openclaw爆火这么久，再一次证明了AI Agent就是程序员的最大护城河，非程序员连发现和定义问的能力都没有。
这么多非程序员用上了openclaw，能调用可以调用的一切工具，
结果你看看他们较劲脑汁产出的东西，日常的应用场景和工作，也只有上小红书和微信里洗稿，以及在上爬新闻读评论。
一个经过标准训练过的科班程序员，最大的优势是known unknown，拥有一个知识体系，如果对于不知道的事情，知道该如何学习和检索，从哪里入门，有哪些实现，如何从architecture角度了解，
而非程序员连他们自己什么东西不知道都不知道，整个世界是一个巨大的unknown unknown。
因为知识的壁垒，程序员和非程序员的认知差距将会无限制扩大，
我预测，未来除了程序员以外，其他所有工作都会消失。
@https1024
这么多非程序员用上了openclaw，能调用可以调用的一切工具，
结果你看看他们较劲脑汁产出的东西，日常的应用场景和工作，也只有上小红书和微信里洗稿，以及在上爬新闻读评论。
一个经过标准训练过的科班程序员，最大的优势是known unknown，拥有一个知识体系，如果对于不知道的事情，知道该如何学习和检索，从哪里入门，有哪些实现，如何从architecture角度了解，
而非程序员连他们自己什么东西不知道都不知道，整个世界是一个巨大的unknown unknown。
因为知识的壁垒，程序员和非程序员的认知差距将会无限制扩大，
我预测，未来除了程序员以外，其他所有工作都会消失。
@https1024
早期做 Coding Agent 都比较喜欢将本地代码库进行向量化，结合 IDE 上下文，提前构建一份“高质量上下文”，再交给大模型去推理。这种方式延续了很久，为了加速响应，甚至会在本地部署一个小模型，用于做 tab-tab 的决策。
Claude Code 出来之后，整个流派就发生了变化，开始倾向于转到 Terminal 编程，cc 的行为特别像人类工程师 debug 的过程：看代码 → grep → 试改 → 跑命令 → 报错 → 再查 → 再改 → 直到跑通。
它对代码仓库的理解是比较片面的，但这并不影响它解决问题。通过最小试错的方式，一边做任务一边理解全貌，这个操作反而更符合直觉。
一个巨石应用在运转的时候发生了错误，我们不需要对巨石应用有全面了解，只需要根据报错特征，修复当前的报错问题就好了。
有个库叫做 CodeGraph，它支持跟 Claude Code 协作，首先将仓库代码进行向量化，然后提供 MCP 给 cc 调用，以替代 cc 的 grep 操作。它的核心目标是节省 token，从数据看，确实可以节省大概 20%+ 的 token，但效果大概率会有折扣。
CodeGraph 这类方案，存在几个比较难搞定的问题：1）代码是活的，图谱很容易过期，而 grep 永远是新的；2）很多时候并非找不到代码，而是改得对不对，得去改、去执行、去验证，CodeGraph 只解决了查找问题；3）一大堆的图谱数据交给 LLM，它能不能正确消化？要知道 LLM 也是不稳定和有幻觉的。
不过度依赖“看得很准”，才开始动手。 一边做，一边修正，一边逼近答案。这就是 Claude Code 的编程哲学。
Claude Code 出来之后，整个流派就发生了变化，开始倾向于转到 Terminal 编程，cc 的行为特别像人类工程师 debug 的过程：看代码 → grep → 试改 → 跑命令 → 报错 → 再查 → 再改 → 直到跑通。
它对代码仓库的理解是比较片面的，但这并不影响它解决问题。通过最小试错的方式，一边做任务一边理解全貌，这个操作反而更符合直觉。
一个巨石应用在运转的时候发生了错误，我们不需要对巨石应用有全面了解，只需要根据报错特征，修复当前的报错问题就好了。
有个库叫做 CodeGraph，它支持跟 Claude Code 协作，首先将仓库代码进行向量化，然后提供 MCP 给 cc 调用，以替代 cc 的 grep 操作。它的核心目标是节省 token，从数据看，确实可以节省大概 20%+ 的 token，但效果大概率会有折扣。
CodeGraph 这类方案，存在几个比较难搞定的问题：1）代码是活的，图谱很容易过期，而 grep 永远是新的；2）很多时候并非找不到代码，而是改得对不对，得去改、去执行、去验证，CodeGraph 只解决了查找问题；3）一大堆的图谱数据交给 LLM，它能不能正确消化？要知道 LLM 也是不稳定和有幻觉的。
