TARE-Learn/企业培训3-1逐字稿/郑州企业培训 3-1 第一天 下.md

---
source: get-note
note_id: "1912686428476747496"
note_type: "local_audio"
created: 2026-06-13 13:20:49
synced: 2026-06-15 15:54:21
link: https://biji.com/note/1912686428476747496
tags: [get笔记, 郑州企业培训, 公开分享, "AI编程"]
---

# 2026年06月12日 14点07分.m4a

### 📑 智能总结

#### 录音信息
- **时长**：约 3 小时 2 分钟
- **参与人数**：约 6 人
- **内容类型**：技术培训分享

#### 录音总结

本次培训分享围绕AI辅助代码开发，讲解了提示词设计、上下文管理、模型能力选型、幻觉控制、规则配置等核心内容，同时针对学员提出的问题进行答疑，明确了后续培训安排与AI开发落地的量化方向。

**AI辅助代码开发提示词设计原则**
* **合格任务的核心要素**：一个合格的AI任务需要满足明确性、范围约束、边界约束、输出格式四个要求。明确性要求具体到优化点，不能笼统描述；范围约束要求限定本次修改只涉及特定子功能，不对整个模块做重构。
* **边界约束要求**：需要告知AI红线规则，比如不能删除原有代码逻辑、不能修改中文注释，必须遵守项目现有代码规范，包括架构分层、命名规范等。
* **输出格式要求**：标准输出需要包含本次修改的操作列表、代码diff变化、测试用例、验收标准四个部分，验收只能以功能是否符合要求为标准，不需要考量代码逻辑本身。
* **任务示例对比**：笼统要求优化用户管理模块，AI会扫描所有用户相关代码，给出多维度无关优化建议；明确要求审查用户删除权限，限定范围为用户管理页面的增删改操作，要求输出表格不修改代码，AI可以精准定位目标文件，只输出符合要求的审查结果，减少token消耗。

**AI开发上下文选择策略**
* **必填上下文要素**：向AI提供上下文必须包含目标、范围、输入文件、约束四个要素，不需要可以不要求输出格式，避免不必要的token消耗。
* **上下文层级分类**：上下文共分为四个层级，分别是工作空间级、文件级、代码级、外部资料级。工作空间级适合陌生项目了解整体架构，文件级适合聚焦特定功能模块分析，代码级适合分析单个函数方法，外部资料级适合查询框架文档与技术选型资料。
* **上下文压缩的影响**：当输入内容超过模型上下文窗口大小，模型会自动压缩上下文，压缩方式包括去除格式、提取关键词、只保留最近几轮对话，压缩必然会带来内容缺失，增加幻觉概率。
* **上下文选择原则**：选择上下文遵循先宽后窄的渐进原则，陌生项目先从工作空间级开始，再逐步缩小到文件级、代码级，避免一次性输入过大上下文造成污染与不必要的token消耗；完成一个功能模块后建议开启新对话，减少幻觉。

**主流大模型能力梯队划分**
* **国内模型梯队**：国内第一梯队模型为Kimi、Deepseek、GLM，第二梯队为Minimax、豆包、千问闭源版，第三梯队为开源千问等模型，版本越新的模型能力越强。
* **不同模型适用场景**：Deepseek代码开发出错更少，逻辑链更严谨，token单价低，上下文缓存最长可达半天以上，多轮对话成本远低于其他模型；豆包和Kimi处理文档类工作表现更好。
* **模态能力区分**：分为单模态与多模态模型，单模态只能处理文字，多模态可以处理文字、图片、音频、视频，原生多模态从训练初期就包含多模态数据，能力比后天追加多模态能力的模型更强。
* **模型收费规则**：模型收费分为上行输入与下行输出，命中缓存的请求价格远低于未命中缓存，Deepseek缓存时间长，长期使用成本更低。旗舰模型token消耗费率是非旗舰模型的1.5-1.6倍，同样额度下能处理的任务量更少。

**AI代码开发幻觉控制方法**
* **幻觉产生原因**：AI代码开发常见幻觉分为死循环幻觉与虚构内容幻觉，死循环表现为查找文件时不断交叉触发查找无法得出结论；虚构内容表现为项目不存在对应文件，AI会自行构造内容输出。幻觉产生一方面和模型参数设置有关，越不理性的模型越容易产生联想型输出，另一方面和上下文不准确有关。
* **幻觉控制方案**：控制幻觉的核心是强制要求AI必须基于项目已有的事实输出，先找证据，再判断原因，最后给出方案，要求明确区分确定事实、合理推测、无法确认三种情况。
* **幻觉处理方案**：如果AI频繁出现幻觉，最优方案是更换更理性的一线模型，若上下文过多导致幻觉，建议开启新对话，使用干净的上下文重新处理任务。

**Git忽略文件配置规范**
* **需要忽略的文件类型**：真实配置文件、构建产物、本地环境文件不需要提交到Git仓库。不同AI开发工具会生成不同的隐藏文件，比如`.vscode`、`.code`等，所有AI相关隐藏文件都需要配置到Git忽略列表中。
* **AI上下文提交规则**：有留存价值的AI对话上下文可以提交，但不能将密钥、敏感数据放到AI上下文中提交；为解决单个bug产生的多轮无价值对话不需要提交。
* **敏感信息风险控制**：配置忽略规则时，需要屏蔽包含敏感信息的配置文件，禁止将数据库密码、Redis密钥、JWT密钥、第三方服务密钥等敏感信息提交到代码仓库。

**AI代码开发规则Ruler配置方法**
* **Ruler的作用**：Ruler是用来约束AI输出行为的规则，核心作用是减少AI输出的随机性，强制AI按照项目规范生成代码，同时节约AI每次学习项目架构的token消耗。
* **Ruler编写规范**：编写Ruler需要明确四个要素：触发场景、必须执行的动作、禁止绕过的要求、验收方式。触发场景只对匹配的模块生效，避免不必要的触发。
* **Ruler层级设计**：Ruler分为全局规则与项目级规则，全局规则适用于整个技术部门所有项目，比如前端按钮仅做交互控制，不能作为安全边界，增删改操作必须记录操作日志；项目级规则针对具体项目的技术栈与功能做细化规范。
* **前端Ruler示例**：前端通用Ruler包含API调用规范、命名规范、状态管理规范，要求列表必须有loading、空、错误三种状态，表单必须做必填校验，操作失败后要正确处理提交按钮与弹窗状态，敏感操作必须增加二次确认，字典值必须复用已有配置不能硬编码。

**学员问题答疑与讨论**
* **代码质量提升方案**：AI生成代码质量和原有项目代码质量正相关，提升质量可以让AI扮演资深安全开发工程师，以挑剔的视角做代码审查，通过角色扮演强制AI找出潜在问题，比常规请求更容易得到明确的优化建议。
* **Ruler使用必要性讨论**：如果模型能力足够强，能自主学习项目架构，可以不写Ruler；超大型项目、需要精细化控制输出、使用小尺寸本地模型时，Ruler的作用更明显。所有周边技术（Ruler、Skill、MCP）的核心目标都是把概率模型的输出变成确定性结果。
* **异常流量消耗问题**：如果工具不操作也会大量消耗流量，一般是代码索引更新导致，检测到代码改动后会重新做项目索引；也有可能是软件更新被安全策略拦截后不断重试，建议联系官方客服排查。
* **额度不足解决方案**：当前工具开放了自定义API接入，额度用完后可以自行接入第三方模型，小米2.5 Pro降价99%，申请通过率高，适合个人使用；Deepseek成本低，也适合作为补充。

**AI开发落地量化指标讨论**
* **现有可用指标**：企业版后台目前只能提供生成代码量、token消耗量两个基础指标，无法直接体现AI对开发效率的提升。
* **指标收集方案**：可以结合Git提交日志与工单管理系统，通过AI分析提交行为，结合工单完成时间来量化人效提升；内网物理隔离环境下，可以通过Git hook做简易埋点统计，或者将提交日志导出后用AI分析提交特征。
* **当前额度配置**：公司当前给每人配置了1亿的基础额度，额外配置了4亿的Deepseek额度，用户额度消耗差异大，激进用户会快速用完额度，可以后续根据使用情况调整分配策略。

**后续培训安排规划**
* **本次培训目标**：本次两天培训的核心目标是给不同使用基础的同学拉齐AI开发的基础认知，第一天讲解基础概念与使用方法，第二天会针对Skill开发、工作流程做针对性讲解，同时带读相关书籍，收集问题做针对性答疑。
* **第二天培训安排**：明天上午为半天培训，会补完今天未讲完的内容，讲解技术演进八卦，梳理常见使用困惑，带读书籍结构，收集学员问题后做针对性解答；明天下午项目组会讨论给老板汇报的AI编程工作规划材料。

**AI辅助开发实践的经验总结**
* **Skill的价值**：Skill是封装好的标准化流程，不管是资深开发还是实习生都能使用，可以明确提升开发效率，是当前AI落地的核心方向，后续会专门安排分享。
* **上下文精准性的价值**：提示词越精准，AI匹配的Skill越准确，token消耗越少，输出结果越符合需求，泛化的提示词会让AI反复匹配Skill，造成不必要的token浪费。
* **小模型大作用的思路**：使用小尺寸本地模型时，可以通过精准的Ruler规则约束输出，实现接近大模型的使用效果，降低使用成本。

