织变化、创业公司的机会和风险，都摊开讲了一遍。 最直白的一句话是： OpenAI 的业务在某种意义上很简单：买算力、租算力、建算力，然后以一定利润卖出去。 听起来像云厂商，但背后卖的不是普通计算资源，而是越来越便宜、越来越强的“智能”。 OpenAI 最缺的东西，还是算力 主持人一开场就提到 Greg 的经历：他是 Stripe 第四号员工，后来成为第一任 CTO；如今是 OpenAI 联合创始人兼总裁。Stripe 处理的支付规模据说已经达到全球 GDP 的 1.6%，而 OpenAI 的周活用户也接近甚至超过 10 亿。 但 Greg 对这些成绩的回应很克制。他更关心的是一件事：算力够不够。 答案是：不够，远远不够。 他回忆 ChatGPT 刚发布时，团队问他应该买多少算力，他的回答是“全部”。团队以为他在开玩笑，又问了一遍，他还是说：全部。 原因很简单： 无论我们用多快的速度增加算力，都追不上需求。 OpenAI 对算力的渴求，不只是为了训练更大的模型，也是为了服务海量用户和越来越复杂的智能体任务。Greg 的判断是，人类对“解决问题”的需求，对“智能”的需求，几乎是无限的。只要边际利润为正，就应该继续扩大规模。 这也是为什么他会把 OpenAI 的商业模式讲得像一门朴素生意：采购、建设、租用计算资源，再把它转化成可用的智能服务卖出去。 Scaling Laws 还没撞墙 谈到模型能力增长，Greg 用了一个很有意思的说法：Scaling Laws 是一个“深刻而美丽的谜”。...

本文整理自 YC 总裁对 DeepMind CEO Demis Hassabis 的访谈，由有道龙虾总结和发布。 Demis Hassabis 对 AGI 的判断很直接：现在这套大模型路线不是死路，预训练、RLHF、思维链、强化学习和搜索，大概率都会出现在最终的 AGI 架构里。 但它还不完整。 在这场 YC 对谈里，他反复提到几个词：持续学习、长期推理、记忆、一致性、智能体、科学发现。这些词听起来像技术细节，但放在一起，其实是在回答一个更大的问题：AI 到底什么时候从“会回答问题的模型”，变成“能主动解决问题的系统”？ Demis Hassabis 为什么值得听 Hassabis 的经历很少见。 他小时候是国际象棋神童，17 岁做出了热门游戏《Theme Park》。后来他又回到学校读认知神经科学博士，研究大脑中的记忆与想象机制。2010 年，他创办 DeepMind，给公司的使命定得非常大：solve intelligence，解决智能。 后来发生的事大家都知道了。 AlphaGo 击败围棋世界冠军，AlphaFold 破解蛋白质结构预测这个困扰生物学 50 年的难题，并把成果免费开放给全球科学家。Hassabis 也因此获得诺贝尔化学奖。如今他领导 Google DeepMind，继续推动 Gemini 和 AGI。 所以当他谈 AGI 缺什么、智能体到哪一步了、AI 会怎样改变科学时，他不是在聊概念，而是在复盘一条已经跑通过几次的路。 AGI 不是推倒重来，但还差一两块关键拼图 主持人问他：现在的大模型范式，包括大规模预训练、RLHF、思维链推理，离 AGI 的最终架构还有多远？ Hassabis 的答案很克制： 这些组件大概率会是 AGI 最终架构的一部分。它们已经证明了太多能力，我不认为几年后我们会发现这是一条死路。 但他马上补了一句：还可能缺一两件大东西。 他点名了四个问题： 持续学习：模型不能只靠一次训练和临时上下文，它要能把新经验稳定地融入已有知识。 长期推理：不仅能做几步思考，还要能跨很长时间、复杂任务持续推进。 记忆机制：不是把所有东西塞进上下文窗口，而是知道什么该记、什么该忘、什么时候取出来。 稳定一致性：同一个模型不能一边解 IMO 金牌题，一边在简单算术或推理上翻车。 他认为，现有技术可能通过规模化和渐进创新解决这些问题，也可能还需要“一两个大想法”。他的判断大概是五五开。 这句话很重要。它既不是“AGI 明天就到”，也不是“大模型泡沫快破了”。更像是在说：主路已经很清楚，但最后几公里可能最难。 记忆不是更长上下文，而是更聪明的取舍 今天很多模型已经有百万 token 级别的上下文窗口。听起来很夸张，毕竟人类工作记忆也就几个数字。...

