作者分享了客户端开发的技术选型思考，梳理 Web、跨端（Electron、Tauri、Flutter）与原生三条路线的权衡，提出研发效率、体验、性能的『不可能三角』。以自己的 Mac 清理工具 Mole 为例，讲述为何 Windows 版选择 C# + WinUI 3，如何用脚本同步设计 token 与多语言保持两端一致，并详细介绍在 Mac 上通过 Parallels、Claude Code、远程终端与真机测试开发 Windows 软件的工作流，以及混合多语言调用（Swift 调 JS、Rust 调 JS）解决难题的实践，认为 AI 时代规则抽象比代码抽象更重要，测试验证是工程师核心价值。
作者分享了用 AI（Claude/Codex）通过 Mac 连接 Android 平板，几句话完成系统清理的实用技巧。提供的提示词涵盖五个方面：关闭广告和推广入口、按分类保留有用通知、更换带促销装饰的应用图标、停用无用预装应用（保留基础服务）、整理桌面布局。整个过程无需 root，适合优化新买的 Android 设备或帮家人清理手机。评论区还讨论了 WiFi 调试、iPhone Air + 安卓小平板的搭配，以及国内安卓系统广告难以关闭的现状。
作者 Tw93 分享用 Mac 开发 Windows 软件时对客户端技术选型的思考。文章梳理了三种主要路线：Web 壳方案（PhoneGap/Cordova）、跨端方案（React Native、Flutter、Electron、Tauri、Wails 等）以及原生开发（SwiftUI、Compose、WinUI 3）。作者提出研发效率、体验与性能的'不可能三角'，并指出在 AI Coding 大幅降低开发成本的当下，原生开发变得更具吸引力，因为双平台代码成本被 AI 补齐，而人更应专注于多端调试与验收。最终强调技术为业务服务，先解决用户真实需求，再优化体验。
作者Tw93为给团队买年夜饭礼物，在X上征集243位工程师最近一年买到最称心如意的物品推荐，涵盖电子设备、软件、生活用品等。文章按热度整理了130余条推荐，保留原始评价，包括地漏芯、毛巾加热架、电纸书、Tesla、iPhone、iPad mini、各类降噪耳机、人体工学椅、健身私教、厨师机、AI编程工具Cursor和Claude Code等，既有刚需好物也有接地气的生活用品，为大家购物提供参考。
Tw93 分享对工程师转型的观察：转型 AI 工程师的工程师与固守传统岗位的工程师之间的差距，就像当年移动互联网工程师与传统电信工程师、智能手机与功能机的区别。他认为温水煮青蛙的水已经发烫，走在技术前面的人更游刃有余，被推着走的人会很痛苦。作者回顾自己 2019 年起突破岗位边界，涉足设计、产品、前后端，以解决问题为导向，多年积累在 AI 时代成为自己的护城河，并附上自己历年关于工程师成长与趋势思考的文章列表。
作者以 Mole 项目（11 万行 Swift、3347 个 XCTest）为例，从产品工程师视角分享 AI 全量生成代码时代保持代码可维护性的实践经验：由工程师主导架构设计与文档沉淀；重视覆盖边界场景的单测，坚持 AI 写的代码由 AI 测试；修 Bug 时补充回归测试并把原因写入规则；用按模块拆分的 Rules 和 Skills 记录功能边界与历史决策；坚持少做无用功能避免维护成本腐化；充分利用 GitHub Actions 与 CI 兜底验证，设置流程卡点让 AI 自动化验证，从而让代码长期持续迭代、清晰可扩展。
本文是独立开发者 Tw93 对自己从开源 CLI 工具 Mole 到 Mac 付费软件这一过程的复盘与思考。文章分享了 Mole 的诞生背景、AI 时代产生的三类垃圾（编译产物、AI 工具旧版本、模型文件）及其清理策略，强调了产品设计中“不做什么”的重要性，以及从用户反馈中获得的宝贵经验，如对浅色模式、温度单位等细节的反思。作者还分享了手工回复邮件、不急于搭建客服系统、坚持每周更新等产品理念，并总结了做产品的心得：代码能力只占三成，更重要的是理解用户、做好取舍、建立信任。
作者结合Mole从开源CLI到Mac付费软件的经历，分享了独立开发者实践经验。强调AI时代需具备产品工程师综合能力，重视需求把控、快速迭代与真诚运营。建议重视数据分析，通过真实互动建立个人品牌信任，关注全球化，善用YouTube等长效渠道推广。指出真诚与长期主义是产品成功的基石。
