看了哥飞的直播，有一个收获就是了解到了大家对NSFW内容的态度，最近上线的生图网站虽然流量不大，但真是有点让我寝食难安，尝试了增加reminder，修改用户提示词，cron脚本删图片，发警告邮件，还封禁了一个充值用户...但是还是有一种坐在火山口的感觉...
最近在开发一款新的AI工具产品，是的你没听错，它又是工具型的。
不是因为它好卖，市场广阔，纯粹是因为在工具型市场里面，我更有经验，也更喜欢做这个类型的产品。虽然说海外选择垂直型的赛道作为切入才是明智的选择，这样能避免大厂出一个同类型的直接把你的份额给吃掉。
但你渐渐做到后面可能会发现，如果你一直做单一的产品，却没有把他们形成一个品牌的话，你的所有流量都是分散的，没办法聚合。
所以得出的结论是：做工具型的产品，不能单独靠量来堆积，而是一开始就要以打造品牌为目的，形成品牌产品矩阵。
#出海心得分享
不是因为它好卖，市场广阔，纯粹是因为在工具型市场里面，我更有经验，也更喜欢做这个类型的产品。虽然说海外选择垂直型的赛道作为切入才是明智的选择，这样能避免大厂出一个同类型的直接把你的份额给吃掉。
但你渐渐做到后面可能会发现，如果你一直做单一的产品，却没有把他们形成一个品牌的话，你的所有流量都是分散的，没办法聚合。
所以得出的结论是：做工具型的产品，不能单独靠量来堆积，而是一开始就要以打造品牌为目的，形成品牌产品矩阵。
#出海心得分享
超多朋友都在的开源盛会！（本人有幸见证了筹划本大会的全过程）
大家12.21北京见🙌
感谢赵君老师，兔老师，Yiki老师，泛函老师，君晨老师，海涛老师，沅霖老师，Nana老师百忙之中抽时间对本次活动的大力支持🍻
主办方的各位老师们也辛苦了！一并鞠躬🙌🍻
本次盛会干货满满，大家到时候见🙌
大家12.21北京见🙌
感谢赵君老师，兔老师，Yiki老师，泛函老师，君晨老师，海涛老师，沅霖老师，Nana老师百忙之中抽时间对本次活动的大力支持🍻
主办方的各位老师们也辛苦了！一并鞠躬🙌🍻
本次盛会干货满满，大家到时候见🙌
Y3国际全站会员封神榜：
天选之人：8月13号凌晨东南亚大事件内一神秘玩家打极速糖果仅用300u爆奖1400000u
🌐 官网注册网址 : y3867.com
💖Y3国际专属客服：@Y3VIP8888
💖午夜剧场：@madoudp9
以小博大直接爆15000倍 点击查看
实力盘总4000一拉直接爆2304000 点击查看
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
🌐 官网注册网址 : 1820036.com
💖专属VIP客服： @vipkf_182ty8
💖吃瓜搞笑：@chiguagaoxiaoxinwen
四个小时实在是太长了，在车上，在床上，在工位上
中间睡着了不知道多少次
老罗和 AI 圈子离得似乎有点远，他的问题都好像不在核心上
核心其实就是一家 AI Native 公司如何跑出来
不用OKR做管理，不用移动互联网的烧钱打法，不用字节的方法论
而是完全从第一性原理出发
用符合 AI 时代的方式，做激励，做增长，做公司
这本身需要巨大的勇气和试错成本
历史成功经验的大山也并非无法翻越
🌟 爆庄王者 首充1000,6天狂赚120万U🌟 爆奖接力 玩家500一拉爆奖133万U🌟 麻将传说 · 一局起飞 · 豪揽100万U🌊 亿万备用金坐镇｜大额无忧 · 真硬实力✅ 所有爆奖记录公开可查｜真数据 真提现
#权威认证 #亿万资金保障 #爆奖无限
✅ #球速 体育
球速体育 大会员再创新高：
✅ u存u提每日提款无上限，随便提、全球不限ip、免实名、无需绑定手机号码和银行卡，大额出款无忧 （您的最佳选择，欢迎体验）
🔥平台
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
💖vip客服专属热线，添加客服领取活动福利
🌐官网客服： @QSTY567
#出海运营秘籍👉@yunying23
⭕ 做教练十件事
---
不管是教练带学员，还是团队领导带员工，或者自媒体人和助理配合做事，要给予有效的指导，要做十件事：
第一件，对指导对象进行描述，喂给 AI，让 AI 给一份个性化的问题清单，清单最好足够细，细才能澄清更多信息。