本文整理自 OpenAI Infa 核心贡献者翁家翌的专访。以下为原视频精华，本文由我和 Gemini 3 Pro 共同整理而成。 开始之前先介绍一下翁家翌，他在 2022 年加入 OpenAI，并且是 OpenAI 一系列核心模型背后的核心贡献者之一——从 GPT-3.5、GPT-4、再到 GPT-5，而他最主要的贡献，三个词：强化学习、post-training、infra。这个访谈里，涉及到翁家翌的童年经历、他在清华与 CMU 的求学与成长，以及他在 2022 年加入 OpenAI 后的亲历等等。如果你对 OpenAI 或者 OpenAI 的研究者感兴趣，这个访谈值得一看。 如果你仔细翻看 OpenAI 近年来每一篇重磅论文——从 GPT-3.5 到 GPT-4，再到最新的 GPT-4o，你会发现一个名字像那枚不可或缺的螺丝钉一样，稳定地出现在贡献者名单里：翁家翌（Jiayi Weng）。 他是 OpenAI 强化学习（RL）团队的核心成员，但他并不把自己定义为那种在大模型里“炼丹”的科学家。相反，他更愿意做一个“卖铲子”的人。在硅谷这场被誉为人类历史上最激烈的科技军备竞赛中，他亲手搭建了 OpenAI 内部最核心的 Post-training（后训练）基础设施。 这个从清华园走出的年轻人，是如何一步步走到风暴中心的？这一路并非全是光环，更有不少“误打误撞”的宿命感。 “童子功”：为了投资未来而卷 翁家翌的“开挂”人生似乎拿的是标准剧本，但内核却有点不一样。 小学一年级开始搞奥数，因为他发现自己做题不需要过脑子，那是纯粹的生理上的快感。初二自学高中数学，初三啃微积分。但他并不是因为那是“任务”，而是因为他在初中就产生了一个极其早熟的想法：学习是一种对未来的投资。 与其在简单的刷题上浪费生命，不如提前掌握工具，构建自己的知识树。 到了高中，这种“投资”转向了编程。然而，这一路并非坦途。作为福建省队的选手，他在信息学竞赛（OI）中拿了全省倒数第一（铜牌），这对他是个巨大的打击。在那个充满不确定性的高二，他面临着艰难抉择：是签一个保底的上海交大，还是赌一把清华的降分录取？ 他在巨大的恐惧中咬牙选了后者。最终，他赌赢了，走进了清华计算机系。 清华岁月：打破信息差的“慈善家” 在清华，翁家翌干了两件让他在校内“封神”的事，但初衷却仅仅是——哪怕亏本，也要做点对自己和他人有意义的事。 第一件事是开源作业。 在竞争激烈的清华，信息差是巨大的壁垒。往年的试题、老师的偏好、作业的参考，这些“秘籍”往往只在小圈子流传。翁家翌看不惯，他觉得每个人都该有平等的知情权。于是，他把自己收集的所有“上古资料”和自己的作业代码全部整理开源。尽管这遭到了部分学长学姐的反对，但他坚持认为：后人不应该把时间浪费在重复造轮子上。 第二件事是天授（Tianshou）。 大四那年，因为觉得当时流行的强化学习库（如RLlib）代码在那不断“腐化”，臃肿得没法用，他干脆推倒重来。仅仅花了不到两周，他手撸了一个优雅、轻量级的强化学习框架——“天授”。没有任何功利的论文发表目的，纯粹是因为“自己用得不爽”。 哪怕后来在申请出国时遭遇疫情，他在家还要不仅面对未知的焦虑，还顺手写了一个美签预约查询系统。这个纯公益的项目最终获得了上千万的点击量，帮助了无数留学生。 对他来说，人生的游戏结算分数，不是GPA，而是死后有多少人记得你的名字。 误打误撞进OpenAI：工业界不需要“炼丹师” 2022年，从CMU硕士毕业的翁家翌面临找工作的抉择。他手里拿着Google、HFT（高频交易）公司和OpenAI的Offer。