**不同AI开发工具的使用体验分享**
* **工具稳定性评价**：反重力工具改版后体验变差，已经很少使用；Cursor目前使用体验相对稳定，个人可以通过闲鱼购买共享额度，美区ID方式可以正常使用。
* **自定义模型接入**：当前工具已经开放自定义API接入，可以自行部署模型接入，也可以直接接入第三方官方模型，解决原生额度不足的问题。

---

### 📅 章节概要
[00:00:00](https://getnotes.seek:0) **AI开发任务设计基础讲解**

讲解AI辅助代码开发的两种工作模式，一种是AI思考后直接修改代码，另一种是AI先提问确认，再输出任务清单，任务清单可以避免AI丢失上下文。提出笼统的任务比如“优化用户管理模块”会让AI无法明确优化点，输出不符合需求的内容。

[00:03:09](https://getnotes.seek:189) **合格AI任务的四个核心要求**

明确一个合格的AI任务需要满足四个要求：
- 明确性：要求具体到优化点，不能笼统描述整个模块
- 范围约束：限定本次修改只涉及特定子功能，不对整个模块做重构
- 边界约束：告知AI红线，比如不能删除原有代码、不能改中文注释，必须遵守现有代码规范
- 输出格式：要求包含修改操作列表、代码diff、测试用例、功能验收标准

当前一线大模型已经会主动推荐优化点，会按照优先级排序，用户只需要确认高优先级优化点是否符合需求即可。

[00:08:04](https://getnotes.seek:484) **不同清晰度提示词效果对比**

演示模糊提示词的执行过程：第一次提笼统优化需求，AI询问具体优化点，用户明确为删除权限审查后，AI才开始分析模块，这个过程会产生两轮对话，浪费token与时间。演示精准提示词的效果，精准提示词明确要求分析按钮权限调用链路，限定范围为用户管理页面增删改，要求不修改代码只输出表格，AI可以直接精准定位目标文件，输出符合要求的结果，减少无效消耗。

[00:16:50](https://getnotes.seek:1010) **标准提示词模板展示与效果验证**

展示审查用户删除权限的标准提示词模板，明确任务、范围、禁止操作、输出要求，AI按照要求输出了关键文件、风险判断、修改建议、验证步骤。对比模糊提示词，精准提示词输出的结果更聚焦，不会额外扫描无关代码，符合用户的实际需求，提示词越详细，AI匹配Skill越精准，token消耗越少。

[00:25:11](https://getnotes.seek:1511) **上下文核心要素与层级分类讲解**

讲解给AI提供上下文的必填要素，包括目标、范围、输入文件、约束四个部分，输出格式不需要可以不要求，避免不必要的token消耗。将上下文分为四个层级：
- 工作空间级：适合陌生项目，全量扫描项目生成整体认知
- 文件级：聚焦单个文件，分析文件用途、调用关系、修改影响
- 代码级：只分析选中的几十行代码，聚焦具体函数
- 外部资料级：查询外部文档、框架新特性，做技术选型调研

[00:29:54](https://getnotes.seek:1794) **上下文压缩与选择决策树讲解**

讲解当输入超过模型上下文窗口时，模型会自动压缩上下文，压缩方式包括去除格式、提取关键词、只保留最近几轮对话，压缩必然带来内容缺失，增加幻觉概率。给出上下文选择决策树：陌生项目不知道入口文件用工作空间级，知道修改哪个文件用文件级，不理解单个函数用代码级，查框架资料用外部级，选择遵循先宽后窄的渐进原则，避免一次性输入过大内容，完成一个功能后开启新对话能减少幻觉。

[00:38:03](https://getnotes.seek:2283) **不同层级上下文使用示例讲解**

讲解工作空间级上下文适合项目初期了解架构，要求AI输出具体文件路径、类名、方法名，标注代码依据，这个阶段的目标是让AI和开发者都了解项目，不是立刻解决问题。文件级上下文适合已经有整体认知后，聚焦特定模块分析，查找速度更快，匹配更精准，减少token消耗。代码级上下文适合分析单个方法，明确方法作用、调用关系、失败处理逻辑，输出结果最精准。

[00:54:10](https://getnotes.seek:3250) **模型能力选型问题答疑开场**

讲解完上下文相关内容后开放提问，有学员询问当前系统各模型的能力差异与选型方法，主讲人开始介绍国内主流模型的梯队划分。

[00:59:55](https://getnotes.seek:3595) **国内主流模型梯队划分**

主讲人从使用体验出发，划分国内模型梯队：第一梯队为Kimi、Deepseek、GLM，第二梯队为Minimax、豆包，千问闭源版可进入第一梯队，开源千问属于第二或第三梯队，版本越新的模型能力越强。补充不同模型的适用场景：Deepseek代码开发出错少，逻辑严谨；豆包和Kimi处理文档类工作表现更好。

[01:01:41](https://getnotes.seek:3701) **单模态与多模态模型区别讲解**

讲解模型的模态分类：单模态只能处理文字，多模态可以处理文字、图片、音频、视频；原生多模态从训练初期就包含多模态数据，能力比后天追加多模态能力的模型更强。补充说明内置模型排序将第二梯队模型放在前面，是因为其为自家产品，token单价更低。Deepseek V4 Pro本身是单模态，不支持识别图片，不同部署方式会衍生出不同的版本。

[01:03:30](https://getnotes.seek:3810) **Deepseek模型成本优势讲解**

补充Deepseek V4 Pro的核心优势，一是能力强，二是token单价低，三是上下文缓存时间长，可以达到半天到一天以上，而国外模型缓存只有5分钟，缓存过期后重新请求需要重新付费，因此Deepseek使用成本远低于其他模型，适合在一个对话里持续完成任务。

[01:07:51](https://getnotes.seek:4071) **token消耗异常问题解答**

有学员提问为什么新建对话会大量消耗token，解答：AI的整个思考循环过程都计算token消耗，如果AI反复查找文件，会产生多轮循环，整体token消耗会很高，有时候一个简单问题也会产生很高的消耗，甚至出现一次消耗几百元的情况。解答小米模型的相关问题：小米2.5 Pro最近降价99%，使用体感接近Deepseek V4 lite，复杂任务能力弱于Deepseek，简单任务和其他模型拉不开差距。

[01:10:02](https://getnotes.seek:4202) **模型套餐额度计费规则说明**

说明套餐额度的计费规则：不同档位模型费率不同，非旗舰模型按1倍费率计算，旗舰模型按1.5-1.6倍费率计算，因此相同额度下，旗舰模型能处理的任务更少，具体规则可以找官方工单确认。有学员提问如何提升AI生成代码的质量，提到AI生成代码质量和原有项目代码质量正相关，原有代码质量差，生成的质量也差，询问如何提升。

[01:14:49](https://getnotes.seek:4489) **提升AI代码质量方法分享**

分享提升代码质量的方法：可以让AI扮演资深工程安全专家，用挑剔的视角找出潜在问题和优化点，这种角色扮演比常规请求更容易得到明确的结果，避免AI倾向于少改动、恭维开发者。这种方式本质是通过重新定义AI的角色，让AI更严肃理性地审查代码，已经通过这种方式找出了很多之前被忽略的问题。

[01:16:25](https://getnotes.seek:4585) **不同编程语言模型选型建议**

解答编程语言相关的选型问题：最终代码需要开发者兜底，因此没有强制推荐，团队可以做量化评测，让测试同学转化为评测岗，用10个模型分别跑相同任务，统计完美成功率，输出量化指标推荐模型，开发者可以根据指标选择，也可以按照个人习惯选择。提到本次培训第一天先拉齐基础认知，第二天会专门分享Skill开发与工作流程，Skill已经得到行业认可，能明确提效，适合不同经验的开发者使用。

[01:22:16](https://getnotes.seek:4936) **闲置状态流量异常问题解答**

有学员反馈工具不使用也会产生大量流量消耗，甚至单日达到好几G，分析可能的原因：一是工具检测到代码改动后会重新生成代码索引，这个过程会消耗token；二是可能无意间将内部依赖上传，或是软件更新被安全策略拦截后不断重试，建议联系官方客服排查，企业版可以让官方介入定位异常原因。

[01:24:53](https://getnotes.seek:5093) **中场休息与第三方模型接入说明**

安排休息十分钟，休息期间讨论额度超标后的解决方案，当前工具已经开放自定义API地址，支持接入自行部署的模型，小米模型赠送大量token，申请通过率高，适合作为补充；Deepseek成本低，也适合补充使用。讨论目前企业版只有内置模型有额度，第三方模型需要自行付费，目前业内都是个人自行解决第三方模型的费用问题。

[01:31:17](https://getnotes.seek:5477) **AI开发工具使用体验闲聊**

闲聊不同AI开发工具的使用体验：反重力工具改版后体验变差，已经不再使用；Cursor目前体验相对稳定，个人可以通过闲鱼购买共享额度，用美区苹果ID可以正常使用，Google验证严格，容易封号不推荐。提到不同人的使用习惯不同，没有统一的最优选择，按照个人习惯选择即可。

