作者以“只提一次需求、只调用一次模型”的严格规则测试 Ling-3.1-flash，仅给出一句模糊需求——“做一个可直接交付的 AI 项目工期与 Token 成本估算器交互网页”。模型先自主拆解任务、补全产品逻辑，一次生成 805 行、41KB 的零依赖单文件 HTML，包含参数联动计算、成本图表、甘特图、场景预设与数据导出等功能。作者验证发现一处 undefined 变量 bug，手工修改一行代码修复。作者认为 AI Coding 的价值正从“补代码”转向“交付完整版本”，但生成结果仍需人工验收与修正。
腾讯发布混元 Hy4 preview 模型（770B 总参数、49B 激活、1M 上下文的 MoE 模型），作者通过 Workbuddy 实测 8 个项目：声音驱动动效画布、在线 808 鼓机、吉他调音器、复刻《沙罗曼蛇》游戏、极端金属 PPT、PDF 生成企业官网、Three.js 太阳系演示等。评测发现其前端审美显著提升，长程 Agent 任务稳定，能精准拆分任务、调用工具和 Skill，且行为守规矩（只引用 CC 版权图、不确定时主动询问）。作者对模型表现大为赞赏，认为腾讯迭代速度快，甚至萌生买腾讯股票的想法。
Anthropic 工程经理 Felix Rieseberg 宣布其团队面试不再考核传统编程题，因为 Claude 等AI已能轻松完成这类题目，且团队最能出成果的人与编程题表现关系不大。他认为AI时代让入行不久的工程师有机会跑赢资历更老的员工，因为把想法做出来的成本大幅降低。文章介绍了新人面临的困境（想法不被重视、受所谓'常识'束缚），并给出五条建议：紧盯业务影响、提出大胆想法、快速做原型、一个原型聚焦一个好点子、善用新人视角。文中以两位新工程师用周末做出 Claude Code 图形界面版为例佐证。
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。
作者以制造业企业 AI 知识库项目为例，复盘了从 demo 到真正落地的完整链路。文章指出 demo 成功不等于企业可用，需要经历真实问题验证、资料核对、查询设计、业务验收、人工接管、知识更新和持续运营八步。核心观点包括：签约前用真实问题测试真实资料、区分单项查询与完整筛选需求、源头纠错修正原始资料、验收关注实际等待时间、设计人工接管路径、沉淀人工答案、明确知识运营负责人，以及报价时把建设、维护和知识更新分开核算。
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。
本文基于牛客网 8 月 18 日至 10 月 18 日的一手面经，统计了 180 位作者、343 场面试、近 80 家公司的 Agent 岗高频面试题。统计显示，问得最多的是 RAG 链路和 AI Coding 工具使用（各占三成多），其次是多 Agent 拆分、Agent 评测、上下文压缩、Skill/MCP/Function Calling 边界、记忆设计、Harness 与 Agent Loop、LangGraph/LangChain 等。文章逐题列出问法、公司分布和轮次分布，并指出 Skill、MCP、Agent 评测和 Harness 在 9、10 月明显增多，手撕题仍以 LeetCode 为主。
作者介绍了中推 AI 社区 Linux DO（L 站）的最新注册方法：GitHub 账号满 5 年即可申请邀请，无需再写申请小作文。作者用 AI 开发了一个查询工具，输入 GitHub 用户名即可检查年限并直达官方申请入口。文章给出极简三步注册流程及注意事项（链接 30 分钟有效、须用绑定邮箱、免费申请谨防卖码）。同时分享了工具的开发过程：作者在 Pi 中接入蚂蚁百灵 Ling-3.1-flash 模型，零代码完成开发，该模型在资料读取、浏览器自验证和排错方面表现出色。文末附模型免费体验入口与 Pi 配置教程。
作者分享入职大厂两个月从事 Agent 开发与后端维护的 AI 编程工作流。介绍了常用 Skill（grill、implement、ponytail、handoff 等）与简短 Prompt（第一性原理、对抗性审查、消融实验、奥卡姆剃刀、高内聚低耦合），指出随着模型能力增强，过重的 Workflow 反而成为噪声，应使用方法论式思维快捷键。同时分享了日常开发流程：grill 需求对齐、沉淀 Spec、任务拆分并行开发、交叉审查；重点讲解如何构建 Agent 友好的端到端测试环境（CLI、MCP、浏览器自动化），以及 Review AI 代码的实践。最后总结当前瓶颈在 Review 速度，Harness 需随模型迭代做减法。
作者认为 TRAE 是国内 AI Coding 领域第一，TraeWork 和 TraeCode 合并后成为最接近 Codex 的 Agent Harness。文章通过多个实际案例展示 TRAE 能力：用电脑控制和浏览器控制插件自动调研 Producthunt 产品；10 分钟开发 Obsidian UI 学习插件并上架；20 分钟将插件移植到 DeepSeek Harness；通过绑定微信、飞书随时随地远程修 Bug、合并代码；办公学习方面有模板库和飞书文档集成。作者认为 TRAE 三端打通、双模式设计（SOLO 和 IDE），让 AI Agent 覆盖更广人群，即使界面像 Codex 也无妨。
文章基于 Andrej Karpathy 的观点展开：AI 自主完成的工作越多，人类越需要花时间理解和审查其输出，而这部分工作也可以请 AI 协助。作者以该帖子为素材，实践了四种帮助理解的形式：一是文字，使用 asd-ste100-skill 技能按简化技术英语规范改写总结；二是图解，分别尝试 Codex 内置生图、小黑配图（狐狸定制版）和宝玉信息图技能；三是交互网页，用 Effective HTML 技能生成可切换四种表达版本的展示页；四是讲解视频，用 HyperFrames 生成约 59 秒的中文动画旁白视频。作者逐一评估各形式的效果与适用场景，并分享相关技能资源与使用经验。
本文介绍如何在12GB显存上部署125B参数的Qwen3.8-Flash-Next模型。核心是Strata技术让GPU、CPU、RAM和SSD协同工作：常用专家留GPU，其余放RAM，CPU处理cache miss。RTX 5070 12GB + 64GB RAM在Q2_0量化下短对话可达94 tok/s。文章还讲解了量化选择策略——显存占用相同时速度可差1.72倍，关键在于专家命中率。作者全程使用蚂蚁的Ling-3.1-flash Agent自动完成从检查机器、选权重、下载安装到排错验收的完整部署流程，跑通了一套用Agent自动部署本地模型的可复用方法。
文章介绍了一种用AI大模型制作科普3D动效视频的新方法。作者引用Karpathy的观点：让LLM生成结构化、可交互内容比纯文字更易理解。作者测试了蚂蚁最新发布的Ling-3.1-flash模型，仅输入一句'做一个简易双齿轮传动科教演示3D原型'的提示词，模型约3分钟便生成了包含交互功能的Three.js单文件应用，支持鼠标拖拽和缩放查看，可直接录屏加工为科普视频素材。作者也指出这类输出属于演示原型，复杂场景仍需工程师调优。文末提供了官网、蚂蚁数科、Vercel、OpenRouter等四个体验渠道。