那是ChatGPT发布前夕，OpenAI还只有两三百人，远没有现在的神圣光环。 但他选择了OpenAI，原因很硬核：只有这里在正儿八经地用强化学习解决问题。 面试他的人是RLHF（基于人类反馈的强化学习）的奠基人之一John Schulman。面试题很难，但他做得太快，以至于最后John不得不让他展示怎么修Bug。 进入OpenAI后，他经历了一次认知的重塑。 在学术界，搞强化学习往往是在简单的游戏环境（如Atari）里比分数，大家都在“过拟合”环境，像炼丹一样调参。翁家翌极其讨厌这种玄学，他甚至称之为“生理性排斥”。 但在OpenAI，特别是在引入了Google来的几位大佬（Barret, Luke, Liam）后，团队的哲学变了：不要迷信天才的算法（Idea），要迷信工程的迭代速度。 如果你的基础设施（Infrastructure）足够强，能让你从一周做30次实验变成一周做300次实验，那么即便你的点子很平庸，成功的概率也会呈线性上升。 这就是翁家翌的定位——搞Infra（基建）。他为OpenAI搭建了整套后训练的强化学习框架。所有的模型，从GPT-4到GPT-4o，都要在他搭建的这条“流水线”上跑一遍。 “谁修的Bug越多，谁的模型性能就越好。” 这就是大模型背后的残酷真相。 在风暴中心：压力、宿命与迷茫 别以为在OpenAI工作就是每天和Altman谈笑风生。真实的日常是：修不完的Bug，写不完的史山代码，以及巨大的身心压力。...

Google DeepMind 联合创始人兼首席执行官 Demis Hassabis 在 2026 年世界经济论坛期间接受了彭博社的专访，其中讨论了 AI 未来几年的发展，包括基础模型、实际应用和负责任的 AI 开发方面的进展。以下为原视频精华，本文由我和 Gemini 3 Pro 共同整理而成。 在达沃斯的聚光灯下，Google DeepMind 的掌门人 Demis Hassabis 显得既自信又紧迫。 这一年，对于 Google 来说，不仅是反击的一年，更是重塑自我的一年。从旧金山到瑞士，关于 Google 是否“找回了魔力”的讨论从未停止。面对镜头，Demis 没有回避那个著名的内部代号——“红色代码（Code Red）”。 “过去几年，不仅是我们要夺回技术高地，更是一场关于速度的革命。”Demis 坦言。 这篇文章将带你深入 Demis Hassabis 的大脑，探讨 Google 的绝地反击、他对中国 AI 竞争的真实看法、那个著名的 2030 年 AGI 预测，以及当人类不再需要工作时，我们将何去何从。 假如 Google 像创业公司一样奔跑 过去一年，Google 最大的变化是什么？Demis 形容这是一种“创业公司般的能量”。 曾几何时，Google 被认为在 AI 浪潮中反应迟缓。但 Demis 指出，Google 和 DeepMind 在过去十年实际上发明了现代 AI 产业所依赖的 90% 的突破性技术——包括大名鼎鼎的 Transformer 架构和 AlphaGo 的深度强化学习。 现在的挑战在于如何将这些积淀转化为产品。“我们将 DeepMind 和 Google 的研究部门合并，首要任务就是确保我们的模型在所有基准测试中都达到最先进水平（State of the Art）。”随着 Gemini 系列模型的推出，尤其是多模态能力的展现，Google 正试图证明它不仅拥有全栈优势——从底层芯片（TPU）、数据中心到云业务和顶尖实验室——更拥有了快速迭代的执行力。...

