April 2026

一个让”会说话就会做应用”的开源项目，普通人真的能用吗？ 最近在研究 AI 编程学习工具时，Datawhale 团队的 easy-vibe 让我停留了很久。 它的定位一句话：“会说话就会做应用”。 听起来很理想——但马上有个疑问：我完全不懂编程，连Python都没写过，这真的可能吗？ 今天聊聊这个项目，以及它到底是怎么让”零基础”变成”做出东西”的。 先回答一个真实的问题：”会说话”是什么意思？ 很多人看到”会说话就会做应用”会有一个误解： “是不是要我学会Python才能用？” 不是。 这里说的”会说话”，不是指你会写代码，而是指你能说清楚你想要什么。…

普通人的AI编程指南：不用写代码，也能用上工程级的AI助手 最近在研究 AI 编程工具时，发现了一个让我眼前一亮的东西——addyosmani/agent-skills。它把”资深工程师是怎么干活的”打包成 AI 可以复用的 Skills，GitHub 上 2.3 万星，MIT 协议，随便用。 但今天不想聊这个项目本身有多牛。想聊一个更实在的问题：普通人能不能用这套东西？用了能干嘛？ 先说人话：这套东西是干嘛的 你可以理解成：有一帮Google的前端工程师，把自己做项目的”标准流程”写成了一份”AI使用手册”。 比如你想让

从”AI辅助编程”到”AI驱动工程化”：agent-skills 带来了什么？ 最近在研究 AI 编程工具链时，发现了一个有意思的项目——addyosmani/agent-skills。这是一个将资深工程师开发流程打包成可复用 AI Agent Skills 的开源项目，GitHub 星标 2.3 万，fork 超过 2800，MIT 协议。

Token消耗量能衡量AI价值吗？ 最近看到一种做法：有些公司把团队成员的AI Token消耗量纳入绩效考核。理由是”用得多说明用得勤”。 这个逻辑，我认为站不住脚。 Token消耗量反映的是过程，不是结果 同样写一份招标分析报告： A用了2000个Token，完成了。 B用了500个Token，也完成了。 如果只盯着Token，B的”AI使用量”更低。但两个人产出的结果可能是一样的。那凭什么说B用得不好？ 用Token衡量AI价值，本质上是用”投入”代替”产出”，这是KPI倒置。就像衡量销售业绩看打了多少电话而不是拿了多少订单一样荒唐。 更好的评估维度：看投入产出比 评估一个人用AI用得好不好，其实就看三点： 任务完成率。分配的任务有没有按时完成，质量怎么样。这是最直接的产出指标。 时间节省了多少。以前做一个标书要两天，现在要多久？如果AI真的帮上忙了，这个数字应该明显下降。 交付质量有没有下降。不是为了快而快，快的同时质量也得过得去。