[01:36:18](https://getnotes.seek:5778) **AI代码开发幻觉问题讲解**

休息结束后继续讲解，讲解AI开发中的幻觉问题，开发场景中常见的幻觉是死循环，即查找文件时不断交叉触发查找，无法得出结论；另一种是虚构内容，项目不存在对应文件，AI会自行构造内容输出。幻觉产生和模型的理性参数有关，模型是概率模型，越不理性的模型越容易选择低概率的错误输出，更换更理性的模型是解决幻觉的最优方案。

[01:41:24](https://getnotes.seek:6084) **幻觉控制方法讲解**

讲解幻觉控制方法，要求AI必须先基于项目已有事实找证据，再区分确定事实、合理推测、无法确认三种情况，最后再给出方案。演示后端项目没有前端登录页面，让AI修改登录页面的场景，理性模型会直接告知不存在该页面，不会构造虚假内容，当前一线模型已经很少出现低级幻觉，上下文过多导致的幻觉，可以通过开启新对话解决。

[01:48:02](https://getnotes.seek:6482) **Git忽略文件配置规范讲解**

讲解Git忽略文件的配置规范：真实配置文件、构建产物、本地环境文件不需要提交，不同AI开发工具生成的隐藏文件都需要加入忽略列表。有价值的AI对话上下文可以提交，但不能包含密钥、敏感数据，解决单个bug产生的无价值对话不需要提交。需要屏蔽包含敏感信息的配置文件，禁止将数据库密码、第三方密钥等敏感信息提交到仓库。

[01:53:11](https://getnotes.seek:6791) **Ruler规则配置基础讲解**

讲解Ruler的作用与编写方法，Ruler是约束AI输出的规则，可以按照项目配置不同的规则，编写Ruler需要明确四个要素：触发场景、必须执行的动作、禁止绕过的要求、验收方式。触发场景可以限定只在对应模块触发，避免不必要的执行。Ruler分为全局规则和项目级规则，全局规则适用于所有项目，项目级规则针对具体项目做细化。

[02:00:16](https://getnotes.seek:7216) **权限规则Ruler示例讲解**

展示权限相关的全局Ruler示例：要求前端按钮仅作为交互控制，不能作为安全边界，修改权限必须检查后端对应接口的权限配置；所有增删改导出操作必须记录操作日志。这种规则可以强制AI生成的代码符合项目安全规范。敏感规则要求不能输出明文密码、密钥，不能提交真实生产配置，示例配置必须使用占位符。

[02:05:31](https://getnotes.seek:7531) **Ruler层级设计讲解**

讲解Ruler的层级设计：全局规则约束通用规范，项目级规则针对具体技术栈做细化，比如Java项目要求检查权限注解，Node项目要求检查路由权限，技术栈相同可以复用同一套全局规则。可以基于工具自带的code review规则，修改为符合自身项目需求的自定义规则，规则尽量用英文编写，英文对AI来说歧义更少。

[02:14:18](https://getnotes.seek:8058) **前端Ruler规则示例讲解**

讲解前端Ruler的设计方法，不能直接复用网上的通用方案，需要结合项目实际调整，明确前端修改流程：先找入口，再从页面到API模块再到权限字典，逐步修改，每一步明确禁止操作，要求必须检查前后端全链路，不能只改前端忽略后端。给出前端通用规则示例：新增按钮必须复用已有组件，接口必须放到对应API模块不能硬编码，敏感操作必须增加二次确认，字典必须复用已有配置不能硬编码。

[02:25:10](https://getnotes.seek:8710) **规则作用答疑**

解答老项目提升代码质量的问题，如果原有老代码质量较差，可以通过Ruler强制要求AI按照规范生成新代码，提升整体代码质量，规则可以设置为智能生效，只在操作对应内容时触发。展示完整的前端工程通用规则，涵盖列表、表单、字典、导出删除等各个场景的要求，比如列表必须有loading、空、错误三种状态，表单必须做必填校验，操作失败后要正确处理UI状态。

[02:33:37](https://getnotes.seek:9217) **规则相关问题答疑开场**

今天内容讲解完成，开放提问，针对规则和AI开发的相关问题做答疑，线上线下学员都可以提问。有学员提问知识库是自己积累还是可以先生成再完善，解答wiki文档本质就是给项目代码建立索引，让AI不需要每次全量扫描，能提升查询速度，wiki可以让AI生成，后续开发者再手动完善。

[02:35:16](https://getnotes.seek:9316) **规则生成方法答疑**

解答规则生成相关问题：规则可以先由开发者定义框架，比如要求后端代码分为ctrl、service、do三层，明确每一层的职责，再让AI生成符合要求的完整规则，项目本身已有框架，只需要把框架要求告诉AI，AI就能生成对应的规则。讨论Ruler是否必须添加，模型能力变强后，已经能自主学习项目架构，不添加Ruler也可以使用。

[02:38:31](https://getnotes.seek:9511) **Ruler作用讨论**

讨论Ruler的价值：超大型项目、需要精细化控制输出、使用小尺寸本地模型时，Ruler的作用更明显，能约束AI输出，避免AI抽风输出不符合要求的内容。Ruler可以节约AI每次学习项目架构的token消耗，上下文溢出、模型输出降质时，Ruler能提升输出质量。所有AI周边技术，包括Ruler、Skill、MCP，核心目标都是把概率模型的输出变成确定性结果。

[02:42:55](https://getnotes.seek:9775) **后续培训安排说明**

说明第二天的培训安排：明天上午为半天培训，补完今天未讲完的内容，讲解Ruler的技术演进，梳理常见使用困惑，带读相关书籍的结构，收集学员问题后做针对性答疑，后续会针对收集的问题做专项解答。有学员提问项目带宽限制，解答限制是为了避免上下文爆炸，模型会优先查找附近文件，控制上下文大小。

[02:45:35](https://getnotes.seek:9935) **今日培训收尾与明日安排确认**

确认明天上午九点开始培训，明天下午项目组会讨论给李老板汇报的AI编程工作规划材料，征集大家的问题和诉求，方便写到汇报材料中，今日培训结束，后续自由交流。

[02:48:02](https://getnotes.seek:10082) **线下自由交流：AI开发指标讨论**

线下剩余人员讨论AI开发落地的量化指标问题，企业版后台目前只有token消耗量、生成代码量两个指标，维度不足，说服力不够。公司当前给每个人配置了1亿基础token额度，额外配置4亿Deepseek额度，已经有用户在几天内就用了1.8亿额度，不同用户的消耗差异很大。崔本身的token消耗比CloudCode更高，缓存做得不好，整体成本更高。

[02:54:47](https://getnotes.seek:10487) **内网隔离环境指标收集方案讨论**

讨论内网物理隔离环境下的指标收集方案，内网物理隔离无法做中转站审计，只能通过Git hook做简易埋点，或者导出Git提交日志后，让AI分析提交行为，结合工单管理系统的工单完成时间，量化人效提升。可以通过提交频率、工单完成时间来衡量AI对开发效率的提升，当前只能做粗略统计，无法做到非常精准。

[03:02:25](https://getnotes.seek:10945) **交流结束**

确定后续逐步完善指标统计方案，结束本次交流。

### ✨ 金句精选

- “提示词越精细，那么它针对于的回答也是更符合我们的要求。这样的话，我们确保它每一次执行任务时，就能不会大批量修改整个文件，也不会改整个项目里的一些东西。” (执行策略)
- “有时候也不是说上下文给的越多，它就越好，因为它也可能会存在上下文污染的情况，以及丢失上下文。” (方法技巧)
- “如果我们一上来就把一个非常大的问题丢给AI。那它消耗的token也是非常大的。而且未必是你想要的一个东西。” (执行策略)
- “如果说AI最后只是给出了一个结论，然后其他什么都没有，那么说明这一轮上下文对AI，就是对AI来说是没有任何价值的。” (方法技巧)
- “所有周边技术，包括Ruler、Skill、MCP，核心目标都是把概率模型的输出变成确定性结果。” (战略洞见)
- “我们谁也没有办法确定这种神经网络概率模型，它百分百每次出的都是我们想要的，所以我们就需要用规则去约束它。” (思考启发)

### 📋 待办事项
- 说话人3：发工单咨询官方，确认模型套餐额度的具体计费规则
- 说话人3：联系官方排查闲置状态异常流量消耗的原因
- 培训组织者：在微信群收集学员问题，汇总后用于后续答疑
- 项目组：明天下午讨论给老板汇报的AI编程工作规划材料
- 说话人5：完善AI开发量化指标的统计方案
- 主讲人：明天上午补完今天未讲完的内容，讲解Ruler演进与常见困惑
- 主讲人：明天带读相关书籍，梳理书籍结构