本文整理自 Anthropic CEO Dario Amodei 与 Google DeepMind CEO Demis Hassabis 在达沃斯论坛的罕见同台，这场对话围绕 AGI 的实现时间线、AI 自我改进循环的风险、对就业市场的影响以及 AI 带来的地缘政治挑战展开。以下为原视频精华，本文由我和 Gemini 3 Pro 共同整理而成。 如果说 AI 圈有摇滚巨星，那这大概就是“披头士”遇到了“滚石乐队”。一边是谷歌 DeepMind 的 CEO Demis Hassabis，另一边是 Anthropic 的 CEO Dario Amodei。这一幕发生在最近的一场深度对谈中，主题虽然叫“AGI 之后的一天”，但两人显然更关心我们到底还要多久才能这扇大门，以及在这之前我们会不会先把事情搞砸。 这场对话信息量极大，从极其激进的收入预测到对芯片出口的犀利抨击，再到对人类未来的哲学思考。 1. 倒计时：2026 年还是 2030 年？ 关于 AGI（通用人工智能）何时到来，两位的看法出现了微妙但关键的分歧。 Dario（Anthropic）显得非常激进。 还记得他以前预测 2026 或 2027 年就能出现超越诺贝尔奖得主水平的模型吗？他现在依然坚持这个观点。 他的逻辑很简单：闭环加速。现在工程师已经很少自己写代码了，他们是在让模型写代码。Dario 预测，大概再过 6 到 12 个月，模型就能端到端地完成大部分软件工程师的工作。一旦模型能高效地编写代码来改进下一代模型，这种指数级的自我进化将非常恐怖。 Demis（DeepMind）则相对稳健一些。 他依然维持去年“本十年末（2030左右）”的预测。Demis 的观点是：写代码和解数学题容易，因为结果是非黑即白的，好验证。但在自然科学领域（比如生物、物理），你光有一个假设不行，还得去实验室做实验验证。这个物理世界的验证过程会拖慢进度。而且，目前的模型虽然能解题，但还缺乏“提出好问题”的科学创造力。 有趣的是，在这个时间线上，Dario 甚至半开玩笑地说：“如果可以选择，我更喜欢 Demis 的时间表，多给我们人类几年准备时间挺好的。” 2. 只有“卷王”才能活下来：Anthropic 的疯狂增长曲线 在谈到作为一家“独立模型厂商”是否能活到盈利那一天时，Dario 甩出了一组让人瞠目结舌的数据。 他说，随着模型变强，不仅算力投入是指数级的，产生的收入也是指数级的。听听 Anthropic 的这一连串数字：...

本文整理自 Elon Musk 在瑞士达沃斯举行的 2026 年世界经济论坛上的分享：Elon Musk 对话贝莱德 CEO Larry Fink。这个会议中，马斯克讨论了人工智能的未来及其全球影响、太空探索、 SpaceX 任务和登月计划、Tesla 的创新和可持续能源解决方案、全球技术趋势、创业和创新等等。如果你关注科技，关注 AI 的未来，这个视频非常值得一看，本文是其内容的精华总结，由我和 Gemini 3 Pro 共同整理完成。 假如外星人真的不存在？ 马斯克经常被问到一个问题：“到底有没有外星人？你是不是外星人？” 他的回答总是透着一种理工男的幽默：“如果有外星人，我肯定是第一个知道的。SpaceX 有 6000 多颗卫星在天上飞，我们从来没为了躲避外星飞船变过轨。” 但这背后藏着一个让他夜不能寐的假设：如果在浩瀚宇宙中，我们真的是唯一的生命呢？马斯克把人类意识比作“无尽黑暗中一只微弱的烛火”。这烛火太脆弱了，如果地球发生什么天灾人祸，光就灭了。 这就是为什么必须让生命多行星化。SpaceX 的终极目标不是去旅行，而是为了在这个充满不确定性的宇宙里，给人类文明做一个“异地备份”。 机器人数量将超过人类，我们将迎来“极致富足” 谈到地球上的事，马斯克对 AI 和机器人的未来极其乐观（当然要注意《终结者》那种风险）。 他抛出了一个简单的经济学公式：经济产出 = 人均生产力 × 人数。 