Claude

为什么我需要三套 OpenCode 配置 我的 ~/.config/opencode/ 目录下有三个 opencode.json。起因很简单：我想同时跑 oh-my-openagent（以下简称 omo）和 oh-my-opencode-slim（以下简称 oms），对比着用，搞清楚各自的边界在哪。 ...

📖 本文是「AI 之路初阶升级指南」系列的第 5 篇（共 5 篇）——系列导航 + 毕业考核。 系列导航 篇 主题 核心内容 第一篇 理解你手里的工具 LLM 本质（不是搜索引擎）、工作记忆 vs 长期记忆、主流平台与专用工具 第二篇 从模糊提问到精确指令 RBGO 提问框架、Chain-of-Thought 思维链、格式约束 第三篇 把 AI 变成协作伙伴 追问迭代、上下文管理（开新对话/进度总结/分段处理）、角色扮演 第四篇 建立个人体系 Prompt 库、场景-工具映射（国际/中国双方案）、知识管理分层策略 第五篇 毕业考核与下一步 L1 达成清单、L1→L2 双路径预告 ...

📖 本文是「AI 之路初阶升级指南」系列的第 4 篇（共 5 篇）。 第一篇：理解你手里的工具 · 第二篇：从模糊提问到精确指令 · 第三篇：把 AI 变成协作伙伴 · 第四篇：建立个人体系 · 第五篇：毕业考核与下一步 前三周学了追问、上下文管理、角色扮演……技巧越积越多，问题来了：这些零散的能力怎么统一管理？第四周就干这件事——建 Prompt 库、选对工具、做知识管理，把你学到的东西固化成一套个人体系。 ...

技巧卡：选 AI，看场景不看排名 试了一圈 ChatGPT、Claude、Gemini，最后还是不知道该用哪个？ 别纠结了——这个问题本身就问错了。不存在"最好的 AI"，只有"最适合当前任务的"。 ...

TL;DR: Anthropic 的对齐研究表明，教模型"为什么"比教"做什么"更有效——误对齐率从 22% 降到 3%。本文拆解四组实验，提炼出三个可迁移的 prompt 设计教训。 ...

TL;DR: 这是「AI 之路初阶升级指南」系列的第一篇。整个系列共 5 篇，覆盖 4 周练习 + 毕业考核。系列导航将在全部篇目发布后更新。 引言：你是不是也这样用 AI？ 我观察过身边很多朋友使用 AI 的方式，发现一个普遍规律——他们已经对 ChatGPT、Claude 这些工具不陌生了，日常也偶尔会用，但体验非常不稳定：有时候 AI 给出的回答让人拍案叫绝，有时候却牛头不对马嘴，完全没法用。 ...

昨天某技术群里有朋友说 GPT-5.4 的表现还不如豆包，问问题常常不读题就瞎回复。追问了一下，得知对方喂了很多文档，对话轮次也很长了。这大概率不是模型的问题——是上下文腐烂（context rot）了。 ...

五篇文章之后，我想退一步，看看脚下的路。 Aristotle：让 AI 学会从错误中反思 讲了设计理念和初版实现。claude-code-reflect：同样的元认知，落在不同的土壤 讲了跨平台移植的坎坷。信任边界：同一个想法在开放系统和受限系统上的实现实验 提出了信任分层模型。从四道伤疤到一套铠甲：Aristotle 改造中的驾驭工程实践 用改造过程验证了理论。一份 Markdown 的三次生命：从静态规则到 Git 版本管理的 MCP Server 把反思规则从 append-only 推进到了 GEAR 协议。 ...

三篇文章之后，再次回到代码，今天要做一个深刻的反思。 第一篇 Aristotle：让 AI 学会从错误中反思 讲了设计理念和顺利的实现过程——3 个 commit 一气呵成。第二篇 claude-code-reflect：同样的元认知，落在不同的土壤 讲了同样理念搬到 Claude Code 上的适配代价——从 V1 到 V3 的持续迭代。第三篇 信任边界：同一个想法在开放系统和受限系统上的实现实验 提出了信任分层模型和驾驭工程的思考框架。 ...

同样的元认知能力，落在不同的土壤上，发芽的姿态和路径会截然不同。 上一篇 Aristotle：让 AI 学会从错误中反思 的核心设计是三个原则：即时触发、会话隔离、人在回路。这些原则听起来平台无关，但当把同一套理念搬到 Claude Code 上时，才发现平台差异比想象中大得多。 ...