✨ อัปเดตล่าสุด: xgangzai - Kapook Update 2025

傲娇的koala

码龄12年

IP 属地：上海市

加入CSDN时间： 2014-09-27

个人简介：努力做自己；一个有趣的人，坚信今天没做的事，明天更不会做。

查看详细资料

个人成就

获得2,931次点赞
内容获得419次评论
获得9,486次收藏
代码片获得16,191次分享
原力等级

原力等级

4

原力分

935

本月获得

0

TA的专栏

TA关注的专栏 4

TA关注的收藏夹 0

TA关注的社区 12

TA参与的活动 1

创作活动更多

编程达人挑战赛·第12期

作为写代码的你，是否也渴望被更多人看到？技术人员普遍有一个共性——明明技术很强，却没人知道你做了什么；花了很多时间踩坑，却没人因你少走弯路；脑子里有一堆干货，但却不懂如何有效地输出。在如今写代码的人越来越多的时代，能够清晰表达自己思路与技术的人却少之又少。因此，我们发起了这个【编程达人挑战赛】——帮助你将代码变成作品，将技术转化为真正的价值，同时激励更多的人坚持写作与分享。注：活动细则介绍请看此贴：[https://bbs.csdn.net/topics/619791811](https://bbs.csdn.net/topics/619791811)。

919人参与去参加

更多

68K Star！前端动效神器升级，复杂动画终于不用硬写了

理解目标选择、属性动画、duration、delay、ease、loop、alternate、callbacks。一个按钮怎么出现，一个列表怎么展开，一个图表怎么进入，一个滚动页面怎么讲故事，都会影响用户对产品“质感”的判断。尤其是你不需要时间线、不需要 SVG、不需要滚动拖拽、不需要复杂错峰时，原生能力已经够用。

博文更新于 2026.05.29 ·

前端转全栈别乱学：15 个 Node.js 高质量资源推荐，按能力地图整理

建议看法：先看 Controllers、Providers、Modules、Pipes、Guards。建议看法：先看 String、Object、Array、Union、Refine、Transform，再把它接到 API 入参校验里。安全有没有基本防护？是 Node.js 生态里常用的 Redis 客户端，可以让你的 Node.js 服务连接 Redis，执行字符串、哈希、列表、集合、发布订阅等操作。建议看法：如果你时间有限，可以先看 Node.js 后端、数据库、测试、TypeScript 相关章节。

博文更新于 2026.05.26 ·

Codex 手机端来了：别再守着电脑等 AI 写代码了（带实操）

AI 跑测试失败了，你得看日志。App 里看到正在进行的任务，看它执行到了哪一步，看命令输出，看测试结果，看它准备修改哪些文件。这类 AI Coding 工具，大概率已经体验过那种很微妙的爽感：你把需求丢给 AI，它真的会读项目、改代码、跑测试，甚至能自己修一轮 bug。AI Coding 工具出现后，这个流程变成了：描述任务，等 AI 读代码，等 AI 改代码，等 AI 跑测试，然后人再 review。它可以发生在手机上，发生在通勤路上，发生在开会前的两分钟，发生在睡前看一眼任务进度的时候。

博文更新于 2026.05.25 ·

【第3701期】告别 React，拥抱原生：借助 nanotags 完成迁移节省 100 KB

Lit 确实是很好的选择 —— 如果你想要一个完整的 Web Components 框架，拥有模板驱动的渲染、基于装饰器的响应式属性和完备的组件模型。经过校验的响应式 props、类型安全的 refs、类型化的事件、自动清理、可复用的无障碍 attachments—— 全部不到 2.5 KB，没有 Shadow DOM，没有模板引擎，代码与浏览器之间没有任何运行时。以一个典型的营销页面为例：带有 CTA 按钮的首屏、功能展示网格、带有切换开关的定价表、FAQ 手风琴组件，以及一个联系表单。

博文更新于 2026.05.21 ·

Karpathy 的 4 条规则让 Claude 出错率骤降，但还不够。Mnimiy 又加了 8 条

本文在 Karpathy 提出的 4 条 CLAUDE.md 规则基础上，基于 30 个代码库的实测，补充了 8 条专门应对多步骤 Agent 任务、Token 预算、测试质量等新问题的规则，将 AI 编程出错率从 41% 降至 3%。但在 6 周的实测中，我发现这套 4 条规则的模板虽然在单点任务上表现出色，但到了 2026 年 5 月，Claude Code 生态面临的是 Agent 打架、Hook 连锁反应和长会话崩溃等新问题。：Claude 宣称迁移成功，实际悄悄跳过了 14% 的记录。

博文更新于 2026.05.20 ·

看完 Anthropic 这份内部手册，很多人后悔创业太早了

它重新定义了创业的四个核心阶段——Idea（想法）、MVP（最小可行产品）、Launch（发布）、Scale（规模化），并针对每个阶段给出了明确的目标、退出标准、常见失败模式，以及如何利用 Claude 系列产品（Chat、Claude Cowork、Claude Code）来加速推进。现在，这条界限正在消融。文档中充满了可直接执行的 Exercise（练习），从如何用 Claude 压力测试你的创业假设，到如何设计客户访谈问题，再到如何在 MVP 阶段避免 AI 技术债务——每一个建议都指向具体的行动。