（检测到输入中无`(我)`标记，停止生成）

---

## 🎙️ 原始 ASR

🟢 说话人1 [00:00:00]
就是他可能经过思考，然后就会直接去操作改你的代码。第二种方式就是他可能经过思考，然后又会询问你几个问题。然后呢，在之后就会把这个代码先生成一个任务列表，这任务列表可能就有第一项我要做什么，第二项我要改哪些文件，第三项改完后我如何进行验收，第四项我是如何通知用户。我这个已经改完了。他会把他要做的工作罗列出来，这样的话罗列他之所以罗列这个功能，也是为了避免自己会把上下文丢失，他会用一个东西自己约束自己。

🟢 说话人1 [00:00:52]
所以我们就是先把我们需要 AI 做的东西要说清楚。比如说我就写一个帮我优化用户管理模块儿，这样的话对 AI 来说，他可能就

🟢 说话人1 [00:02:18]
就像这个，我们就笼统的和 AI 说，帮我们优化用户管理模块儿。虽然它也会执行这个任务，也会调用相应的技能，但是它并不知道它需要优化的点是哪里。然后对它来说，它可能会把这些它认为不合理的地方都会罗列进来。有时候他认为不合理的，可能确实是不合理，也有可能是我们一个功能上的需求。

🟢 说话人1 [00:03:09]
所以我们这个就涉及到我们好的任务是什么?好的任务首先就是它是明确的。他不会像我刚才那个提问说帮我优化用户模块儿，他一定是具体到用户模块儿怎么优化。第二个就是范围。虽然这个用户模块儿已经具体到一个完整的功能模块儿，但是我们不可能会针对于整个用户模块儿进行重构，那么我们一定要约束它的范围是这次我们是优化用户模块儿的信息管理。

🟢 说话人1 [00:03:45]
还是优化它的一个登录，或者优化用户的一个删除。最后一个就是约束。约束就通，约束就很简单，就是告诉 ai 不能做什么，必须遵守什么。这约束不是说要约束他必须生成几行代码，或者说你必须给我完成这个功能，而是要告诉他红线是什么。我不能，比如说你不能删除我的原有代，原有代码逻辑，不能去改变我的中文注释。然后必须遵守的东西，必须遵守，要遵守我当前项目库的代码规范。

🟢 说话人1 [00:04:28]
比如说按照我的架构分层，或者按照我的命名规范，我命名规范所有的实体都是以 vo 结尾，像这一类的。最后就是输出格式。输出格式现在基本上一些旗舰模型，它都会有自己的标准格式，主要也包括了它这一轮儿修改了哪些操作，然后代码的 diff 代码和之前有什么区别。还有一个就是测试用例，有一些如果能自动化测试的话，它会已经完成测试。

🟢 说话人1 [00:05:05]
最简单的就是像 type 的校验，类型校验，还有一些基础的编译错误，编译有没有通过，语法有没有问题。最后还有就是会输出测试用例，这一部分可能涉及到页面操作，它会给你提示提出几个测试 case 比如说告诉你登录完之后，你要点击哪个按钮，看能不能达到什么样的预期。最后还有就是验收标准，验收标准就是功能功能性的，因为我们验收的

🟢 说话人1 [00:05:41]
验收的只能是功能，你没法去考量 ai 写的代码到底去，到底是逻辑对不对。如果你要去检查它的逻辑，那你可能未必会有你自己手写的快，因为它生成的特别多，你需要理解它写代码的所有上下文，然后再去看它为什么这么写，为什么要拆分函数。所以就是说我们能确保上边儿都没有犯错，我们验收的只能是我们的功能模块儿。

🟢 说话人1 [00:06:25]
就像这个。如果像前几年的模型，我跟他说帮我优化用户管理模块儿，他可能不知道你去优化什么。然后呢就随便挑他认为最重要的几个点。但是像现在的模型，它就已经会有这些。会有这些提问，他要求你 service 拆分，这就是推荐。推荐也就是说他认为这个是级别最高的，也就是说你执行完它。你最不容易出错，然后你的收益成本也会最高。

🟢 说话人1 [00:07:01]
还有就是重复了精简，他认为你这边儿有部门数部门数的数据拼接，这个逻辑重复了。还有就是性能优化性能优化就涉及到底层的 circle 如何优化查询，代码质量测试补充什么的。

🟢 说话人1 [00:07:47]
如果说你上面那些都不符合我们的要求，那么我们就可以再去补充更多的信息，然后让 AI 去执行这个。

🟢 说话人1 [00:08:04]
就我们举个简单的例子，然后让它去我们先让它去审查一下。

🟢 说话人1 [00:08:51]
刚才它提示我们需要有具体的优化方案，然后我告诉它要去用户删除权限审查，然后它就会分析对应的模块儿，再完成我们的删除检查。AI的审查关键点一般也就这几块儿，第一个是根据你现有的代码事实，然后就是能找到哪些依据。第二个就是前方的按钮，判断你的按钮，按钮权限对不对，按钮路径对不对，最后就是后端接口，你的 ctrl 你的权限注解，包括你的请求路径有没有问题，最后就是操作审计，删除完之后有没有会记日志，然后这个类型对不对?

🟢 说话人1 [00:10:15]
好，我们看刚才我让他去审查删除权限，这样的话他已经把文档出来了，第一个就是功能的权限，第二个就是数据的权限。

🟢 说话人1 [00:10:41]
这是他认为存在的问题，说一个是缺少存在性校验，也是他推荐优化的。

🟢 说话人1 [00:11:16]
这是他根据刚才的提示词给的优化建议。他认为这两个 p 零的优先级是最高的，然后 p 一和 p 二是你可以往后放的一个优先级。实际上我们在需要他去执行这个方案时，我们就要审查这两个 p 零的到底对不对。如果说我们当前的业务逻辑确实是这样，不需要他进行这么优化，那么我们就可以忽略这一轮的对话。如果说需要他去这么

🟢 说话人1 [00:11:51]
处理那肯定就是让他去优先处理两个 p 零的任务但是这就是刚才我们是通过了两次对话，比如说第一次我让他帮我优化用户功能模块第二次他给了我优化。他不知道需要优化什么，然后又去询问我，然后我要告诉他审查删除权限

🟢 说话人1 [00:12:31]
虽然也能完成这个功能，但是就造成了两个对话，然后也会浪费整个模型的 token 以及时间。

🟢 说话人1 [00:12:56]
这时候我们换一个更就任务性更明确的一个提示词。看一下它的输出结果是完全不一样的。比如说我们告诉他分析这个按钮权限的调用链路，这时候我们就告诉他你前端后端后端的整个链路你是要打通的。第二个就是范围是只有用户管理页面的新增修改删除。第三个就是约束不修改代码。结论标注文件和函数，区分前端权限和后端权限。最后就是输出的格式，我们要求它输出表格。

🟢 说话人1 [00:13:40]
最后就是要验收这些。

🟢 说话人1 [00:13:51]
像这个提示词就明确了很多，这也是一个合格任务的必备条件。如果说我们往往是一个特别大的任务，就是一个完整的功能模块，我们未必能自己写出这么规范的提示词，我们可能需要多劳对话。比如说我现在要新建一个车辆预定的模块儿，那么我们就可以跟 ai 沟通，我新建这个模块儿，我需要完成哪些功能??你对比哪些?你对比已有的项目架构，你认为它应该是补补全哪些内容?

🟢 说话人1 [00:14:33]
然后先让他给我们出需求文档，这时候我们根据需求文档再去跟他沟通我们的需求对不对?最后最后你才是你代码执行的过程。就像我们之前的开发也是，你编码的时间一定占你整个业务功能模块儿的少量时间，你的大部分时间一个是需求，还有一个就是你的功能检测功能校验。

🟢 说话人1 [00:15:44]
因为像我刚才已经约束了它的范围只有用户管理模块儿，可以很明显看到它马上定位到是系统的 user 然后只是查看 user 里的文件，不会再去查找别的文件。

🟢 说话人1 [00:16:17]
一会儿我们再回去看一下，只是跟他说优化用户管理模块儿，看他去做了哪些查找。然后就能对比出你提示词越精准，然后对它的要求越高的话，它会有一个什么样的行为。

🟢 说话人1 [00:16:50]
还是在查看整个用户的模块儿。我们先继续往下。

🟢 说话人1 [00:17:10]
这个就是一个好的上下文的模板。比如说还是以审查用户删除权限是否完整，然后我们要给他定义我们这个任务是什么，任务就是审查他的删除权限是否完整。范围就是管理页面，然后用户 API 客户端用户以及操作日志的相关代码。然后不能做的就是这个对话指向的审查，不能去修改代码，然后也不要给出泛泛的安全建议。也不要去猜测代码库里没有实现。

🟢 说话人1 [00:17:49]
必须要标注的就是文件的路径，方法名权限字符注解，以及没有办法，已经无法确认的事项。输出就是证据表，就是表格，它哪些文件在哪里是什么方法，然后风险判断是改了什么，可能会导致什么样的风险。还有一个就是修改建议，最后就是验证步骤。

🟢 说话人1 [00:18:19]
然后这个是我们的 ai 的验证过程。它会通过类似于白盒审查，然后去查看你当前的代码能不能完，能不能满足这些功能点。

🟢 说话人1 [00:18:43]
可以看到它已经在输出了。

🟢 说话人1 [00:19:04]
会给出我们的关键文件以及前端的亮度匹配，包括我们的一些不确定点。这个是因为只有后端，所以他是没有办法具体看到我们前端项目的一个指令具体实现。所以他不确定这个内容是否正确。