本文记录了作者组装一台小机器狗的实践过程，并以此引出对具身智能技术栈的深度剖析。文章涵盖了从硬件选型（STM32, ESP32）到空间感知（SLAM, 3D表示），再到动作控制模型（VLA, RT系列）的演进，最后重点分析了 Tesla Optimus 在工程制造、时空分层与能耗上的技术难点。
文章探讨了 AI 搜索时代的 GEO（生成式引擎优化）策略。作者指出，83% 的 AI 引用来自非排名前列的页面，AI 更看重清晰的结构和可靠的来源。文章详细介绍了通过配置 robots.txt 区分爬虫类型、编写 llms.txt 和 llms-full.txt、提供 Markdown 路由以及注册搜索引擎索引等具体实践方法，帮助个人项目在 ChatGPT 等平台上获得更好的曝光。
文章探讨了 AI 时代下的内容可见性（GEO），区别于传统 SEO。作者通过实践指出，AI 搜索更看重结构清晰、来源可靠而非排名。核心策略包括：利用 robots.txt 区分并管理不同类型的 AI 爬虫；部署 llms.txt 为 AI 提供结构化站点概览；确保搜索引擎收录以作为 AI 索引基础；构建专门的知识页面并提供 JSON 数据接口。文章还通过数据分析，否定了 FAQ、JSON-LD 等手段的有效性，强调具体性、内容长度及相关性是提升 AI 引用率的关键。
本文旨在打破 AI 编码仅限程序员的误区，指导非工程师（产品、运营等）如何上手 Claude Code。文章指出，虽然命令行是初学者的第一道门槛，但配合 Kaku 等工具并不难掌握。作者强调了具备基础技术素养的重要性，并详细介绍了 Claude Code 的订阅体系及适用场景（如数据处理、文档提取、内部工具原型）。此外，文章通过“为一人开发软件”的概念，鼓励非技术人员从解决自身日常痛点出发，利用 Claude Code 实现工作自动化。
文章旨在指导非技术人员上手 Claude Code 这一 AI 编码工具。作者指出，Claude Code 的门槛并不高，通过补点基础技术知识、配置 CLI 终端（如 Kaku）以及掌握精确描述需求的技巧，非技术同学也能利用其完成数据处理、文档汇总、制作内部小工具等任务。文章重点介绍了 CLAUDE.md 的编写规范、如何将模糊需求转化为精确指令、以及 Plan 模式的使用方法，帮助读者建立“为自己一人写软件”的实战思维。
本文深入探讨了大模型训练的全链路流程，指出2026年模型效果的差距主要源于后训练阶段。文章从预训练底座、数据配方、系统架构约束、后训练（SFT/RLHF/DPO）以及 Eval/Reward 机制五个维度，解析了如何通过工程化手段提升模型实际落地效果，并引用了 DeepSeek、Llama 等实例。
本文基于作者深度使用 Claude Code 的实战经验，深入剖析了 Claude Code 的六层架构模型。文章详细阐述了上下文治理的成本构成与最佳实践，解释了 Skills、Hooks、Tools 和 Subagents 的区别与设计原则，并分享了如何利用 Prompt Caching 和 Plan Mode 优化系统性能与稳定性。
文章基于作者半年的深度使用经验，详细剖析了 Claude Code 的六层架构体系。内容涵盖底层运作原理、上下文工程与治理成本、Skills 与 Hooks 的设计模式、Subagents 的隔离策略以及 Prompt Caching 的核心影响。文章指出 Claude Code 的核心是代理循环过程，并提供了针对工具设计、反模式规避及成本优化的实战指南。
本文是对 2025 年大语言模型（LLM）领域发展的深度回顾。主要趋势包括：推理模型的普及（OpenAI o 系列）、Agent 和编码 Agent 的爆发式落地（特别是 Claude Code）、中国开源模型在排行榜上占据主导地位、长任务处理能力的翻倍增长、Google Gemini 的全面崛起以及 OpenAI 领先优势的缩小。此外，文章还涵盖了图像编辑、学术竞赛表现、模型安全与“告密”现象等热点话题，指出 2025 年是 AI 实用化和工具化的一年。