博文更新于 2026.05.19 ·

用了几周明基 RD280UG，我终于明白程序员为什么需要一台“专用显示器”

RD280UG给我的最大感受，是它把程序员日常工作的很多细碎痛点，都照顾到了。作为一个写了 10 年代码、主力用 Mac 的开发者，我其实很少会因为一台显示器产生特别强的“换了就回不去”的感觉。但这次用RD280UG，确实有几个瞬间让我印象很深。一个是 Mac 接上之后，字体和缩放没有那种廉价外接屏常见的别扭感。一个是拍照和实际使用时，屏幕反光控制得比我预期好。还有一个是晚上写代码时，编程模式加上MoonHalo，确实比单纯关灯硬盯屏幕舒服，让夜间工作没那么刺眼。3:2让代码上下文更多。

博文更新于 2026.05.15 ·

用了几周明基 RD280UG，我终于明白程序员为什么需要一台“专用显示器”

还有的白天一开窗，屏幕直接开始照镜子。很多时候不是白天没时间写，而是白天杂事多，真正能沉下来写代码、改文章、整理方案，反而是在晚上。但如果你和我差不多，已经写了很多年代码，每天打开电脑之后，第一件事就是进入 IDE、终端、浏览器、文档和各种开发工具，那它的价值会非常直接。我把它搬上桌之后，直接用 Mac 接上这块屏幕，拍照、写代码、看文档、跑日常工作流，基本就是按自己平时真实工作的方式来体验。但写代码时间久了你会发现，真正影响状态的，往往不是某一个特别炫的参数，而是那些每天都要重复几百次的小细节。

博文更新于 2026.05.15 ·

RAG 向量检索，90% 的人都搞错了这 3 个概念

切片策略的选择（按段落、按 token 数、重叠切片等）会直接影响召回效果，这是一个值得深入探讨的话题，我们后续会有单独的文章详细讲解。理解了这些，RAG 的"检索"部分就不再神秘了。剩下的"生成"部分，就是把召回的知识拼到 prompt 里，让 LLM 基于这些上下文回答问题——这部分相对直观，不再展开。问题在于，用户可能搜的是"hooks 里 state 值不更新"——语义上完全相关，但一个关键词都对不上。：用户搜"React 闭包问题"，系统找包含"React"、"闭包"、"问题"这些词的文档。

博文更新于 2026.05.14 ·

为什么你让 AI 写的 Skill 总是不好用？这个官方工具给出了答案

这次更新的本质，是把 Skill 开发从"艺术"变成了"工程"——从"看起来有用"变成"验证有效"。听起来有点绕口，但它的定位非常清晰：你告诉它你想要什么能力，它就引导你一步步把这个能力输出成一个结构完整、能真正触发、经过测试验证、可持续迭代的 Skill。：如果基础模型在不加载 Skill 的情况下也能通过测试，说明 Skill 的技术方法已被模型吸收——Skill 没坏，只是不再需要了。实测效果：在 6 个公开 Skill 上测试，5 个 Skill 的触发得到改善，成功率 **83.3%**。

博文更新于 2026.05.12 ·

Cursor 官方偷偷用了 2 年的内部工作流，现在全部开源了

它会扫描对话中的关键信号，比如"I prefer"、"always"、"never"、"not what I asked"、"stop"等，从中提取偏好原子：触发条件、工作流步骤、决策规则、质量标准等。这个分类看似简单，但非常实用——它让你的周报/汇报有了清晰的结构，也方便管理者快速了解团队的工作分布。则是另一个我觉得很聪明的设计：它从你和 AI 的对话历史中（默认最近 7 天），提炼出你反复使用的模式和偏好，然后沉淀为可复用的 skill、rule 或文档。这也提醒我们：AI 是工具，不是替代品。

博文更新于 2026.05.09 ·

Node.js 子进程管理：我是如何被 spawn 逼疯的

先 SIGTERM（温和退出，给程序清理资源的机会），再 SIGKILL（强制杀死）。memo 的做法是等命令输出特定的「ready signal」再写入，比如看到。做 agent开发之前，我对 Node.js 子进程的理解基本等于零。但 timing 很容易出问题：命令还没准备好，你就开始写，数据就丢了。忘了等进程退出：spawn 是异步的，进程可能还在跑，但你以为已经结束了。的 API，然后发现——原来 spawn 才是真·主角。结果，真正上手才发现——这玩意儿的水比我想的深多了。

博文更新于 2026.05.08 ·

一文吃透AST与LSP：为什么AI代码工具都离不开它？

AST 是 “让机器读懂代码的骨架”，LSP 是 “微软制定的、连接骨架与工具的标准化桥梁”—— 两者结合，再加上官方 / 社区共建的语言服务器生态，才让 Cursor、Claude Code 等 AI 代码工具的 “智能” 成为可能。如果你的项目是中大型 JS/TS/Go/Rust/Java 项目，一定要启用 LSP；AST 是 “食材”，语言服务器是 “厨师”（把食材做成菜），LSP 是 “菜单”（标准化的点菜方式）—— 你不用管厨师怎么处理食材，按菜单点就能吃到菜。

