从 Skill 到 Skills 2.0：Anthropic 这半年怎么把 Agent Skills 做进软件工程
为什么需要 Skills 这个东西 用 Claude Code 或者 Cursor 写了一段时间代码的人大概都有同一种感受：模型本身没问题，它的通用能力常常让人惊讶，但一旦要它按公司内部的流程办事——比如按团队的 commit 规范写一条 commit message、按特定的 PPT 模板出一份项目周报、按财务系统的字段填一份报销单，它就突然变回一个刚入职三天的实习生。它不是不会写，而是不知道这边是怎么干这件事的。 这个"懂通用能力但不懂组织上下文"的鸿沟，就是 Anthropic 在 2025 年 10 月开始填的坑。他们给出的答案叫 Agent Skills。 时间线 2025 年 10 月 16 日：Skills 诞生 Anthropic 工程博客发了一篇标题直白的文章，《Equipping agents for the real world with Agent Skills》，署名 Barry Zhang、Keith Lazuka、Mahesh Murag。文末附了一句"who all really like folders"，...
Karpathy 视角下的 LLM 编码缺陷：四条行为准则的深度解析
LLM 编码的自作主张 长期用 Claude Code、Cursor、Copilot 写代码的人大概都熟悉一种感觉：模型并不是不会写，而是写得太多、太聪明、太自作主张。让它修一个 bug，它顺手把无关代码风格也改了；让它加一个简单功能，它给你抽象出三层接口和一套配置系统；让它重构 X，它没问清楚 X 的边界就开始动手。 Andrej Karpathy 在 X 上发过一段对这类问题的精炼归纳，forrestchang 把它整理成了一个 GitHub 仓库 andrej-karpathy-skills，提供一份 60 多行的 CLAUDE.md，外加 Claude Code Plugin 的安装方式。这个仓库的内容可以同时用于 Claude Code、Cursor 以及任何支持 CLAUDE.md 形态的 LLM 编码工具。 这篇文章想讨论三件事：Karpathy 到底诊断出了哪四个偏差、对应的四条行为准则怎么用、以及一个更实际的问题——这套准则到底应该装成 skill 还是直接写进 CLAUDE.md。 Karpathy 观察到的四个系统性偏差 仓库 README 引用了 Karp...
共和党还剩几个派系？——MAGA、Freedom Caucus 与特朗普的党内权力
一个流行的说法是：共和党已经不是原来那个共和党了，它是"MAGA 党"。 这个说法一半对、一半不对。从 2016 年到 2025 年，共和党在党纲、人事、候选人提名、外交立场上都被特朗普翻了个底朝天，2024 年党代会通过的新党纲整篇读下来像是他本人的竞选演讲。但共和党并没有"合并"成一个 MAGA 整体，它内部的派系其实比民主党还多、还乱。特朗普不是消灭了派系，而是压过了派系，所有派系都必须围绕他重新定义自己的位置。 几个绕不开的问题：共和党现在到底有哪些派系？"MAGA 党"这个说法成立到哪一步？特朗普对党的控制力深到什么程度？那个动不动就上新闻的 Freedom Caucus（自由连线/自由党团）到底是干什么的？ 一、先搞清一个常识：美国国会的"党"不是铁板一块 和很多东亚国家的政党不同，美国两党都没有党中央、没有党纪处分，也没有"开除党籍"这回事。国会山上真正在运作的不是"党"，而是一堆自愿组成的党团（caucus）。一个议员同时加入三四个 caucu...
美国警察暴力与大规模监禁深度调查
每当 George Floyd、Tyre Nichols 这样的名字登上头条，一个老问题就会被重新提起：美国警察每年到底打死多少人？其中多少死于枪杀？ 这个问题听起来应该有标准答案。美国是世界上数据最透明的国家之一，但联邦政府长期拿不出一份准确的官方数字。真正可靠的数据来自《华盛顿邮报》、《卫报》和一群志愿者搭起来的民间数据库，它们与 CDC 官方统计之间的鸿沟，是这个国家在公共安全治理上最尴尬的一道伤口。 本文用多个独立来源交叉核对，回答两个核心问题：一年死多少？多少死于枪？顺带解释，为什么这个看似简单的数字，在美国是一道几十年没解决的统计难题。 讨论警察暴力绕不开它的另一头——监狱。前端是警察在街头打死公民，后端是国家把公民关到老，两件事共享同一套刑事司法系统、同一套政治激励。所以本文分成两部分：前七节谈警察致死，后九节谈大规模监禁。只写一半，就永远只看到了半张脸。 第一部分 · 警察暴力 一、每年约 1,300 人死于警察之手 根据 Mapping Police Violence（MPV，由 Campaign Zero 维护）的 《2024 Police Violence...
苹果印度产能转移深度调查：一场价值千亿美元的制造业大迁徙
2025 年 3 月的一个深夜，一架满载 iPhone 的货运包机从印度金奈起飞，直奔美国。这批价值 20 亿美元的手机，是苹果有史以来最大规模的一次印度空运。在特朗普关税大棒即将落下的前夜，库克用一种近乎"抢跑"的方式，向全世界宣告了一个事实：iPhone 的制造版图，正在发生不可逆转的重构。 这不是一个简单的"搬工厂"故事。这是一场涉及地缘政治博弈、供应链重塑、劳动力素质鸿沟、基础设施短板的复杂系统工程。苹果的原计划是什么？印度扩产进度顺利吗？遇到了哪些始料未及的问题？本文试图用数据和事实，还原这场价值千亿美元的制造业大迁徙的全貌。 为什么要离开中国？ 要理解苹果的印度战略，首先要理解它为什么要离开中国——或者更准确地说，为什么要降低对中国的依赖。 一场疫情暴露的致命弱点 2022 年底，郑州富士康因疫情封控导致大规模生产中断。这座被称为"iPhone 城"的超级工厂，巅峰期拥有超过 35 万名工人和约 38 条产线，承担着全球 iPhone 产量的半壁江山。当它停摆时，苹果在圣诞旺季遭遇了严重的供货危机。 这一事件...
