最新

在观看了Anthropic最近的事后分析（anthropic.com/engineering/april-23-postmortem）后，我开始思考我对Claude Code的不同处理方式。他们降低了默认的推理努力以修复延迟，称之为错误的权衡，并在公众审查下进行了回退。虽然这些回退是好的，但并没有改变我一直忽视的基本方程。 事实上，我们现在可能有一支工程师团队可供使用。令牌成本是真实的成本，但我无法为我个人的工作雇佣自己的工程师。如果用这种视角来看待令牌使用，思路就会发生变化。它不再是关于成本上限的问题，而是变成了成本/产出/质量的视角，就像我在真实团队中考虑雇佣决策一样。 我现在关注的四个方面是：模型、配置、提示和代理。 关于模型。Opus在关键决策和架构推理方面仍然是最强的。Sonnet通常足够用于编码和简单的重复性任务。我会根据工作选择合适的模型。如果我贪图便宜，就不能指望质量。 关于配置。/effort的范围从低到高。Opus 4.7的默认值是xhigh。我会根据工作调整级别。快速编辑不需要最大值，而架构决策则需要。这是我之前一直忽视的最便宜的选择。 关于提示：我发现最有效的三种模式。 1. “如果不确定，请提问。”没有这个，我就没有给模型留出余地，这会限制解决方案，即使没有明确的答案，也需要显露权衡。 2. “时间和成本在这里不是因素。优先考虑稳健、可持续、可扩展的解决方案，不留下技术债务。”这反转了任务执行期间隐含的优化压力。 3. “反思本次会话，并通过claude.md或技能记录你所学到的，以便下一次迭代不再重复同样的错误。”值得将其作为技能记录并为自己迭代。没有这个，每次会话都从零开始，重复我已经纠正的错误。 关于代理。虽然不想详细展开，因为这本身就是一个完整的主题，但对我有效的模式是使用代理来分离关注点。一个代理负责对代码进行规范审查（代码是真实来源），另一个代理在实施后进行代码审查。 工程和产品团队一直在市场速度与成本和质量之间取得平衡。人工智能也不例外。不同之处在于我选择了哪些杠杆。故意在努力上花费预算，工作就会以我想要的水平回报。

鉴于最近有消息称某个代理删除了生产数据库，我认为现在是分享这个信息的好时机。<p>随着在生产环境中使用人工智能工具变得越来越普遍，类似上述的高调事件也将会增多。<p>Fewshell 是一个专门设计的终端代理，旨在避免这种情况的发生。<p>该工具没有启用命令自动批准的设置。这是设计使然，以确保用户不必担心或猜测是否不小心启用了该功能。<p>我最初的想法是构建一个人工智能移动终端，以简化输入 shell 命令的过程。但由于市场上有许多支持移动设备的“爪子”代理，我决定让 Fewshell 成为一个与自主代理相反的工具。<p>如果你喜欢，请给我点赞，告诉我你的想法。我很乐意回答任何问题。<p>关于我：我曾是亚马逊 Alexa AI 的高级软件开发工程师，目前在代理强化学习的人工智能安全研究领域工作。我使用这个工具来运行和检查我的实验室实验。

请运行 /login · API 错误：403 {“类型”:“错误”,“错误”:{“类型”:“权限错误”,“消息”:“账户不再是与此令牌关联的组织的成员。”}}<p>无法连接到 Claude 请检查您的连接。