第二件，拿着问题清单，和指导对象深入聊，一个问题一个问题聊，一方面获取足够多的真信息，另一方面对齐双方对同一个问题的理解，不对齐，就会在策划与决策阶段就埋雷。聊的过程中，开录音，并用工具自动把录音转文字，并基于聊天原文整理成结构化内容。
第三件，让 AI 定一个模板，把这些内容都装到模板的不同模块里。
第四件，拿着这个装了内容的模板，和指导对象进一步聊，确定方案。这就是可行方案，而不是双方凭着拍脑袋“我以为”的方案。
第五件，把方案里的任务，不管是要获取什么数据，要研究什么，要做什么，要对哪些单点深入探讨，要做哪些文档，要联系谁，以及其他事情，分工一下，谁做什么，然后排期到行动日历里面。
第六件，如果是助理或员工，每天对齐一下今天要做的事，每周开一次周会，周会最好有一份简单的问题清单来引导，而不是瞎聊。如果是学员，可以每周、或每两周、或每月一次复盘，根据做的实际情况，来微调之前定的方案。方案不是一成不变的，而是动态迭代的。
第七件，文档驱动管理，文档驱动陪跑，文档驱动合作，对于谁需要多长时间维护一下哪个文档，一开始要定好，让每一件事都有“白纸黑字”可依据，而不是空口说白话。文档要有，便于事前计划，事中指导，事后沉淀。但文档不能太复杂，不能太多，要最小必要，要简单可维护，不然会把太多精力花在“文山会海”这样并不直接创造生产与变现的事情上。
第八件，在合作之前，要把双方的偏好、习惯、期待摆在桌面上澄清，坦诚，“先小人，后君子”，形成必要的合作规则，不至于双方在合作过程中去猜对方，带来情绪消耗。
第九件，对于过程中的成果，要及时庆功，高频正反馈可以让教的人和学的人都更有信心。到年底，做一次年度盘点，最好面对面，花几天时间。
第十件，以上说的服务，其实很奢侈，除了合作创业的人，不可能这样一对一，大多情况是一对多，所以，要考虑制作尽可能通用的问题清单、方案模板、行动日历、必要文档、工作流，并尽可能在各个环节上提效（比如一对一月度复盘，改为每周一次的微信群的诊断，或直播间的集中答疑，或多人的腾讯会议圆桌），以及要让 AI 参与尽可能多的环节。
⭕ 做教练十件事
---
不管是教练带学员，还是团队领导带员工，或者自媒体人和助理配合做事，要给予有效的指导，要做十件事：
第一件，对指导对象进行描述，喂给 AI，让 AI 给一份个性化的问题清单，清单最好足够细，细才能澄清更多信息。
第二件，拿着问题清单，和指导对象深入聊，一个问题一个问题聊，一方面获取足够多的真信息，另一方面对齐双方对同一个问题的理解，不对齐，就会在策划与决策阶段就埋雷。聊的过程中，开录音，并用工具自动把录音转文字，并基于聊天原文整理成结构化内容。
第三件，让 AI 定一个模板，把这些内容都装到模板的不同模块里。
第四件，拿着这个装了内容的模板，和指导对象进一步聊，确定方案。这就是可行方案，而不是双方凭着拍脑袋“我以为”的方案。
第五件，把方案里的任务，不管是要获取什么数据，要研究什么，要做什么，要对哪些单点深入探讨，要做哪些文档，要联系谁，以及其他事情，分工一下，谁做什么，然后排期到行动日历里面。
第六件，如果是助理或员工，每天对齐一下今天要做的事，每周开一次周会，周会最好有一份简单的问题清单来引导，而不是瞎聊。如果是学员，可以每周、或每两周、或每月一次复盘，根据做的实际情况，来微调之前定的方案。方案不是一成不变的，而是动态迭代的。
第七件，文档驱动管理，文档驱动陪跑，文档驱动合作，对于谁需要多长时间维护一下哪个文档，一开始要定好，让每一件事都有“白纸黑字”可依据，而不是空口说白话。文档要有，便于事前计划，事中指导，事后沉淀。但文档不能太复杂，不能太多，要最小必要，要简单可维护，不然会把太多精力花在“文山会海”这样并不直接创造生产与变现的事情上。
第八件，在合作之前，要把双方的偏好、习惯、期待摆在桌面上澄清，坦诚，“先小人，后君子”，形成必要的合作规则，不至于双方在合作过程中去猜对方，带来情绪消耗。
第九件，对于过程中的成果，要及时庆功，高频正反馈可以让教的人和学的人都更有信心。到年底，做一次年度盘点，最好面对面，花几天时间。
第十件，以上说的服务，其实很奢侈，除了合作创业的人，不可能这样一对一，大多情况是一对多，所以，要考虑制作尽可能通用的问题清单、方案模板、行动日历、必要文档、工作流，并尽可能在各个环节上提效（比如一对一月度复盘，改为每周一次的微信群的诊断，或直播间的集中答疑，或多人的腾讯会议圆桌），以及要让 AI 参与尽可能多的环节。