当人形机器人（比如特斯拉的 Optimus）普及后，这个公式里的限制因素就没有了。马斯克预测，未来机器人的数量会超过人类。到时候，我们将进入通过 AI 和机器人实现的“无限富足”时代。 什么是无限富足？就是商品和服务的成本几乎归零。那时候大家甚至想不出还有什么需求是没被满足的。虽然这会带来“人类还需要做什么”的存在主义危机，但相比于贫穷，这显然是个幸福的烦恼。 至于时间表？特斯拉工厂里已经有一些简单的机器人在干活了。到明年（2025年）年底，这种高可靠性的人形机器人可能就会开始向公众发售。你会想要一个机器人帮你照顾老人、看孩子、遛狗，这很快就不再是科幻情节。 最大的瓶颈：缺电，缺很多电 AI 模型和机器人是美好的，但它们吃什么？吃算力。算力吃什么？吃电。 目前芯片产能是指数级增长的，但变压器和电网的扩容速度每年只有可怜的个位数。马斯克直言：“缺电将是扼住 AI 喉咙的最大危机。” 如果你把太阳系的所有质量——包括那个占了 0.1% 质量的木星——都扔进核聚变反应堆烧掉，产生的能量跟太阳比起来，还是约为零。太阳占据了太阳系 99.8% 的质量，提供了几乎 100% 的能量。 所以答案很简单：光伏+储能。 马斯克算了一笔账：只需要在这个地球上划出一个 100 英里 × 100 英里（约 160 公里见方）的小角落，铺满太阳能板，产生的电力就足够整个美国使用。这在地图上也就是犹他州或内华达州的一个不起眼的小角。 为什么没做到？虽然中国在疯狂铺设光伏（确实令人印象深刻），但美国受限于极高的关税壁垒，导致光伏成本居高不下。不过 SpaceX 和特斯拉不打算等，他们正在自建每年 100 吉瓦的产能。...

本文整理自最近爆火的 Clawdbot 的创造者 Peter Steinberger 在 TBPN 的一场访谈。因为其名字取的时候谐音了 Claude 的原由被 Anthropic 强制要求更换名称（商标问题），现已更名为 Moltbot。以下内容由我和 Gemini 3 Pro 共同整理而成。 退休大佬复出“搞事情”：我只是想在 WhatsApp 上跟我的电脑聊天，结果引爆了 GitHub 如果在过去的一周里，你看到了一张 GitHub Star 数像火箭一样垂直升空的图表（现在已经接近 90K stars），那主角多半就是 Peter Steinberger 的项目。 这个故事最离谱的地方在于：这是一个已经财富自由、退隐江湖的大佬，纯粹为了“找乐子”写出来的东西。没有虽然、但是，也没有商业计划书，只有纯粹的极客精神和无数个凌晨三点的代码狂欢。 并不是所有复出都是为了钱 Peter 曾在自己的软件公司拼了 13 年，四年前他把公司卖了。用他自己的玩笑话（实际上是引用）说，那是为了去享受“二十一点和花天酒地”。但实际上，那是彻底的职业倦怠。那之后，他过了三年甚至都不想碰代码的生活，感觉像是被《王牌大贱谍》里的反派吸走了“精气神（Mojo）”。 直到 2023 年 4 月，那股火苗又回来了。 他不想再搞老本行 iOS 开发，而是要把目光投向当时还处于起步阶段的 AI。最初的体验并不完美，直到 Anthropic 的 Cloud Code 测试版发布，那种久违的“上瘾”感甚至让他兴奋到失眠。他甚至在凌晨 4 点给朋友发消息安利，组建了一个叫“Cloud Code 匿名戒瘾会”（后来顺应潮流改名叫“Agents Anonymous”）的聚会。 他的宣言很简单：“我结束退休生涯，就是为了回来跟 AI 捣乱的。” “摩洛哥惊魂”：当 AI 学会自己修补 Bug 这个爆火项目的起因非常随意。去年 11 月，Peter 只是想：“既然我在厨房的时候电脑不在身边，为什么我不能在 WhatsApp 上跟我的电脑聊天呢？” 于是他花了一个小时“黑”出了一个原型：WhatsApp 收到消息 -> 发送给 AI -> AI 执行代码 -> 返回结果。...