🟢 说话人1 [00:19:30]
第二个就是前端的 a p a p i 调用。

🟢 说话人1 [00:19:38]
最后总结就是校验机制是完，相对比较完善的。

🟢 说话人1 [00:20:10]
你看像刚才如果说我们没有明确规范，我们只是用户管理模块儿，他把所有用户管理相关的代码都去查找了，然后又找我们确认是哪个问题，然后我们说是用用户审计。他又看了用户删除的代码架构，最后给出这些建议，但是他们不会在里面提关于前端的一些东西，因为首先这个库里没有前端的代码，其次我们的提示词也没有要求他去没有要求他去有和前端相关的检查，那么他就缺少了这部分内容，前端的一个具体实现。

🟢 说话人1 [00:20:59]
如果说我们只是作为一个后端工程师，那么我们这一块儿就不看了，但是如果我们是前端的全站工程师，全站工程师的话，那我就不仅要关心后端怎么去做，也要关心我前端这一块儿有没有具体的实现错误。这就又回到了像微服务的项目架构，包括前后端分离的，它很明显是更考验模型的一个基础能力。

🟢 说话人1 [00:21:33]
我们再用这个去作为示例。

🟢 说话人1 [00:21:54]
同样是审查用户管理删除权限是否完整，第一个我们只是说了一句话，就是告诉他要审查这个功能。然后第二次我们是给了他具体的任务范围，包括相关的红线以及一些标准。可以明显看到我们给的越详细，他会调用一个 skill 去的 code 里业务。

🟣 说话人2 [00:22:38]
嗯大家可以基于这种像他已经已有的一些 skill 然后修改成自己项目所需要的。大概也是

🟢 说话人1 [00:23:03]
大概基本内容也就是这么几块儿，第一个就是 review 的范围，然后生成上下文，然后用可视化的一些图表，再用可视化的一些图表去绘制出来，包括流程图什么的。最后就是哪些模块需要用什么颜色来表示，如果是 IDE 在亮色模式下用哪些颜色，IDE 是在暗色模式下用哪些颜色。

🟢 说话人1 [00:24:11]
为什么说我们给的提示词越详细，输出来的效果越可靠呢?因为就是像这种已经带了很多 skill 如果我们给的提示词相对比较泛化，那么它会拿着你的提示词去不停地匹配适合哪个 skill 然后这个匹配过程也是会造成 talk talking talking 的消耗，以及未必会匹配的特别准。我们给的内容越多，它可能会找的更详细，也会更加的精准匹配到 skill。

🟣 说话人2 [00:24:52]
这样的话就能减少 token 的消耗。

🟣 说话人2 [00:25:11]
让它跑着，然后我们接着看 PPT 这个就是一个上下文。给 AI 上下文应包括哪些东西。

🟢 说话人1 [00:25:31]
上边儿的前四条是比较，前四条是必须要有的，就是目标我们到底要修改什么，分析什么。第二个就是范围是哪些，只限制他看哪些模块儿。第三个就是输入的文件。我们提供他，比如说我们可以定位到具体的某一个文件，只让他改正一个文件，那么我们就直接告诉他这个文件是哪个。最后一个，还有就是约束，不能做什么。如果我们想和他沟通一些需求，不想让他这么着急去改代码，那么我们一定要做好约束。

🟢 说话人1 [00:26:20]
最后就是输出格式，输出格式下面三个呢，如果不需要就完全可以不要求他，因为你每次输出他排版好这种格式，然后都不需要也不去看，也没有必要去消耗这种 copy。你只需要看他对你的任务完成度怎么样。就像我们刚刚分析角色权限，然后需要角色权限保存的话，可能就需要分析角色的页面，然后角色的 api 后端角色的 ctrl 了 service 菜单关系表这种的。

🟢 说话人1 [00:26:59]
同样我们也要约束他不要去改代码，也不要去猜。不过现在基本的模型，像 v 四就很少出现自己猜的情况了。基本上我们就跟他说不要去修改代码，就可以。

🟢 说话人1 [00:27:25]
接下来就是四代的上下文。我们的上下文喂给模型的话，它不仅可以把我们整个项目的一些有的东西给它，也可以是一些外部的资料，然后我们也根据我们项目里的内容，我们也可以根据我们需要的东西去鉴定式的披露给模型。比如说像上午我们构建整个 wiki 那么我们就需要把整个空间就项目里所有的东西都丢给它。它就需要你去全量的扫你的项目，然后去完成这项功能。

🟢 说话人1 [00:28:09]
这就是 workspace 它的一个层级。第二个层级就是 file 这一层级。 file 这一层级的话，相对来说就是要聚焦到功能，具体的功能了。我们需要了解这个 file 它是做什么用的，就这个文件是做什么用的，然后为什么要我们为什么放到这里，它是被哪些文件调用的。如果我们改这个当前的文件，会不会影响其他的东西?

🟢 说话人1 [00:28:43]
还有一个就是扣的级别的，比如说我们只粘了一个文件中几十行代码，这样的话我们选中直接添加到对话里，就丢给模型，让它去具体分析这一个上下文。第四块儿就是外部，就是查外部。我们内网的话可能会比较少，但是如果我们要连一些使用一些插件库，然后能连到互联网上。这时候我们就需要查外部的文档。

🟢 说话人1 [00:29:20]
就像我们用 JDK 十七或者用 JDK 二十一，我们不知道它有哪些新特性，我们就可以直接在对话框里要求它去查文档，然后告诉我 JDK 有什么新特性，然后我当前项目如何更好的使用。

🟢 说话人1 [00:29:54]
好，这个刚刚让它去审查删除权限的任务跑完了，所以我们就可以通过对比两次的内容。

🟢 说话人1 [00:30:12]
虽然他知道这个功能可能是这么写的，但是因为他读不到相关文档，所以他只能去无法确认。第二个就是后端权限，单个删除是在这里，然后批量删除在这里以及数据库的权限。包括操作日志，API审查以及业务的完整性。最后就是风险判断。

🟢 说话人1 [00:30:44]
他认为主要存在批量删除缺少了操作日志，然后缺少了校验用户以及少了一些注解。修改建议修改建议就是针对于他所认为的风险。第一个就是添加日志，然后添加校验性，最后添加为删除接口添加日志。

🟢 说话人1 [00:31:22]
然后我们再看一下刚才我们提示词比较泛化时，他给的一些建议。他认为也是缺少校验，缺少日志。然后会有一些逐条清理的性能差，因为你的性能也不够优秀，因为他还扫了你最后持久化数据库的那一层。

🟢 说话人1 [00:32:06]
但像这个，因为我们加了限制，所以它就只有这么三条建议。所以就是我们的提示词越精细，那么它针对于的回答也是更符合我们的要求。这样的话，我们确保它每一次执行任务时，就能不会大批量修改整个文件，也不会改整个项目里的一些东西。

🟢 说话人1 [00:32:42]
这就又回到了这一块儿。我们给的上下文一定要，一定要匹配我们当前的一个操作。

🟢 说话人1 [00:33:00]
如果我只是去修改一些文件，那我给他文件就可以。这个就是一个上下文的范围。有时候也不是说上下文给的越多，它就越好，因为它也可能会存在上下文污染的情况，以及丢失上下文。

🟣 说话人2 [00:33:20]
这里给大家看一下。

🟣 说话人2 [00:33:53]
它不同的模，像这些不同的模型，它的上下文大小是不一样的，旗舰模型可能就高一点，可能有个2000，然后一般的色体键就可能有27K 像这种的。

🟢 说话人1 [00:34:10]
然后再给大家往前翻，刚才他进行了一个压缩上下文的操作。

🟢 说话人1 [00:34:25]
像这里就是他上面读完这么多东西，他已经超出了他模型理解的上下文，那么他会把之前的上下文去进行压缩。这个压缩的算法也是不同的 agent 有不同的算法，但大差不差就是第一个就是数据的，把这种结构去掉，可能会原来有好几个空行，最后会变成一一长行的大文本。第二个就是提取关键字，要么就是只读上下几轮对话的一个上下文，因为他会认为你之前对话的上下文已经是没有价值的，他只会读你近期就近几轮对话的上下文。

🟢 说话人1 [00:35:22]
压缩完之后，它就会空出新的空间，继续去读取。

🟢 说话人1 [00:35:30]
所以说压缩一定会带来内容的缺失，这是不可避免的。所以我们在选择上下文时，一定要符合当前功能模块，如果完成了一个功能模块，我们也可以再开启一个新的对话。这样的话是对对模型来说，幻觉可能是最少的。

🟢 说话人1 [00:36:02]
这就提到了上下文选择的一个决策树。就如果我们拿到陌生的项目，构建完整个 vk 我们都不知道哪个入口文件在哪里，我们就直接问他。先就是，比如说我们要查找。部门儿删除的文件，就直接问他你部门儿删除的文件在哪里?是哪一个?如果我们已经知道要修改哪个文件，那么我们就用 feel 如果我们对哪些函数是行为是不理解的。