震惊了，竟然有人把飞书这种文档级别的工具称之为个人知识管理工具，个体的第二大脑
PKM里，最核心的一个心法就是「原子笔记+链接重组」。一张知识卡片=一个最小可复用单元，方便你和任何其他的知识卡片链接或重组，呈现出成任何可能的结构。就像乐高积木一样，随意和其他卡片做拼装。
真正的PKM，玩的是网状结构，靠链接、引用、重组长出来的结构，而不是文档级别的线性结构（从上到下写大段内容）
线性结构的文档级工具（飞书、notion），只能作为写作工具，归档工具，知识库工具，而不是知识生长工具。
玩PKM，我们不是在写文档，我们是在不断积累最小可复用的知识单元
PKM里，最核心的一个心法就是「原子笔记+链接重组」。一张知识卡片=一个最小可复用单元，方便你和任何其他的知识卡片链接或重组，呈现出成任何可能的结构。就像乐高积木一样，随意和其他卡片做拼装。
真正的PKM，玩的是网状结构，靠链接、引用、重组长出来的结构，而不是文档级别的线性结构（从上到下写大段内容）
线性结构的文档级工具（飞书、notion），只能作为写作工具，归档工具，知识库工具，而不是知识生长工具。
玩PKM，我们不是在写文档，我们是在不断积累最小可复用的知识单元
#出海运营秘籍👉@yunying23
需求都是创造出来的。如果我们国家继续大力发展冬季户外运动，国人可需要更多国产高性价比的户外装备。
（我去滨江逛一圈，人冻傻了，立刻下单两件保暖夹层……
😵💫😵💫😵💫
需求都是创造出来的。如果我们国家继续大力发展冬季户外运动，国人可需要更多国产高性价比的户外装备。
（我去滨江逛一圈，人冻傻了，立刻下单两件保暖夹层……
😵💫😵💫😵💫
如何让代码更容易 Review
现在 AI Agent 开始有能力接管更多工作了。每个程序员的亲手写代码的必要性减少了，交给 Agent 的工作更多之后意味着 Review 容易成为效率瓶颈。
虽然 Vibe Coding 是不 Review 代码的，但这带来的后果是，Vibe Coding 的产品往往不适合用来做持续迭代，Vibe Coder 会逐渐失去对代码库的控制。所以，如果想在一个生命周期长需要持续迭代的产品上写代码，Review代码还是有必要性的。
# 老方法
以往很多老生常谈的代码规范实践，仍然能让review工作轻松不少。
## 静态类型
首先是静态类型检查。这些都是老生常谈了，静态类型检查也是现在TypeScript这类语言如此受欢迎的原因。在AI环境下，TypeScript应该是使用量最高的语言了，很大原因是它兼顾了灵活性和静态检查。它不需要受静态类型约束，可以变得非常灵活，另一方面又能提供超级灵活的类型去做很多检查，在编译期就能帮助我们检查掉很多问题。
但是，TypeScript语言毕竟还不是完美无缺的，因为TypeScript的类型是和它的Runtime分开的。所以，有时候你标注的类型和具体执行时的类型是错开的，Runtime可能拿到的是错误的类型。
在这种情况下，TypeScript实践的最好方式是：
1. 在类型检查方面，要打开所有严格的检查。
2. 从外部系统来的类型上加上 Zod 这样的 schema 检查
Lint 也很重要。
举个例子，如果你有一个 Promise 没有被await，然后你就直接拿它的值去做一些事情，TypeScript编译器本身是不会对这种行为报错的。但是在Linter下面是可以检查到这种问题的，而且这种问题很容易造成各种bug。我之前就因为类似的问题被卡过好多次。
这里面很大的原因是一个Promise在没有被await的时候，它是可以被拿去做if-else判断的。比如说，你的一个Promise返回的是一个boolean值，你没有await它，然后你直接去做真值判断，这个判断就过了。像这种问题就是Linter可以检查出来，而TypeScript编译器是查不到的。所以，也需要配上Linter的这种正确性检查。
## 测试
### 减少 Mock-heavy 的测试
测试大致可以分为单元测试和集成测试。单元测试往往测试的就是一个纯函数的行为，它是很小的。集成测试则是更完整的，比如把一个应用真的跑起来，或者直接测试一个 Lib 暴露出来的 API。
