老金的分享

使用 AI 代理进行大规模代码迁移的分步指南——包括 Bun 百万行 Zig 到 Rust 的移植。

过度依赖 AI 编码，工程师的调试能力平均下降 47%——这是造 Claude Code 的公司自己承认的。编码 Agent 带来的「认知债务」不会当场报错，却在悄悄拿走你判断代码好坏的能力。这篇聊聊它为什么危险，以及我自己在用的 5 条对冲纪律。

从「输入一句话生成手绘图」到部署上线，踩遍额度、SDK、产品形态的坑，再把假登录、假账单补成真能跑的东西——一个小项目从 Demo 到能用的 SaaS 的完整记录。

AI 写了我大半个项目，但核心重构我一直不敢让它自己跑。后来我想通了：卡住我的不是 AI 的能力，是我从没把'什么叫对'做成一个能自动跑的检查。AI 时代真正稀缺的，是把判断编译成可执行代码的能力。

AI 把构建成本压到了每月 20 美元，一个周末就能做出来的东西反而越来越不值钱。独立开发者的胜负手从'能不能做出来'，搬到了需求、判断、分发这三件事上——造得起，不等于做得对。

纳德拉说 AI 时代的核心资产是学习循环，不是模型。和 Anthropic 的执行层、吴恩达的分工层叠起来，Loop 有了三层含义——执行、分工、复利。独立开发者怎么建自己的 Token 资本？

Anthropic 的《Getting started with loops》讲怎么把 Loop 造好，吴恩达讲三层 Loop 的分工——其实是同一件事的两个缩放级别。一篇教你操作，一篇告诉你精力该往哪投，合起来才是 Loop Engineering 的全貌。

Anthropic Claude Code 团队官方博客译文。把 Agent 循环按触发和停止方式分成四类：基于回合、基于目标（/goal）、基于时间（/loop、/schedule）和主动式循环，讲每种适合什么任务、怎么保住代码质量、怎么控制 token 用量。

Loop Engineering 被过度营销。90% 的场景不满足 Loop 的前提条件，一个写得好的 prompt 就够了。

Anthropic 内部从个人 Claude harness 到组织级 Claude Tag 的转变：共享身份、异步委托、主动可调——以及这套思路尚未解决的问题。