🟢 说话人1 [00:36:39]
因为现在模型训练出来它所生成的代码大部分都会非常规范，但是对于我们实际开发来说就有点过头了，就是事性编程会特别强。可能会超过一次复用，它会抽取一个公共方法。那这个未必是合适的。所以我们就可以判断哪些函数是需要拆分，哪些函数是不需要拆分。这时候我们就是代码级别的算上去就可以。还有就是我如果说我们项目里没有涉及到的。

🟢 说话人1 [00:37:20]
就是查框架资料。然后再回来验证，或者说我们在做技术选型时，让他去上网查一下现在主流的技术有哪些，然后每一个技术框架都有哪些特点。这个也可以。判断的原则就是先宽后窄。就是如果说我们也不知道到底应该用哪个，那只能你就是渐进式的来。你先让他看整个功能模块。然后再具体到文件，再具体到函数代码。

🟢 说话人1 [00:38:03]
就我们如果说我们一上来就把一个非常大的问题丢给 AI。那它消耗的 token 也是非常大的。而且未必是你想要的一个东西。接下来就是具体的一些示例。

🟢 说话人1 [00:38:28]
你看像这个就是需要它阅读整个工作空间。因为我们是要去寻找。寻找整个文件示例。

🟢 说话人1 [00:38:40]
这个任务就适合我们非常早期的时候。我们了解项目阶段。生成完 wiki 我们还需要了解它哪些文件在哪里。然后我们就需要，就可以使用这个提示词。

🟢 说话人1 [00:39:28]
那也可以看到我们配置完规则之后，它每次都会读取。

🟢 说话人1 [00:40:02]
那么我们把这个提示词扔给 AI 之后肯定需要有一个自己的验收标准，就它输出什么样的东西算是一个比较 ok 的，是我们需要的。

🟢 说话人1 [00:40:22]
那就是需要具体文件的函数类名，然后能区分出哪个模块是什么样的文件，是前端还是后端，然后标注出依据，它引用的是代码里的哪一行，然后哪一个文件具体哪一行。然后再给出具体的一些文件。我们这一步的目标并不是马上解决问题，而是让 AI 去了解整个项目，也是我们去了解项目的一个过程。如果说 AI 最后只是给出了一个结论，然后其他什么都没有，那么说明这一轮上下文对 AI ，就是对 AI 来说是没有任何价值的。

🟣 说话人2 [00:41:46]
一会儿我们看一下它的输出标准是不是符合我们的预期。

🟣 说话人2 [00:42:24]
像这个它会列出我们的后端文件是 outout 挡住了找 java 然后路径在哪里，然后关键的方法是 login 和 getproperty。firstmover 然后这个是登录认证的 service 主要是包含这几个，然后关键的方法是哪些?

🟢 说话人1 [00:42:53]
以及权限查询，菜单路由生成的一个核心。

🟢 说话人1 [00:43:06]
如果说我们之前，不借助 AI 的话，熟悉的项目还好，不熟悉的项目就肯定会造成有一些会漏改。或者就是有一些没有改完，没有改完全。

🟢 说话人1 [00:43:27]
最后这个就是数据转换以及响应的 vo。

🟣 说话人2 [00:43:36]
嗯do 层，包括每组这些。

🟢 说话人1 [00:43:50]
这个就是他给的一个前端的，因为这个代码库里也没有，然后他就会上网去查。

🟢 说话人1 [00:44:01]
上网去查，他找到了 gitee 然后根据 gitee gitee 它里面的一些内容，然后去推测可能存在这些东西。

🟢 说话人1 [00:44:23]
这样我们就发现，如果是我们代码项目里已经有的内容，对他来说就是事实，如果没有，大部分对他来说就是推测。

🟢 说话人1 [00:44:49]
接下来我们看一下文件级的上下文。

🟢 说话人1 [00:45:01]
文件级的上下文就是要具体到。非常聚焦的一个文件，只是到了这个文件中哪些方法，然后谁在调用，然后信息又存在哪里。

🟢 说话人1 [00:45:38]
如果说我们之前对这个项目已经有了整个项目级别的去

🟢 说话人1 [00:46:12]
我们把这个文件夹添加到我们的对话内容中，然后再让它分析这里边儿文件。

🟢 说话人1 [00:46:35]
这样的话它的查找速度会更快，因为它只查找这些文件，然后也会内容匹配的更精准，不会有其他多余的 token token 消耗。

🟢 说话人1 [00:47:17]
它跑的过程，我们接下来再说 few 调用链的一个模板。其实就还是要具体分析我们的入口动作是什么。比如说我们要分析一个用户的行为。就是动作是用户点击完，用户点击完删除按钮，然后前端是调用的一个 API。然后后端换了哪个接口，然后业务是在哪个 service 处理的，权限日志这些有没有审核?然后除了这些文件，哪些还需要补充?这个也是我们在

🟢 说话人1 [00:48:23]
使用文件这一层级上下文时，更要聚焦的是整个大模块里具体的功能点。

🟢 说话人1 [00:48:48]
他现在已经在输出了。

🟢 说话人1 [00:49:11]
可以看到他这块儿写的前端是通过调这个接口，因为这里边儿没有前端项目，他也没办法具体点击哪个按钮，所以就只能从这个接口开始，然后到了 ctrl ，再到了 service 再到整个 d o 层。这是查询用户信息的调用链。

🟢 说话人1 [00:49:55]
接下来我们就看 code 级别的了，就是代码级别的一个上下文。

🟢 说话人1 [00:50:05]
这个就更具体了，比如说要分析哪个方法，它是有什么作用?这个方法为什么要这么写?有没有别的，有没有别的文件还换用了这个方法??

🟢 说话人1 [00:50:23]
这方法失败了是怎么处理的?

🟢 说话人1 [00:50:29]
这样的话，它能更聚焦的去只查看这一部分的。这一部分的代码，然后对它有充足的上下文，它的输出结果是非常准确的。

🟢 说话人1 [00:50:46]
像这个就是 code 级别的一个检查清单，看有没有把你这个方法的输入输出，然后里面的业务分支，包括它的副作用，最后它是如何是恢复，重新滚，恢复状态回滚的。

🟢 说话人1 [00:53:27]
这个就是一个非常简单的，只分析代码的一个示例。

🟢 说话人1 [00:53:37]
这个应该会快一点，我们就等一下。

🟢 说话人1 [00:54:10]
最后一个上下文的范，上下文的范围就是外部的。比如说我们要查一些文档，或者让它去帮我们做技术调研，和外部资料，它只能用于参考，不能替代我们的项目已有事实依据。

🟢 说话人1 [00:54:46]
稍等一会，我们就以这个为例去判断它是怎么进行的。

🟣 说话人2 [00:54:54]
怎么去进行使用的。

🟣 说话人2 [00:55:39]
这时候它已经会告诉我们总共有六个地方去换用了这个函数。它包括后台登录，然后 oauth 授权，然后会员端登录。

🟢 说话人1 [00:55:51]
然后内部的有三种，然后它会有哪些状态?状态就是不存在，然后激活，然后自然过期是时间到，然后主动退出是 log out 然后刷新替换。

🟢 说话人1 [00:56:24]
这就是方法层面的一个上下文，我们更多是用来判断我们整个任务。

🟢 说话人1 [00:57:02]
像这种就是我们需要它去自己找外部上下文，或者说现在模型的能力强了，我们直接告诉它查找官方文档，如果没有稍微弱一点的模型的话，我们可以直接把这个文档的地址直接丢给它。然后让它去查找。

🟢 说话人1 [00:57:54]
我们可以直接点这个链接，它就会跳到对应的文档里面。

🟢 说话人1 [00:58:27]
这一步的话，如果我们大部分是内网的项目，其实我们可以在自己内网去把这些文档都拿到，然后放到内网上也可以，或者有一些现成的 m c p 它能拿到最新的文档，然后我们自己再搭一个 m c p 的服务就可以。好，主要就是上下文主要分这么四部分，然后看大家有什么问题的话可以问，可以提问。

🟢 说话人1 [00:59:11]
这个就是官方给的一些推荐架构。

🟢 说话人1 [00:59:20]
大家平时使用有什么问题也可以，比如说我们之前的上下文是不准确的，或者其他有什么使用上的困惑都可以。

🔵 说话人3 [00:59:37]
老师我提一个，我们这个系统里各模型的能力的那个介绍一下吧。

🟡 说话人4 [00:59:43]
嗯，选择模型。各模型的能力，

🟢 说话人1 [00:59:55]
那我就从我的使用体感来说，简单我从我的使用体感来说，就简单说一下目前国内前三的实际上就是 kimi deepseek 和 glm 然后再之后好一点的就是可能像 minimax 豆包这种。他们可能能到了国国产模型的第二梯队，还有因为这里千问最新的模型，因为我不知道这是开源的还是闭源的，如果是开源的话，估计也就是最新的也就是第二梯队，或者只能到第三梯队这么一个情况。