沉默的杀手：美军在东南亚留下的未爆弹药深度调查
半个多世纪前，美军在东南亚投下了人类历史上最密集的炸弹雨。战争早已结束，但炸弹从未停止杀人。 本文基于 Landmine & Cluster Munition Monitor、美国国务院、联合国开发计划署（UNDP）、国际红十字委员会（ICRC）、老挝国家监管局（NRA）等权威机构的公开数据，系统梳理美军在老挝、越南、柬埔寨三国留下的未爆弹药（Unexploded Ordnance, UXO）规模、持续伤亡，以及国际社会的回应。 一、历史背景：人类史上最猛烈的轰炸 1.1 老挝——“地球上被轰炸最多的国家” 1964 年至 1973 年间，美国在老挝发动了一场未经国会授权的秘密战争（Secret War）。根据美国国会记录（Congressional Record, 1975 年 5 月 14 日）和 Legacies of War 的数据： 投弹总量：超过 200 万吨弹药 轰炸任务：580,000 次——相当于每 8 分钟投下一架飞机的炸弹载荷，持续 9 年不间断 集束弹药：投下超过 2.7 亿枚集束子弹药（submunitions），当地人称之为"bo...
Java栈帧省略机制详解：为什么异常堆栈会消失？
引言：诡异的异常堆栈消失现象 线上服务报错时，你打开日志准备排查问题，却发现异常堆栈信息神秘消失了： 1java.lang.NullPointerException 只有短短一行异常类名，没有完整的堆栈跟踪。你可能会怀疑：是日志框架出问题了？还是被什么拦截器截断了？ 其实，这是 JVM 的一个性能优化机制，叫做 OmitStackTraceInFastThrow（快速抛出时省略堆栈跟踪）。从 JDK 5 开始引入，默认启用。 本文将深入剖析这个机制的设计动机、工作原理、触发条件，以及如何正确应对。 一、问题场景：异常堆栈去哪了？ 1.1 复现现象 用一段简单的代码就能复现： 123456789101112public class ExceptionOmitDemo { public static void main(String[] args) { String msg = null; for (int i = 0; i < 500000; i++) { try { ...
Coding Agent 代码检索技术全景：从 GREP 到知识图谱
Coding Agent 的核心能力之一是在陌生代码库中快速定位相关代码。无论是修复一个 bug、实现一个新功能，还是回答一个架构问题，Agent 的第一步几乎总是：找到相关的代码在哪里。 这个看似简单的问题，实际上是整个 Agentic Coding 领域最基础也最棘手的挑战。不同的 Coding Agent 给出了截然不同的答案——Claude Code 坚持用 grep，Cursor 构建了基于 Merkle 树的向量索引，Aider 用 PageRank 算法生成 RepoMap，Graphify 则把代码库变成了一张知识图谱。 这些方案之间是什么关系？是同一层次的竞争方案，还是不同层次的互补技术？各家的取舍逻辑是什么？未来的发展方向又在哪里？ 本文从技术原理出发，逐层拆解当前主流的代码检索方案，分析它们的设计哲学与工程取舍，最终给出一个统一的分层理解框架。 全景导图 %%{init: {'theme':'base', 'themeVariables': {'primar...
Agentic Coding 深度解析：从架构原理到多 Agent 协作
AI 编程工具的演进，正在经历一次根本性的范式转变：从"补全光标处的代码"，到"自主完成端到端工程任务"。这种转变有一个专有名词——Agentic Coding。 围绕 Coding Agent 的讨论，常见两种极端：将其神化为自主智能体，或将其贬为"不过是提示词工程"。两种判断都失之简单。理解这个转变，需要从三个层面展开：工具层（OpenCode 的能力边界）、框架层（多 Agent 协作编排）、方法论层（如何让 Agent 真正服务于工程流程）。本文从真实的架构出发，拆解 Claude Code、OpenCode 等工具的实现模式，厘清各自的设计取舍，深入探讨子 Agent 的本质与多 Agent 协作的核心问题。 什么是 Agentic Coding 传统 AI 编程助手的工作模式是响应式的：开发者提问，AI 回答；开发者选中代码，AI 补全。人始终是执行者，AI 是辅助工具。 Agentic Coding 的工作模式是自主式的：开发者描述目标，Agent 自主规划步骤、调用工具、执行操作、验证结果，直到任务完成...
Graphify 深度解析：用知识图谱重新定义 AI 编码助手的代码理解能力
项目地址：safishamsi/graphify（⭐ 27.6K） 版本：v4（截至 2026-04-16） 一句话总结：把代码、文档、论文、截图丢进去，生成一张可查询的知识图谱，让 AI 编码助手从"逐文件 grep"进化到"按图索骥"。 你有没有过这样的体验——在 Claude Code 里问一个架构问题，它花了 80% 的 token 在 Glob 和 Grep 上翻文件，最后给你一个似是而非的答案？ 这不是 AI 不够聪明，而是它看不到全局。 Graphify 就是来解决这个问题的。它不是又一个 RAG 工具，不是又一个向量数据库，而是一个面向 AI 编码助手的知识图谱构建技能——用确定性的 AST 解析 + LLM 语义提取，把你的代码库压缩成一张结构化的图，然后让 AI 先看地图再找路。 它到底是什么 Graphify 是一个 Claude Code skill（现在也支持 Codex、OpenCode、OpenClaw、Factory Droid、Trae 等平台），核心做的事情只有一件：把任意文件夹变成一张可查询的知识图...