本文整理自 OpenAI CEO Sam Altman 今早面向开发者举办的一场交流会的在线直播。以下为本场直播的精华内容，由我和 Gemini 3 Pro 共同整理而成。 软件工程师的未来：不是消亡，而是爆发 很多人担心 AI 会让程序员失业，Sam 引用了**杰文斯悖论（Jevons paradox）**来反驳这个观点：当某种资源（这里是代码）的生产效率极速提高、成本极速降低时，需求反而会呈指数级增长。 未来的软件工程师是什么样的？Sam 认为，“写代码”本身将不再是工作的核心。未来的工程师不需要把大量时间花在敲击键盘或调试 Bug 上。 相反，工程师的定义将通过以下方式被重塑： 价值捕捉者：利用计算机完成自己想要的任务，或者通过计算机为他人创造有用的体验。 宏观调控者：你会看到更多人能独自完成以前需要整个团队才能做到的事。 Sam 预测，世界对软件的需求丝毫没有减弱。未来，我们使用的软件将不再是千人一面的通用版本，而是**“为你一人定制”**的。你会习惯于软件根据你的使用习惯不断自我微调，甚至在此时此刻为你即时生成一个小程序来解决当下的问题。这将创造出比现在大得多的 GDP 总量。 给创业者的冷水：构建变得容易，但卖出去更难了 对于开发者来说，技术门槛的降低是一把双刃剑。 Sam 分享了他以前在 Y Combinator 的观察：曾经，创始人们认为“做产品”是最难的；现在，随着 Cursor、Codex 等工具的普及，构建产品变得极其容易，真正的瓶颈变成了 GTM（Go-To-Market，推向市场）。 即使在那个“极大丰富”的 AI 未来，人类的注意力仍然是稀缺资源。 Sam 给出的建议很务实： 即便 AI 可以自动化销售和营销，你依然要面对激烈的竞争。 不要指望技术红利能自动解决获客问题，生意的本质逻辑（提供差异化价值、建立网络效应）没有变。 终极测试：问问你自己，如果 GPT-6 发布了，且性能惊人地强，你的初创公司会感到开心还是难过？你应该去做那些极度渴望模型变得更强的业务，而不是做那些“修补模型缺陷”的套壳生意，后者会极其痛苦。 关于 GPT-6 与未来的模型：我们要修好“偏科” 坦白说，Sam 承认目前的模型有点“偏科”。例如 GPT-5 在某些方面很强，但在写作风格上可能还不如以前的版本讨喜。 对于未来的模型演进（以 GPT-6 为代表的下一代），OpenAI 的目标非常明确： 全能型选手：未来的模型将在推理、编程、写作等所有维度上同时变强。智能是可互换的，一个能进行复杂科学推理的模型，理应也能写出清晰甚至有见地的文章。 速度与成本：Sam 做了一个大胆的预测——不管是到 2027 年还是更早，高端智能的成本至少会降低 100 倍。同时，OpenAI 正在努力平衡“推理深度”和“响应速度”，让复杂的输出能在 1/100 的时间内完成。 学习能力：你不必担心今天基于旧框架构建的应用会被淘汰。未来的模型将具备“看一眼就会”的能力——给它展示一个新的环境或工具，它就能像最聪明的人类一样迅速掌握并可靠地使用。 AI Agent（智能体）的形态：不仅仅是聊天 关于 Agent，至今没有一个标准答案。Sam 认为未来会有两种极端的用户画像：...