🟢 说话人1 [01:00:43]
如果说是千问闭源的话，应该是能到第一梯队。但开源和闭源的是两个东西，包括智谱也一样，智谱也是开源和闭源的，就体感还是有一些区别的。至于说具体，具体就是后面的一些版本号什么的，那肯定是越新的越好，这个是毋庸置疑的。

🟣 说话人2 [01:01:10]
嗯我们要选的话，就是我一般代码的话，我还是习惯使用 Deepseek Deepseek 它可能出错会更少，然后逻辑链会更严谨。

🟢 说话人1 [01:01:26]
如果说是一些文档类的工作，我可能会选择豆包和 kimi 它豆包和 kimi 文档类的工作会比较好一点。

🟠 说话人5 [01:01:41]
你让它点那个模型，旁边写的什么推理啊，图片儿啊，推理啊。

🟡 说话人4 [01:01:46]
啊解释一下。啊这个就是。

🟢 说话人1 [01:01:51]
模型它是分为多模态和单模态的模型。然后单模态的模型，它是只能读取文字，然后多模态的模型，它就可以读文字和图片，包括一些有的还，有的更强一点的，可能会读什么音频和视频，这种都可以，这种就是多模态的模型。就为什么会有多模态和单模态的一个区别呢?这就取决于模型基础训练时，有的模型它在训练时语料，训练数据就只有文字。

🟢 说话人1 [01:02:27]
那么它就是一个单模态的模型。然后有可能就是有图片也有文字，那么它就是多模态的。然后这里边儿就会衍生到有的模型会强调自己是原生多模态的一个模型。原生多模态就是说的所谓它在模型最开始训练时就会有图片儿有文字。还有一些说自己也是多模态，但可能不是原生多模态，它是基于你的文字模型，也就是最前期只训练了文字数据。

🟢 说话人1 [01:03:02]
后期因为可能也是要追评其他一些要求，然后他就会又把图片相关的数据再输进去。这个就是后天的一个多模态的能力。

🟡 说话人4 [01:03:19]
我这里接过来话头，我也补充一下我的观点，你往上滑滑最上边。

🟢 说话人1 [01:03:23]
你看它这个内置模型也是排序，也是有他们自己的考量了。

🟡 说话人4 [01:03:30]
头两个之所以我们说放第二梯队，虽然第二梯队放最上边，因为它是自家的，可能在 token 单价上会有一些优势，然后你看看这个 GM5,1现在是我认为国内体感使用最好的。的 coding 能力在表现上，在国际上也是一流的这个水平。然后你看再往下滑，最下面它会有两个 deepseek v 四，然后这里做一个简单的解释一下。

🟡 说话人4 [01:03:56]
这里其实就对应了，就说这个 kimi 他在去卖这个服务时，有没有去提供这个盗的一些能力，比如deepseek v 四 pro 它本身是只认识文字，不认识图片，我们截个图说这个图片啊。把这个图片里样式不对，或者说那个用户反馈的问题，你识别一下进行一个修改。这个情况下，它原生的这个 deepseek v 四是不支持的，但是可以区分成两拨，然后一个是自己去部署就是吹自己去部署，或者说他们背后的火山引擎去部署。

🟡 说话人4 [01:04:30]
另一个呢就是官方的这种方式。哎，这里呢就是产生了两个。然后刚才徐老师也提到他认为体感这个 kimi 和 deepseek 和密麦这个 grm ，我的体感也是这样，就是用起来比较舒服。另从另一个角度去看，就是现在这个模型，比如那个密麦斯 m 三是前段时间刚出的，然后性能上也是能赶上来。有时候我们会说目前这个模型很少，我们是以比较理性的角度去用。

🟡 说话人4 [01:05:03]
那一方面是越新的模型能力，理论上是越来越强的，但也有个别的情况会除外。然后这目前情况就是我们新出的模型可以去试去体验，很难去说服说我们大家一起都用 Deepseek 或者不用 GM 或这个也是千人千面的，你习惯用 GM 就继续去用就好了。然后我也了解到，这个企业版的个人账户，这些 token 可能也是有限额的，到了一定值之后，可能就会不好用，或者需要额外付费，或者干脆用不了，这里也可以接入下面这个添加模型。

🟡 说话人4 [01:05:39]
然后这里额外去推提，提到这个 deepseekv 四 pro ，是它的单价，单价比较低，首先就比其他这些模能力，一方面能力特别强，另一方面单价又非常低。还有一个特别提到点就是你用起来，成本也很低，是因为这个 deepseek 呢，它在做这个缓存的时候，就上下文缓存，我们聊好几轮的时候，它那个缓存时间会非常长。

🟡 说话人4 [01:06:06]
国外有些模型，它缓存只给你五分钟，五分钟一过，你以前的那个对话，它缓存就消失了，你需要重新付钱。这个用起来成本就非常贵，像 dbsick 有的时候它能缓存到半天一天以上，所以用起来很省。我们有时候会说多鼓励多开对话，减少注意力的分散。现在针对 dbsick 这种情况，就是在一个对话里持续来完成，持续来做，这也是没问题的，因为它性能足够强，另一方面成本足够低，把它用起来也是 ok 的。

🟡 说话人4 [01:06:39]
然后如果 gm 如果有采购的话，也可以考虑 gm 然后这个也是目前做的比较不错。这个是我刚才看徐老师补充时提到的，希望对你有个反，对你有个理解上的这个认识。

🟢 说话人1 [01:06:54]
对，因为现在基本上模型的收费，就是我们输入模型叫上行，然后模型吐给我们是下行，上行的价格和下行的价格是不一样的，然后命中缓存和不命中缓存的价格也是不一样的，就是它收费的条目会比较多。所谓命中缓存呢，就是说比如说今天有十个人都问今天天气怎么样，模型会换一个接口，就通过 mcp 查一下天气，说今天天气晴。

🟢 说话人1 [01:07:32]
第一个人他可能就是没有人去问，那么他模型就要去换这个接口，他拿到的数据模型会把它缓存起来，第二个人问他就不会再去查了，他会把你缓存的东西，这叫命中缓存。这个就相对来说比较便宜一点。

🟤 说话人6 [01:07:51]
就是新建对话会大量消耗都是什么?

🟢 说话人1 [01:07:56]
因为中间我们用的时候，我发现有一次就提供了一句，然后消耗了500多块钱。对，这是一方面看你给他的上下文触发了他多少响应的一个下文，如果他会一直 search 文件。这就还有一个点就是并不是说我们最后看到的这个结果算他的一个输出。就整个模型的思维链过程，他的思考过程都是算他的输出，他是一个不断去循环的。

🟢 说话人1 [01:08:36]
他比如说第一轮查了五个文档，然后他循环完发现不对，他又去查了五个。就这么一直循环，直到命中你所需要的那个。那么你中间这个思考过程，它也是消耗 token 的。这种可能有时候我们觉得就这么一个简单的问题，它居然这么费劲，我自己手改的话可能也早就改完了。

🟤 说话人6 [01:09:00]
老师，我有几个问题，第一个就是小米那个模型是怎么改完的?小米那个现在不是也不是说一折吗?

🟢 说话人1 [01:09:08]
嗯，小米这个我我说吧，这里是前段时间我们公司内部去换这个国内各个模型，小小米的模型，然后尤其是最近出的这个2,5 pro 而且前段时间又大降价了，降了百分之九十九。

🟡 说话人4 [01:09:26]
也是，至少这个体感上和原来我们使用这个 Deepseek V 四，我们对比的是 V 四的 lite 体感差不多，然后我们会更格外关注这个编程和这个人文这一块。体感用起来不如 Deepseek V 四强，但也是我们去合理的区分，就是很有大部分情况下可能需要区分这个复杂的问题和简单的问题，就是现在我们无论是用小米还是用刚才我们提到的豆包这些内置的这些模型。

🟡 说话人4 [01:10:02]
在普通的任务上是拉不开差距的，还是看我们这个任务难度有多大，多大，或者说我们这个任务对我们来说有多重要。有些理论，有些实践派是严格的，就是使用旗舰模型只做计划，就是我说我要做一个任务，他使用很少的 token 做一个计划，说要修改这个文件，那这个文件大概要改什么。具体执行时使用一个就是我们说的常规模型来做，这是一种流派，另一种流派则大家都用旗舰来搞，就看各位怎么选择，或者倾向于哪种方式。

🟡 说话人4 [01:10:37]
有的是前者就是去极致的性价比，那这个去看个人，看个人。

🟤 说话人6 [01:10:43]
这个税它现在不是有一个对我们来说有个突破嘛然后它可能是每个名额是五十兆然后但是它这个你像尤其是你这个 v 四 v 五的时候，它本身其实价格也是上存在差别。包括命中和未命中那么我这五十兆不管命中和未命中，不管什么样模型都是等量消耗啊今天中午它就会给你说去去折的今天中午了解到这个点了，看到它企业版的这个限制还比较多。

🟡 说话人4 [01:11:12]
可能还是过过往的这个新策略，其实你越往后看 agent 消耗的 token 会越来越多，越越越多，会我们称之为每半年可能就翻一番儿，每每一年可能就翻好几番儿。先看吧，看他有没有这个策略，或者说他后面会不会进一步放开，因为不够用是没办法那我是不是可以在当前的一个策略下，我尽可能直接用最好的就行了，因为它便宜我其实对我来说也没有任何成本我问个直接的，各位需要为 token 付付付付钱吗?就是公司采购

