过去一年，AI 编程工具集中爆发——有的专注补全提示，帮开发者把代码写得更快；有的用对话交互驱动开发，一句话就能改代码；有的深度融入编辑器，AI 能力触手可及。这些工具都在解决同一个问题：如何降低"写代码"的门槛。 但当门槛降低之后，一个新的问题随之浮现——如何用好这些工具。工具本身的能力在那里，但体验好不好，很大程度上取决于是否掌握了正确的使用方式。 这篇文章整理了我在 Claude Code 上摸索出的一些实用技巧：如何让 AI 遵守项目规范、如何让重复操作自动执行、如何拦截危险操作、如何在长对话中保持回答质量。抛砖引玉，如有错误或疏漏，欢迎指正。
你有没有发现跟大模型对话，同样的提示词每次结果都不一样。 这符合我们对于“大模型的本质就是个猜词器”的一贯认知。然而，可重复性是科学进步的基石。因此让大模型输出完全确定的结果是一个非常值得研究的问题，特别是强化学习需要确定性的 Rollout，来保证实验的可复现性和训练过程的稳定性。
AI 已经完全重新定义软件开发的成本结构，过去那些「不值得做」的小工具，现在可以在数小时内借助 AI 完成交付。本文将结合个人实践，分享如何从日常工作中识别痛点、利用 AI 构建提效工具，并介绍几个在 AI 编程过程中积累的实用技巧。
关于AI对经济增长与生产率的影响，有三种不同的判断。乐观派相信，AI能通过研发自动化大幅推高经济增长率，甚至可能引发“奇点”式的爆发式增长。主流温和派承认AI会带来生产率提升，但也强调AI 对生产率的贡献受到多种现实瓶颈的制约（如成本节约有限、AI暴露度有限、短板效应、物理与能源约束、监管伦理摩擦等），这些瓶颈相互叠加，可能让AI红利远低于乐观派的估计。悲观派则对任务层面的AI暴露度、生产率提升幅度、AI技术的扩散速度等持极其保守的态度，或者担心AI主要被用来“替代”而非“增强”劳动力，警告过度自动化可能导致劳动收入份额下降，从而压制消费和总需求，拖累经济增长。
