潘智祥

一封邮件

月初，我们公司发了一封内部邮件。

邮件不是很长，主要就是说：接下来 AI 工具的使用会有三个月的”观察期”，三个月后视情况再调整。

Claude Code 是现在最强的 coding agent 之一，它的 system prompt 是最值得学习的 agent 资源之一。我把它移植到了开源框架 Pi Agent 里。

Claude Code 的 system prompt 并没有官方开源，但是https://cchistory.mariozechner.at/ 可以看到所有的版本迭代记录。

AI Agent 的概念火了两年，开源社区里相关的框架也长出了一大片。翻一圈下来会发现一个问题：大多数框架要么「太重」，要么「太死」。

太重的那一类——架构宏大、概念层叠，还没开始写第一行定制代码，光理解框架本身的命名和约定就耗尽了热情。太死的那一类——倒是不复杂，但稍微想加点自定义行为，就发现处处碰壁，框架在设计上根本没有给你留入口。

Claude Code 能在一个会话里持续工作很久——搜索代码、读文件、改代码、跑测试、看报错、再改——这个过程可能涉及几十轮工具调用。但每一次工具调用的结果都会塞进对话历史：一个 grep 搜索可能返回几千行，一个 cat 可能读出整个文件。不到十轮，200K 的上下文窗口就可能被塞满。

然而你几乎感受不到这个限制。它从来不会突然说”对不起，上下文满了，我们得重新开始”。

源码揭示了背后的机制：一套 6 层渐进式压缩架构，从工具执行的那一刻起就在控制上下文膨胀，直到最终的对话摘要。每一层成本递增、破坏性递增，系统总是优先用最轻量的方式解决问题。

有一些 AI Agent 产品，你问它一个问题，它思考一下、调用一两次工具，然后就给你个回答，结束了。哪怕任务还没做完，它也像”到点下班”一样停下来了。

但 Claude Code 不一样。你跟它说”帮我重构这个认证模块”，它会自己去搜索代码、阅读文件、分析依赖关系、动手改代码、跑测试、发现测试挂了、再改、再跑……直到任务真正完成。整个过程可能会经历几十轮工具调用，完全不需要你中间催它。

opencode 是一个对新手非常友好的 AI 编程工具：

• 自带免费的大模型可用

• 零配置上手，在项目目录里直接使用

• 开源，能直接看源码，对想学 Agent 的人来说，也是一份非常不错的学习资料

最近看到很多人都在推荐 opencode。我自己其实已经用习惯了 claude code 和 codex，本来不打算折腾新的工具。但架不住推荐的人实在太多，还是试了一下……结果现在我也想推荐它了。

读书

我翻了一下微信读书，今年竟然读完了 5 本书。我之所以惊讶这个数字，是因为我完全没有印象，现在也完全想不起来这 5 本书的内容了。

今年应该是从 2020 年以来读书最少的一年，而且效果也是最差的：竟然完全不记得书中的内容，也没有任何一本书让我印象深刻。

大家估计看过很过大模型的评测。基本上都是设想几个编程场景，然后用几个不同的模型进行对比。

但在真实的工作场景中，我们面对的更多是一个已经存在、可能庞大复杂的代码库。要在这样的代码库中理解架构、找到关键信息、做出正确修改，这才是真正的挑战。

这次，我让kimi k2 thinking 面对了一个地狱级考验：在拥有 8 万行代码、500 多个文件的 MkSaaS 模板库中，开发一个”纳瓦尔语录”网站。

AI Agent绝对是今年最热门的岗位之一。

我经常在各种平台上看到有人说想转AI Agent方向的工作，我们组有一个”AI Application Developer”岗位从今年年初招聘至今还没有找到合适的候选人，而且我自己也在做这个岗位，于是就从技能、薪资、地域等角度分析了一下目前市场上AI Agent相关的岗位。

薪资分析

前几天看到一个帖子。

我其实也一直很好奇这个问题。