AI 时代幸存者

Cursor：负责自动补全与小范围代码修改，高效传达任务意图 Claude Code：用于实现较大功能块，快速原型开发和跨领域代码尝试 GPT-5 Pro：解决最棘手的bug或复杂抽象，提供深度支持

AI Coding 在复杂业务逻辑处理中常因上下文膨胀导致目标失焦而任务失败，利用 Claude Code 的 Subagents 功能，我们可以创建多个专精于特定领域问题的 Agent，组件一个 A

原视频：Claude Code best practices 国内搬运：Claude Code 最佳实践 | Code w/ Claude 大会 Claude Code 心智模式 Claude 就像是

来自 Anthropic 官方的提示词优化建议： Be clear and direct Use examples (multishot) Let Claude think (chain of tho

DNN 训练过程 PyTorch、TensorFlow 等深度学习编程框架极大简化了深度神经网络的训练过程，“训练手写数字识别模型”可能是很多同学编写的第一段深度学习代码 乍一看，这些代码简洁明了，但

seq2seq -> RNN -> LSTM -> Transformer -> GPT，我不信看完还不懂 Transformer

计算机视觉的发展 计算机视觉是人工智能的核心分支，目标是赋予计算机像人类一样理解视觉世界的能力——从图像、视频等视觉数据中提取有价值的信息，完成分类、检测、分割、跟踪、理解场景语义等任务。 在早期，计

很多时候我们理解了深度学习的基本概念与原理，但阅读相关代码时候还是一头雾水，主要是因为往往是因为代码中隐藏了大量框架特有的设计模式和工程化操作，简单总结一下 Pytorch 中常见操作，帮助读者轻松阅

深度学习是机器学习的分支，机器学习领域演化出深度学习，主要是因为传统机器学习在处理复杂、非结构化数据（如图像、音频、文本）时遇到了挑战，特别是传统机器方法需要大量人工设计特征，耗时且需要领域知识，模型

作为一名开发工程师，可能对算法开发领域感到有些陌生，但其实它的核心是通过数据训练模型，并用这些模型解决实际问题。本文将以一个简单的“房价预测”问题为例，一步步了解算法工程师开发模型的完整过程。 零、使

Embedding、向量、无监督学习、卷积、RNN、Transformer、PyTorch……当你意识到 AI 时代已经到来，决定迈出学习的第一步时，是否也和我一样被这些繁多的术语弄得无所适从、不知从

一、MCP 是什么 MCP（Model Context Protocol，MCP）是 Anthropic 2024.11 推出的开源标准，旨在解决大模型与外部工具、数据源的集成难题。其核心作用是通过标

最近在做 AI 前端代码生成，之前用 Antd 时候发现生成的代码质量不错，但因为内部沉淀了大量更符合业务规范的组件，于是借助 MCP 把内部组件信息提供给大模型。 结果虽然使用了内部组件，但即使用了

在 2024 年底我还觉得 AI 取代程序员是遥不可及的事情，随着在 AI Code 领域个人学习和团队高密度的讨论、实践，个人的一些观点发生了 180 度掉头，AI 取代初级程序员的编程任务近在眼前