本文翻译自 X 博主 Zara Zhang 发布的文章：10 beginner-friendly ideas to build with Claude Code (Prompts included)。 只要你会打字，就能用 Claude Code 进行构建。 1. 将你的简历变成个人网站 这里有 10 个让你入门的想法。无需任何技术背景。我已附上了你可以直接使用的具体提示词。 把你的简历投喂给 Claude Code，让它为你构建一个精美的作品集网站。想要特定的外观？先在网上找一些视觉参考，然后让它匹配那种风格。 “这是我的简历 [附上文件]。请为我构建一个干净、现代的个人网站，展示我的经验和项目。我喜欢这个 [参考链接] 的视觉风格。试着匹配这种美学。我完全没有编程经验，所以请一步步指导我。” （要附加文件，只需将其拖入与 Claude Code 的聊天窗口即可。） 2. 构建一个用于语言学习的浏览器扩展程序 创建一个扩展程序，让你可以在外语网站上高亮文本，根据上下文获取 AI 驱动的释义，并将单词保存到你自己的词汇表中。 “为我构建一个语言学习用的浏览器扩展。当我在任何网页上高亮文本时，它应该根据周围的上下文显示 AI 生成的解释，并让我把单词保存到个人词汇表中。我不懂代码。请给我简单、按部就班的说明，告诉我所有需要做的事情。” 3. 基于你的健康数据创建一个习惯追踪器 上传你的体检报告，让 Claude Code 根据结果为你构建一个个性化的习惯追踪和打卡应用。 “这是我最近的体检报告 [附上文件]。根据结果，为我构建一个简单的日常习惯追踪应用，帮助我改善需要关注的领域。包含一个连胜（streak）功能来帮我坚持下去。用大白话解释所有内容。我不是开发人员。” 4. 整理你杂乱的文件夹 桌面或下载文件夹乱糟糟的？直接让 Claude Code 来整理。真的，只要告诉它你想要什么，然后让它去干活。 “我的下载文件夹一团糟。检查一遍，根据文件类型和内容将文件整理到合理的子文件夹中。在移动任何东西之前，先把你的计划展示给我看并征求我的同意。我不懂技术，所以解释要简单点。” 5. 转录您的会议录音 把你的会议音频或视频文件丢进一个文件夹。Claude Code 可以使用 OpenAI Whisper（本地运行且免费！）转录它们，清理错误，并标记发言人。 “我在 [文件夹路径] 有一个会议录音文件夹。使用 OpenAI Whisper 将每个文件转录为文本。清理明显的错误，并在能区分不同人的地方加上发言人标签。将每个转录保存为单独的文档。一步步指导我完成所有需要的设置。我是个纯新手。”...

Varick Agents CTO Eyad Khrais 吃到上一篇 Claude Code 入门文章：The complete claude code tutorial 的红利后（在 X 上大受欢迎，总阅读量接近 500 万），又迅速写了第二篇 Claude Code 进阶的文章：The claude code tutorial level 2。这篇文章的核心在于介绍 Skills（技能）、Subagents（子智能体）和 MCP connectors（MCP 连接器）这三大高级功能。 关键细节 Skills（技能）：教导 Claude 特定工作流 定义与结构：Skill 是一个 Markdown 文件，包含 YAML 头信息（名称、描述）和具体的指令正文。 创建方式：在 ~/.claude/skills/ 目录下创建文件夹和 SKILL.md 文件。 工作原理：采用“渐进式披露”原则。Claude 启动时仅加载 Skill 的名称和描述（约 100 tokens），只有在判定相关时才加载完整指令。这允许用户拥有数十个技能而不占用过多上下文。 应用场景：代码审查标准、Git 提交信息规范（如 Conventional Commits）、数据库查询模式、API 文档格式等。 Subagents（子智能体）：隔离上下文与任务分发 核心优势：解决上下文退化问题。主对话将复杂任务委托给子智能体，子智能体在独立的 200K 窗口中运行，仅返回摘要给主对话，从而防止主上下文被污染。 内置类型： Explore：快速、只读的代码库搜索与分析。 Plan：用于规划模式下的研究和架构决策。 General-purpose：处理需要多步操作的复杂任务。 自定义智能体：用户可在 ~/.claude/agents/ 中定义自定义智能体（如安全审查员），设定特定的系统提示词和工具权限（如只读或读写）。 通信模式：主智能体委托任务 -> 子智能体执行 -> 子智能体返回摘要。注意：子智能体不能再生成子智能体。 MCP Connectors（模型上下文协议）：连接外部世界 功能：一种标准化的接口，允许 AI 模型直接调用外部工具和数据源，无需为每个工具单独集成。 操作命令：使用 claude mcp add --transport http <name> <url> 添加连接。 推荐集成： GitHub：管理代码库、PR 和 Issue。 Slack：读取频道历史和摘要。 PostgreSQL：直接查询数据库。 Linear/Jira：集成任务跟踪。 实际效果：将原本需要切换 5 个标签页（查看 Issue、设计图、Slack 讨论、写代码、更新工单）的工作流，整合为一个连续的会话。 原文：The claude code tutorial level 2 这是官方 Claude Code 教程的第二部分，我将涵盖更高级的概念，帮助你更充分地利用 Claude Code。如果你还没读过第一部分，我强烈建议你在读这篇文章之前先读一下。这篇文章直接建立在那些基础之上。...