Mock-heavy 的集成测试应该尽量减少。因为这种测试实在太麻烦了，你需要模拟环境，写的Mock代码有时甚至比业务代码还要多。而且你Mock的可能不准确，行为又容易变，会导致你的代码变更变得不灵活。因为一旦中间层的抽象变了，Mock 层也要变化，从要要更改大量测试，往往从成本上来说是得不偿失的。
### 代码组织形式决定测试难度
很多时候代码是可以拆分出可独立进行单元测试的模块的，但是很多人没有意识到。因为很多人会把纯逻辑的代码和网络层、文件 IO 以及各种非必要的外部模块建立起依赖。
而外部依赖尽可能少的纯逻辑的函数才是高度可测的。因为固定的输入就会有固定的输出，让测试的 Expect 变得很好写并且很稳定。对于这样的模块，被测试充分覆盖之后，就不用担心 AI 改错代码造成 regression，就敢大胆交付，review 的心智负担就小不少。
### UI Components
UI Components 也是可以变成纯逻辑的。这意味着它们要不涉及 IO，没有 Side-Effect，不会被全局变量影响。
这样的 Components 上固定的输入可以有固定的输出，也就是固定的 Props 要产生固定的渲染结果。
那么配合 Storybook 这样的工具，给每个 Component 一组 Stories，就可以很清晰看到他们在各种不同场景下的渲染效果，而不用去 Mock 或者真的把应用跑起来观察。
这让我们很方便地去做 Snapshot Test。可以在类似 Chromatic 提供的服务，或者是我们自己通过Playwright的方式去做接入。
# Context
有时候是因为人缺少相对应的context，这时候你会很难判断改的某一段逻辑它是不是对的。
我发现这种场景非常适合让AI去提供context。
AI确实能提供非常大的帮助，因为我们现在缺少的context都可以让AI帮我们补齐。最近的体验在这上面还是非常好的，因为我们可以让GPT 5.2 或者 Opus 4.5去帮我们找到缺失的那部分context。比如某个算法不了解，我们可以让它在注释里面把这个算法完整介绍一遍，每个地方的原理是什么样的，它都可以帮我们写清楚。这让review过程变得非常丝滑。它还可以帮你补全执行流程。
目前最主要的感受是智能还是第一位的。更智慧的模型能提供的信息量和对我们意图的理解都会更准确，对指令的遵循也会更好，而且会有自己的判断。它有时候会拒绝你的请求，因为它觉得它自己才是正确的，这确实是好的模型表现出来的一些行为。
另外，之前Winsurf出的CodeMap，虽然它里面也有提供这种帮你review的工具，专门针对帮助你理解代码的场景，并提供了自己的可视化功能。但那个东西用下来目前感受还是帮助不大。一方面它交互不太符合直觉；另一方面，一个模型如果足够智能，它最终输出的就算是没有什么可视化修饰的 Plaintext 能够提供的价值就足够高。
所以现在还是模型本身的智能带来的体验差距最大。现在去买200刀每个月的套餐还是很划算的，毕竟不限制最好的模型的 Quota。
（这一篇大部分直接用 typeless 口喷的，感觉很不错
现在 AI Agent 开始有能力接管更多工作了。每个程序员的亲手写代码的必要性减少了，交给 Agent 的工作更多之后意味着 Review 容易成为效率瓶颈。
虽然 Vibe Coding 是不 Review 代码的，但这带来的后果是，Vibe Coding 的产品往往不适合用来做持续迭代，Vibe Coder 会逐渐失去对代码库的控制。所以，如果想在一个生命周期长需要持续迭代的产品上写代码，Review代码还是有必要性的。
# 老方法
以往很多老生常谈的代码规范实践，仍然能让review工作轻松不少。
## 静态类型
首先是静态类型检查。这些都是老生常谈了，静态类型检查也是现在TypeScript这类语言如此受欢迎的原因。在AI环境下，TypeScript应该是使用量最高的语言了，很大原因是它兼顾了灵活性和静态检查。它不需要受静态类型约束，可以变得非常灵活，另一方面又能提供超级灵活的类型去做很多检查，在编译期就能帮助我们检查掉很多问题。
但是，TypeScript语言毕竟还不是完美无缺的，因为TypeScript的类型是和它的Runtime分开的。所以，有时候你标注的类型和具体执行时的类型是错开的，Runtime可能拿到的是错误的类型。
在这种情况下，TypeScript实践的最好方式是：