不过度依赖“看得很准”，才开始动手。 一边做，一边修正，一边逼近答案。这就是 Claude Code 的编程哲学。
在 Overleaf 上写学术论文时，频繁在编辑器和 AI 工具之间来回切换，既打断思路，复制粘贴的过程也颇为繁琐。
不妨试下，PaperDebugger 这个开源插件，直接把 AI 助手嵌入到了 Overleaf 编辑器侧边栏。
专为解决学术写作痛点打造，内置了 “研究-评论-修改”的完整工作流，研究、审稿、修订，提供多步推理和结构化修改建议，而不只是简单的对问答。
GitHub：http://github.com/PaperDebugger/paperdebugger
支持上下文对，能直接读取当前项目内容，提供智能建议、修复 LaTeX 语法错误，并一键插入修改后的内容。
提供了 Chrome 插件开箱即用，同时也支持 Docker 私有化部署后端，确保敏感数据的隐私安全。
@https1024
不妨试下，PaperDebugger 这个开源插件，直接把 AI 助手嵌入到了 Overleaf 编辑器侧边栏。
专为解决学术写作痛点打造，内置了 “研究-评论-修改”的完整工作流，研究、审稿、修订，提供多步推理和结构化修改建议，而不只是简单的对问答。
GitHub：http://github.com/PaperDebugger/paperdebugger
支持上下文对，能直接读取当前项目内容，提供智能建议、修复 LaTeX 语法错误，并一键插入修改后的内容。
提供了 Chrome 插件开箱即用，同时也支持 Docker 私有化部署后端，确保敏感数据的隐私安全。
@https1024
#出海运营秘籍👉@yunying23
最近连着出差去见客户，去到客户每次看到密密麻麻的客服跟投手，就感觉投放真是劳动密集型产业，同一个账户，然后设置基本一样，只有素材跟一些人群包策略不一样
大家就在有限的操作和环境里面去不断地竞争抢量
最近连着出差去见客户，去到客户每次看到密密麻麻的客服跟投手，就感觉投放真是劳动密集型产业，同一个账户，然后设置基本一样，只有素材跟一些人群包策略不一样
大家就在有限的操作和环境里面去不断地竞争抢量
#出海运营秘籍👉@yunying23
不少不错的产品，其实是被自己的落地页（landing page）毁掉的。
页面塞得越满，用户反而越抓不到重点。借着最近重构页面，我给自己定了几条原则：
卡片能省则省。
现在很多介绍页铺满带阴影的圆角卡片，但如果去掉边框和底色不影响阅读就别加。
合理的留白和清晰的文字层级，比多余的装饰更有效。
动效要克制。
满屏特效只会让人觉得乱。
整个页面保留两三处作为过渡或引导就够了，动效的作用是引导，不是表演。
首屏不是产品说明书。
一句最核心的文案，一个操作按钮，仅此而已。
有两个简单的自检方法：遮住 Logo，用户能不能一眼看出这是什么产品？
把首屏文案发给陌生人，他们能不能在五秒内说出你解决了什么问题？做不到，就重写。
从一开始就用真实文案。
占位符会骗你，让你以为结构没问题。
真实的文案逻辑会直接暴露页面哪里讲不通，比先套模板再往里填内容，省去很多返工。
每个区块只讲一件事。
不要在同一屏里既讲品牌故事，又罗列功能，还促注册。
标题用最直白的话写，确保用户快速滑过时也能立刻明白这一屏的重点。做不到，就精简，直到做到为止。
最后记住三个字：做减法！
不少不错的产品，其实是被自己的落地页（landing page）毁掉的。
页面塞得越满，用户反而越抓不到重点。借着最近重构页面，我给自己定了几条原则：
卡片能省则省。
现在很多介绍页铺满带阴影的圆角卡片，但如果去掉边框和底色不影响阅读就别加。
合理的留白和清晰的文字层级，比多余的装饰更有效。
动效要克制。
满屏特效只会让人觉得乱。
整个页面保留两三处作为过渡或引导就够了，动效的作用是引导，不是表演。
首屏不是产品说明书。
一句最核心的文案，一个操作按钮，仅此而已。
有两个简单的自检方法：遮住 Logo，用户能不能一眼看出这是什么产品？
把首屏文案发给陌生人，他们能不能在五秒内说出你解决了什么问题？做不到，就重写。
从一开始就用真实文案。
占位符会骗你，让你以为结构没问题。
真实的文案逻辑会直接暴露页面哪里讲不通，比先套模板再往里填内容，省去很多返工。
每个区块只讲一件事。
不要在同一屏里既讲品牌故事，又罗列功能，还促注册。
标题用最直白的话写，确保用户快速滑过时也能立刻明白这一屏的重点。做不到，就精简，直到做到为止。
最后记住三个字：做减法！