博文更新于 2026.05.07 ·

详解 Node.js 中的子进程

spawn 函数和 execFile 类似，默认不开启 shell，但区别在于 execFile 会缓存命令行的输出，然后把结果传入回调函数中，而 spawn 则是以流的方式输出，有了流，就能非常方便的对接输入和输出了，例如典型的。请求，由于 Node.js 是单线程的，耗时运算占用了 CPU，用户的其他请求都会阻塞在这里，表现出来的现象就是服务器无响应。另外，由于 exec 会在内存中缓存全部的输出结果，当数据比较大的时候，spawn 会是更好的选择。

博文更新于 2026.04.22 ·

【真诚建议】别让AI替你思考：苏格拉底提示法，把AI变成你的思考搭档

不止一次，模型反驳了我的直觉判断，而且它是对的。我提问不是因为毫无头绪，而是在探测模型的推理路径，找出它的理解与我的理解之间的偏差。先提交测试，意味着 "完成" 有了客观的定义 —— 它经得起上下文重置，扛得住模型幻觉，也不怕你自己的理解在过程中不断演变。这一步没有商量余地。上下文中留存的方案是一份持久化的参照物，它让双方都无法糊弄 —— 而且在上下文压缩时，它的存活率远高于一场冗长散漫的对话。苏格拉底式的追问、对测试的审讯、双重上下文的审查 —— 这些环节都在制造学习的契机，让你获得此前不曾拥有的认知。

博文更新于 2026.04.15 ·

酷！Node.js 终于支持虚拟文件系统了，作者直言：没有 Claude Code 这不可能发生

有意思的是，Vercel 的 CTO Malte Ubl 看到 Matteo 的 PR 后，独立地把相同的 API 提取成了用户态包 node-vfs-polyfill。Node.js 这些年在 I/O 层面的抽象其实已经做得很成熟了，但虚拟文件系统确实是一个缺了很久的拼图。同步、回调、Promise 三套 API 全部支持，涵盖读写、目录操作、符号链接、文件描述符、流、文件监视和 glob 匹配。一个只存在于内存里的模块。方法的同步、回调、Promise 三种变体的实现，测试覆盖，文档编写。

博文更新于 2026.04.10 ·

Harness 工程：不是新词，而是 Agent 工程终于被讲明白了

这个观察本身说的是 context，但他们整篇文章讲的解决方式，其实已经进入 harness 级别了：代码库结构、AGENTS.md、审阅回路、验证手段、仓库作为记录系统、熵管理。OpenAI 后续关于 Codex App Server 的文章也把这件事说得更具体：所谓 harness，不只是「用户-模型-工具」的核心 loop，还包括线程生命周期与持久化、配置和鉴权、工具执行与扩展、客户端与运行时之间的协议层。你给这个大脑配的身体、传感器、护栏、操作台、流程制度、回执系统，以及出事后的保险。

博文更新于 2026.04.08 ·

Skills 乱麻了！这款开源神器彻底终结噩梦，Cursor/Claude 一键全同步

目前已适配了包括 Cursor, Claude Code, Codex, Antigravity, Amp, Kilo Code, Goose, GitHub Copilot 等在内的几乎所有主流 AI 编程工具。第一次安装 Skills Hub，它会自动扫描你电脑上已安装的所有 AI 工具（支持 Cursor, Claude Code, Codex, OpenCode 等十几种主流工具）。如果是包含多个 Skill 的大仓库（Monorepo），它还能让你选择具体导入哪一个，非常人性化。

博文更新于 2026.04.03 ·

LangGraph：基于图的 AI Agent 编排框架深度解析

LangGraph 作为 LangChain 生态的重要组成部分，通过引入图（Graph）的概念，为 AI Agent 的编排提供了更加灵活和强大的解决方案。本文将从图论基础开始，深入探讨 LangGraph 的核心概念、应用场景和最佳实践，并结合实际项目案例，帮助读者全面理解这一强大的工具。：构建一个 Hub + Sub Agent 架构，Hub Agent 负责意图识别和路由，Sub Agent 负责具体任务执行。，因为 AI Agent 的工作流通常是单向的，从一个状态流转到下一个状态。

博文更新于 2026.04.02 ·

【D2 演讲实录】从上下文工程到 Harness Engineering

LSP 能够把原来人看到的东西——例如我的语法高亮了红色了，我知道它报错了——给 Agent 用了之后，模型就知道哪里有问题，能动态地去修。当然还是得 Agent 来验收——因为我没有那么多时间，我的注意力是有限的，但 Agent 的注意力是无限的。核心原理很简单——大家都是专业的编程工程师，都知道尽量地复用缓存必然会让你的代码跑得更快，在模型推理上也是一样的道理。过去互联网时代大家已经积累了非常多的基础设施产品，但这些基础设施有一个非常重要的特点：过去的基础设施提供了大量的 GUI 和海量的日志。

博文更新于 2026.04.01 ·