AI Coding 目前已经成为标配，但现实是有的团队效率提升 3 倍，有的团队却效果一般。问题不在 AI，而在使用方式。
很多人把 AI 当成「更聪明的程序员」：帮我实现一个XX功能， 然后会得到一段「看起来没问题」的代码
但这种方式的问题在于：
它只是基于已有上下文，生成一个「自洽的结果」，而这个结果就是：代码能运行，但是很多功能偏离预期或者边界未处理
所以关键不在于AI 能不能写代码，而在于：你有没有能力约束 AI 写出满足需求的代码
真正有效的 AI Coding，不是写 Prompt，而是一个工程模型：
1 | Context（上下文控制） |
这五个能力不是并列关系，而是一条执行链路：
1 | Task → Context → Constraint → Checkpoint → Verification |
本质是：把概率性的「生成问题」转化为「受控的执行过程」
当前，AI 的自动化「实现能力」正在迅速增强，代码生成、逻辑补全、测试构建，已经不再是主要瓶颈
目前真正决定效率上限的，正在变成：我们是否能够清晰地定义任务、边界和验收标准
当这些被完整定义后，AI 就可以自动完成实现、验证与修复，直至满足规格约束
这场变化不再是工具升级，而是工程能力结构的迁移。而规范驱动开发，正是这种迁移的实践形式
在工程讨论中，一旦提到「大模型应用开发」，立即就会出现一大堆的概念：LangChain / LangGraph、Agent Loop、Tool Calling、Memory 管理、Planning 策略、Orchestration 等等
但现实项目中，大量需求并没有复杂到需要构建运行时系统，很多场景只是希望可以封装一个能力、提供一个结构化的交互，同时可以被稳定复用
对于这类问题，更务实的路径是：不要从零构建 Agent，而是基于通用Agent 进行扩展 —— 通过编写Skills
本文将通过一个真实示例说明，如何仅通过定义一个 Skill，就实现一个完整可用的小型大模型应用
在把一件事交给 AI 之前，我们心里往往有一个隐含期待：“它应该能帮我省点事”
但实际操作中，流程通常是：先解释背景，再说明目标，中途补充"之前没写清楚但很重要"的约束，等 AI 给出结果后，开始修改、校对、推翻重来。做到一半，一个念头会自然浮现：
“这件事，我是不是自己来反而更快？”
如果你有过这种感觉，先别急着怀疑 AI，也别急着怀疑自己。更可能的问题是：我们一开始就在问一个不太对的问题
Most best practices are based on one constraint: Claude’s context window fills up fast, and performance degrades as it fills.
如果你用 Claude Code 做过真实项目，大概率经历过这种事：
问题不全在模型，真正出问题的是一个容易被忽视但很重要的：上下文（Context Window）
Claude Code 官方文档反复强调 context window，但很多人仍然把它当成“聊天长度限制”
实际上，它更像是一种会被污染、会老化、需要管理的工程资源。
如果你已经用过 Agent，可能会有一种很真实的感觉：
好像是会用了，但真让我讲清楚 Agent 是怎么跑起来的，又有点说不明白。
比如：
很多时候，我们是跟着框架把 Agent 跑通了。
可一旦遇到下面这些情况，就会开始有点卡：
这时候你大概率会觉得：Agent 有点像黑盒。
但其实，Agent 真没那么复杂。
如果你愿意把框架先放一边，只看最底层的 API，就会发现：
Agent 本质上，就是几个很普通的东西，被我们拼在了一起。
这篇文章想做的事情也很简单：
不用任何 Agent 框架，只用基础API + Java，一步一步把 Agent 是怎么工作的“摊开来看”。
不追求花哨，只追求你看完之后能说一句：“哦，原来 Agent 是这么回事。”
那我们直接开始。
过去两年，大模型能力的提升有目共睹。
对话越来越自然，推理能力不断增强，看起来几乎“无所不能”。
但在真实的工程实践中，很多人都有类似的感受：
Demo 很惊艳，真正落地却并不轻松。
问题往往不在模型能力本身，而在于：
我们仍然在用早期的工程抽象，承载已经高度复杂的 AI 能力。
本文尝试从工程视角，回顾 AI 应用从「对话」到「Skills」的演进路径。
曾经编写的费用分摊的小程序，如今已焕新升级。我为其接入了AI能力，打造出一个能理解指令、预测操作的智能助手。程序的核心代码由Claude Code协助编写。
现在，通过简单的自然语言就能与它对话。更棒的是，它能预判我的下一步操作，并提前给出提示。预测准确时，只需一键确认即可，让操作效率倍增。
体验地址：https://zhengw-tech.com/expense/ai-chat.html，可以先自行操作体验下
如果大家还有兴趣，下面开始详细介绍功能使用指南～
注：AI 生成，略有调整
在日常开发中，我们经常需要同时处理多个分支：
main 或 develop）feature/*）hotfix/*）大多数人为了同时开发或调试多个分支，会这样做： 再 clone 一份仓库，然后在另一个目录里切换到不同分支。
但这样带来很多问题：
其实，Git 内置了一个优雅的解决方案 —— git worktree。
之前进行过机器学习的数学笔记-回归中，主要是人工计算导数以及更新计算
本次为对应《动手学深度学习》线性回归部分内容，使用PyTorch 来简化实现
找到合适的数据比较麻烦，我们可以自己生成对应的测试用的数据，添加一定的噪声
线性模型：$\mathbf{y}=\mathbf{W}\mathbf{X}+b$，其中 $\mathbf{W}$ 和 $\mathbf{X}$ 都是矩阵
比如可以是$y=w_1x_1 + b$ 也可以是 $y=w_1x_1+w_2x_2+b$ 等等
我们可以根据输入的 $\mathbf{W}$ 和 $b$ ，根据$\mathbf{W}$的形状生成对应高斯分布的$\mathbf{X}$，执行 $\mathbf{y}=\mathbf{W}\mathbf{X}+b$ 获取对应的 $y$ 值