蛇年的关键词应该是——“决定”，有太多需要向左向右做选择的时刻。
从4月到10月，个人处在工作和家庭的夹缝中，状态一直很混沌。四月一整月成都老家两头奔波，之后没缓多久又进入7 ~ 9月的高强度工作状态，整个人像掉了一层皮（很契合蛇年生肖😂）。
在十一的间隙，终于有时间去思考。当放下了执念，开始关注当下，才能明白自己真正追求的是什么。
今年的决定或许会影响到未来5年的发展，但我仍觉得是正确的，而且赶上这波AI对行业的重塑，或许有更多的机会。
2026/2/13大约 5 分钟
很多人谈论AI时，默认它会提升所有人的效率。但从近期的就业市场信号来看，实际情况并非如此平均。
AI 并没有平等改善所有人的职业处境，它更像一个能力放大器。
它会让本来就有判断力、工具能力和独立交付能力的人，产出进一步放大；也会让那些主要依赖重复执行、流程衔接和中间协调工作的人，更快感受到岗位压力。
这意味着，科技就业正在进入一种越来越明显的 K 型分化：一端是更能借助 AI 放大价值的人；另一端则是被更高要求重新筛选、持续承压的中间层岗位。
2026/3/17大约 5 分钟
这两年我越来越强烈地感觉到，信息问题早就不是获取不到，而是处理不过来。
真正让我疲惫的，不是没东西看，而是每天都有太多东西值得看：公众号文章、技术博客、GitHub Release、AI 新闻、社区讨论、长文、短讯、碎片化观点等等，全都在争夺我的注意力。
如果不做点什么，一个人的信息生活很容易退化成这样：
- 收藏夹里躺满了文章，真正读完的却寥寥无几
- 每天浏览大量内容，能留在脑子里的却屈指可数
- 输入看似充实，输出却异常薄弱
- 以为自己一直在吸收信息，实际上只是在不同窗口间疲于切换
2026/3/17大约 19 分钟
今年 3·15 晚会曝光了黑产通过 GEO（生成式引擎优化）技术给 AI"投毒"的事件。
被点名的力擎 GEO 优化系统，可以通过批量制造虚假信息、伪装内容来源，直接影响 AI 的推荐结果。更夸张的是，这项服务还提供抹黑竞品功能，通过向 AI 投喂虚假信息，干扰竞争对手的搜索表现。
这已经不是传统意义上的"软文"了，而是对"答案本身"的操控。
2026/3/16大约 4 分钟
核心观点使用 AI 分析总结，笔者进行了一些调整，仅供参考。
过去一年，AI 公司和政府的关系一直在升温，但大多数讨论还停留在“谁签了单”、“谁拿到资格”和“谁更贴近监管”的层面。
直到这次 Anthropic 与五角大楼的正面冲突，问题才真正被摊开：对于大模型公司来说，进入政府市场，已经不只是产品能力、报价和交付周期的竞争，而开始变成一场安全定义权的竞争。
它看上去像一次企业公关危机，甚至像一场舆论战，但如果把视角再拉远一点，会发现它更像一场前哨战。AI 厂商、政府采购规则、国家安全逻辑，以及企业自己坚持的技术伦理边界，第一次如此直接地撞在了一起。
2026/3/6大约 9 分钟
马斯克说："美国芯片可能因缺电而闲置。"
这不是危言耸听。当 xAI 开始自己买燃气轮机发电、英伟达跑去投资核能公司、美国紧急批准 750 亿美元电网扩建，透露出一个信号：
AI 竞争的下一站，不在机房里，而在机房外。
2026/3/4大约 3 分钟
过去几年，内容平台最常见的治理词是反作弊，即处理刷量、搬运、作弊等行为。
但从这轮AI 魔改专项治理开始，风向已经变了。平台不再只打击违规操作，而是在主动修复认知失真。
换句话说，过去是防流量作假，现在是防认知污染。
2026/3/3大约 4 分钟
在《肖恩技术周刊25年总结》的来年规划中有一项是提升周刊的全流程自动化。终极目标是让个人只聚焦于阅读和笔记，剩下的交给工具，让它自己“写”出一篇周刊。
但若纯靠自己撸代码实现工具，虽然也能完成，但成本会高很多。一方面技术栈不熟，先学再写，时间成本过高；另一方面，日常事务繁忙，根本无法抽出整块时间进行沉浸式编程。
于是，我自然就想到了和AI结对编程。既能满足需求，又能借此深入了解市面上的各种AI编程工具，完成对AI编程的探索，可谓一举两得。
事不宜迟，说干就干！
PS：嫌“太长不看”的朋友可直接跳到总结部分。
2026/1/23大约 9 分钟
本文最早撰写于4月，当时效果一般且工具JoyCode未开放外网因此文章也未发布。经过8个月的发展，编程智能体有了很大进步，越来越可用，生成的效果也越来越好。因此在新工具上执行了文章中相关案例，重新整理发布一下。
XML之父Tim Bray有个好玩的说法：“代码不写测试就像上了厕所不洗手……单元测试是对软件未来的一项必不可少的投资。” 从下图可以了解到85%的缺陷都在编码阶段产生，而发现Bug的阶段越靠后，修复成本就越高，而且是指数级别的增高！
从缺陷修复成本出发，单元测试的含金量不言而喻。
2025/12/10大约 38 分钟
省流总结：
LLM之所以能“知道”应调用哪个MCP服务及其参数，并不是源自模型本身具备实时解析接口的能力，而是依赖于智能体框架在运行时自动收集、整理所有可用服务的描述和参数定义（schema）。
这些结构化信息通过特定的Prompt或函数调用协议作为上下文注入LLM。LLM基于用户输入和这些服务信息推理出是否需要发起服务调用，并以标准化格式（如JSON）输出调用指令和参数。
框架再解析LLM输出并完成实际调用，并将结果返回给大模型进行后续处理。
2025/5/26大约 5 分钟