1. 在类型检查方面，要打开所有严格的检查。
2. 从外部系统来的类型上加上 Zod 这样的 schema 检查
Lint 也很重要。
举个例子，如果你有一个 Promise 没有被await，然后你就直接拿它的值去做一些事情，TypeScript编译器本身是不会对这种行为报错的。但是在Linter下面是可以检查到这种问题的，而且这种问题很容易造成各种bug。我之前就因为类似的问题被卡过好多次。
这里面很大的原因是一个Promise在没有被await的时候，它是可以被拿去做if-else判断的。比如说，你的一个Promise返回的是一个boolean值，你没有await它，然后你直接去做真值判断，这个判断就过了。像这种问题就是Linter可以检查出来，而TypeScript编译器是查不到的。所以，也需要配上Linter的这种正确性检查。
## 测试
### 减少 Mock-heavy 的测试
测试大致可以分为单元测试和集成测试。单元测试往往测试的就是一个纯函数的行为，它是很小的。集成测试则是更完整的，比如把一个应用真的跑起来，或者直接测试一个 Lib 暴露出来的 API。
Mock-heavy 的集成测试应该尽量减少。因为这种测试实在太麻烦了，你需要模拟环境，写的Mock代码有时甚至比业务代码还要多。而且你Mock的可能不准确，行为又容易变，会导致你的代码变更变得不灵活。因为一旦中间层的抽象变了，Mock 层也要变化，从要要更改大量测试，往往从成本上来说是得不偿失的。
### 代码组织形式决定测试难度
很多时候代码是可以拆分出可独立进行单元测试的模块的，但是很多人没有意识到。因为很多人会把纯逻辑的代码和网络层、文件 IO 以及各种非必要的外部模块建立起依赖。
而外部依赖尽可能少的纯逻辑的函数才是高度可测的。因为固定的输入就会有固定的输出，让测试的 Expect 变得很好写并且很稳定。对于这样的模块，被测试充分覆盖之后，就不用担心 AI 改错代码造成 regression，就敢大胆交付，review 的心智负担就小不少。
### UI Components
UI Components 也是可以变成纯逻辑的。这意味着它们要不涉及 IO，没有 Side-Effect，不会被全局变量影响。
这样的 Components 上固定的输入可以有固定的输出，也就是固定的 Props 要产生固定的渲染结果。
那么配合 Storybook 这样的工具，给每个 Component 一组 Stories，就可以很清晰看到他们在各种不同场景下的渲染效果，而不用去 Mock 或者真的把应用跑起来观察。
这让我们很方便地去做 Snapshot Test。可以在类似 Chromatic 提供的服务，或者是我们自己通过Playwright的方式去做接入。
# Context
有时候是因为人缺少相对应的context，这时候你会很难判断改的某一段逻辑它是不是对的。
我发现这种场景非常适合让AI去提供context。
AI确实能提供非常大的帮助，因为我们现在缺少的context都可以让AI帮我们补齐。最近的体验在这上面还是非常好的，因为我们可以让GPT 5.2 或者 Opus 4.5去帮我们找到缺失的那部分context。比如某个算法不了解，我们可以让它在注释里面把这个算法完整介绍一遍，每个地方的原理是什么样的，它都可以帮我们写清楚。这让review过程变得非常丝滑。它还可以帮你补全执行流程。
目前最主要的感受是智能还是第一位的。更智慧的模型能提供的信息量和对我们意图的理解都会更准确，对指令的遵循也会更好，而且会有自己的判断。它有时候会拒绝你的请求，因为它觉得它自己才是正确的，这确实是好的模型表现出来的一些行为。
另外，之前Winsurf出的CodeMap，虽然它里面也有提供这种帮你review的工具，专门针对帮助你理解代码的场景，并提供了自己的可视化功能。但那个东西用下来目前感受还是帮助不大。一方面它交互不太符合直觉；另一方面，一个模型如果足够智能，它最终输出的就算是没有什么可视化修饰的 Plaintext 能够提供的价值就足够高。
所以现在还是模型本身的智能带来的体验差距最大。现在去买200刀每个月的套餐还是很划算的，毕竟不限制最好的模型的 Quota。
（这一篇大部分直接用 typeless 口喷的，感觉很不错
