AI助力老系统迭代升级
许多公司都面临着遗留系统的挑战，尽管开发重心已转移，这些系统仍需客户支持。维护它们很棘手，因为经过多次人员更迭，交接文档可能已过时或缺失。当突然需要更新时，新接手的团队成员可能会感到措手不及。维护这些系统的阻力显而易见。代码量巨大，且可能缺乏本地测试环境。在代码库中定位特定功能是一项挑战，但确定是否存在其他关联依赖更为困难。即使找到了代码，如果没有业务背景，也很难理解逻辑。对破坏其他功能的恐惧使得修改变得危险，而且由于缺乏知识，测试变得困难。这些障碍主要源于缺乏业务理解。传统上，恢复业务逻辑需要漫长的熟悉
用AI核查AI：我开发的fact-check工具四次踩坑记
上周遇到一件让人后背发凉的事。AI帮我汇总资料时写道「Claude现在是200k token」，还信誓旦旦地引用了官方博客作为佐证。但实际上现在已经是1M token了。它并非故意欺瞒，只是把半年前的数据当作当下事实写了出来。这种失误最危险，因为表述得很肯定、还能搬出各种背书资料，肉眼根本无法辨别。等真正派上用场时才发现「这个早就改了」，之前基于错误信息做出的决策全得推倒重来。于是我开发了一个叫fact-check的skill，专门让AI去验证AI整理的内容是否准确。工作原理很直接：把内容中的事实陈述逐条
人机协作实践心得
技术选型、功能范围、边界界定，这些核心决策需要人来把控。AI 的角色是执行落地，而非替代人类做判断。具备扎实基础的人借助 AI 如虎添翼，基础薄弱的人使用 AI 则可能事与愿违。对架构、业务、工程的理解深度，决定了你驾驭 AI 的上限。AI 无法弥补个人短板，只会让强者如虎添翼。面对涉及面广或难以把握全局的问题，先启用 plan 模式进行系统性思考和步骤规划。将方案保存到项目中，防止中途打断后，新会话丢失之前的上下文。理清思路比快速写代码更关键。将大功能分解为小模块，每完成一个独立单元就提交一次。避免期待
人形机器人半马赛场上暴露的技术难题
摔倒即数据，限时即倒逼，人形机器人(15.160, 0.13, 0.86%)需要在压力中完成迭代。 4月19日，在北京亦庄人形机器人半程马拉松现场，不少人惊叹于“闪电”机器人跑赢人类的速度，还发现今年“翻车”场面似乎变少了。 今年共有102支赛队，完赛队伍47支。其中，以自主导航方式完赛的赛队18支，以遥控方式完赛的赛队29支，完赛率超45%。对比去年首届半马，仅有6支队伍成功完赛。 清华大学自动化系研究员赵明国介绍，通过这场比赛可以发现机器人硬件的可靠性、续航能力、自主能力都有改进。 第一财经记者注意到