🏷️ 技术实践

被王虹刷屏的两天

文章包含两则短讯。前半部分反思了不合群想法的价值，指出吃苦并非成功的途径，找到适合的位置更重要。后半部分讨论了RAG技术在小型企业中的应用，认为文档本身的可信度问题比检索技术更关键，提出应关注运行时Policy的开发，而非过度纠结于检索链路。

How Anthropic runs large-scale code migrations with Claude Code

Anthropic 分享了使用 Claude Code 进行大规模代码迁移的经验，包括将 Bun 从 Zig 迁移到 Rust（两周完成百万行代码）以及 Python 到 TypeScript 的迁移。文章介绍了六步迁移流程，强调建立强大的“评判者”系统、制定规则书和依赖映射，并说明 AI 如何通过并行处理和自动化验证改变了代码迁移的可行性。

搓一个工业级 Skill：Skill 工程化实战指南（三）

本文基于前两篇的概念基础，深入探讨了如何利用软件工程标准从零构建一个“工业级” Skill。文章以开发一个多平台图文社交文案生成 Skill 为例，详细拆解了 Skill 的定义与路由、目录结构规范、frontmatter 契约设计，以及如何利用 references 分离长知识。此外，作者还介绍了 skill-creator 和 superpowers 等辅助工具，并强调了“用例驱动”的测试方法、边界处理以及防范 Prompt Injection 的安全审查实践。

AI 可见性优化：原理、实践与权衡

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。

AI 可见性（GEO）的原理与实践指南

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。

告别繁琐指令：利用 Codex 记忆与 Chronicle 实现上下文感知编程

作者介绍了 Codex 推出的新功能（如 Chronicle 和 Memories）如何彻底改变了他的工作方式。通过结合自动化知识库和屏幕上下文感知，Codex 能像同事一样理解隐含背景、自主获取信息并执行复杂任务（如同步文档、发 PR、Slack 通知），极大地减少了思维负担和重复解释的成本。