🟤 说话人6 [01:11:50]
那比如五十兆，我要五十兆我用 flash 用更多，那我肯定是用 flash 会更多，因为可能我是正常开发，我没有那么复杂的任务。但如果我说我 flash 和 pro 对我来说永远就这么多，那我就是我就不用考虑，我直接用 pro 或者是 dlm 就可以了。

🟡 说话人4 [01:12:05]
哦，单价电费是吧?这个可能得看他他们内部应该是有不同的配置。

🟤 说话人6 [01:12:11]
对，就是我的意思是现在在套餐额度里，别人这个就比如现在这个额度，比如说一个亿。

🟢 说话人1 [01:12:15]
它不是那么算的，因为它是正常模型啊，它会有这么几档，就比如说给了你五十万的 token 但是它计算费率的时候，有的模型就非旗舰的。可能是按一倍的费率去算。如果说旗舰的模型，它可能按你一点五倍费率或者是一点六倍费率去算。所以就是你会明显体感，你用了旗舰模型处理同样的问题，它 token 消耗就是快，因为它是这个计费也是有那个什么对应该是这样的逻辑，对都是，现在就都是这种嗯它它肯定要付出成本。

🟡 说话人4 [01:12:56]
就是要对齐各家的，你看每每百万 token 有的定价十六元，有的定价可能就一两块。他肯定要有差别对待，你提到 code ，他就是把这个东西明显明确化了，零点一倍和十六倍那我就如果我用 flash 五十兆也是同样的承诺同样的十个字儿。嗯十个字儿可能三个部分，我可能也可能两个部分，我十个字儿，然后我 flash 也是三个部分，我这个 pro 也是三个部分，那我直接 pro 得了，不要去这个这个还真得和官方发个工单。

🟡 说话人4 [01:13:31]
你去问一下就是怎么来消耗，或者他们内部有定价，应该是有明确的，这个可能得去问一下。

🟤 说话人6 [01:13:37]
行，我这边看一下是有那个

🔵 说话人3 [01:13:40]
消耗流量的那个手套儿啊对对对，应该会有一些规则然后这样我有一个问题想咨询一下，就是现在我就是用 train 啊，不管用 train 还是各种不同的开发工具的智能体开发。因为首先就是你的推理能力，你是跟你学的这个模型有关对吧?

🟡 说话人4 [01:14:01]
对这是第一个，第二个就是我在项目中遇到一个问题，就是他去理解你的这个项目框架儿，包括你这个项目的这个项目代码儿逻辑的时候我发现他去写的这个代码儿的水平跟你的原始代码儿这个水平是基本上保持一致的，就是我这啥意思?就是可

🔵 说话人3 [01:14:22]
能你的代码前期的一部分代码质量很差，然后他给你做出来的代码质量好像也很差然后如果就是说你的这个代码的这个结构，还有这个代码质量比较高的话。它生成的这个代码质量也会比较高，我们通过什么样的一个就是类似于 style 也好，还是其他的这种角度命令也好，能让他去提高那种代码质量吗?

🟡 说话人4 [01:14:49]
哦，前段时间我们做了seo 其实 seo 就相当于在我们写完代码让他去找茬，或者找出我们潜在的问题和安全问题。 seo 和安全，我们采取了几种不同的方案，一个方案就是写 skill 也好，提示词也好，因为ai 还是很擅长做这个角色扮演的，就是我们说你是专业资深的工程安全专家。你从要用挑剔这个角度去看我们现有的代码，指出一些问题，给出一些优化建议来，这样他会给的更明确一些，如果只是传统说找一些问题，他可能会尽可能倾向于就是少改动你。

🟡 说话人4 [01:15:29]
或者不破坏你，或者从恭维你的角度回复你的问题。所以用相对直接和冷酷这种口吻让他去独立去做审查，是一种挺好的方案。我们在做 seo 和安全审查时，找出了以前被忽略的一些问题。

🔵 说话人3 [01:15:46]
啊，就可能是我们规定更多的这种 style 或者啊，对对对。去去用这种 style 去约束他的时候，可能会对他的干扰性会更高。

🟡 说话人4 [01:15:55]
对对，因为这个 style 的我们有些安全的 style 和 seo 的 style 其实本质上也是这么一套话，就是我们去重新定义他的身份，然后告诉他他应该怎么面对我们提出这个问题。可能会更加严肃，更加理性。避免掺杂更多的一些辅助性的这种情感，而不同的模型之间应该没有什么区别，因为本身就是针对于所有底层的一个生存规则。

🔵 说话人3 [01:16:25]
是不是没有模型上的区别?从去年的这个体感来看，就是因为理论上我们把这个 c u 定义在这，它也你也你也了解细节，其实它本质上是我们有描述说当什么情况下应当被被调用。

🟡 说话人4 [01:16:38]
但它不是内置的这个透，就是不是大模型内置的工具所以它就存在概率说，同样相同的两个请求进来，有一种情况下它可能就不使用，有一种情况就这个去使用，我们称之为就是调用工具的积极性嘛。去年这个模型的时候，就有明显差异，就是同样的代码用不同模型跑，调用 schedule 的那个倾向是不完全不同的，但今年看体感来看好很多。

🟡 说话人4 [01:17:07]
我刚才也提到认可徐老师提的这个 gm 其中有一点就是 gm 在 coding 这块儿，它比较理性和积极的调用这些工具，就是调用这些 schedule 因为以往我们现在越来越多的大众都已经接受 skill 这种开发方式。就我们去定义很多脚本，让它跑一个流程。就是我们需要它确保真的在调用这个 skill 所以现在的模型都在积极去推说工具调用的准确性和积极性。

🟡 说话人4 [01:17:35]
所以现在体感来看差异不是特别大，但可能有时候我们会说本来不喜欢这模型，然后它刚好有50的可能性调用这个 skill 失败了，我们就加深了我们这个印象，说它调用不够积极。所以整体来看，之前也有一些排行，一些这个指标，但现在来看基本上大家都追平了，也就不再提这些事情了。所以我的体感来看就是大家对调用工具积极性是有差异的，当然本身也是有概率的，所以整体来看差异不是很大。

🔵 说话人3 [01:18:07]
这种是不是因为现在 c 六比较多，是不是我们要是专门去做开发的话，也不要尽量选一些排行比较好的 c 六，比如说我们做 java 或者 l 做 python 。这种对于 c 六有这因为你要很多有这种图像处理的，或者做点编程的，它跟 c 六有一些像这个点儿不一样，但是编程语言之间有没有就是说是比较好一点的这种 c 六推荐哦。

🟡 说话人4 [01:18:36]
这里边儿从两个角度来看，一个就是你不管用你用是好的模型差的模型，反正代码是你提交的，出了问题人要兜底，所以对应到这一点，就可以内内部去去我们去共识是同使用。你有偏好，我就喜欢 gm 我就喜欢 deepseek 那没问题，那我们可以去有软约束，说我们尽可能使用好的模型来交付好的代码。另一方面，我们延伸出来了传统的测试，就是我们会有一些测试岗或 qa 岗嘛，就是测试同学，他会对这个代码质量提这个要求。

🟡 说话人4 [01:19:11]
现在一部分测试岗在 ai 时代就变成了叫评测岗，就是他们要输出这个指标，就是我们现在有10个模型，你分别去，今天你本周的任务可能就把这10个模型把它量化起来。我们去模拟说，请你修改这个 java 里的某一行代码，然后我们去跑，分别用十个模型跑十遍，然后得出来一个指标，就是成功率，我们叫 perfect 率，就是看哪个模型成功率更高。

🟡 说话人4 [01:19:38]
那我们这样说就有理性的决策，推荐大家使用这三种，然后不推荐使用额外那几种，但是你要额外去使用也是没关系的，就是提供一种量化指标，这也是对不同岗位对在这个 ai agent 的时代有不同的需求。如果你希望更量化，更决策的更理性一点，可以去考虑做这些。评测这部分其实我觉得目前我们可能属于轻度使用，然后对于崔颖这个软件可能了解还不是特别深入，但是我目前感觉第一个就是智能体这一块儿就是说第二个就是正常交互过程中。

🔵 说话人3 [01:20:18]
一个就是你的提示词的准确性，刚才徐老师说的提示词这一块儿对于另一方面我感觉可能更多影响你代码质量的可能更多 skill 这一块儿对因为我们目前就主要是其实想。着就是其实之前也有一部分我们也了解就是后面也将 skill 这种运用还有这一块儿就是我们结合的想法儿就是这一块儿对，我们也是打算会分几拨儿来。

🟡 说话人4 [01:20:53]
就是最终交付目标可能还是 skill 大家也就是无论外界还是公司内部都已经认可 skill 这个重要性了，它也容易去交付，老师傅和实习生都能使用这个 skill 来完成这个工作。这个是真的是能提效的，我们也是在我们本次培训的这个培训目标里今天第一天和第二天来呢，也就是想把一些基础给拉齐，也是考虑到我们参与会的同学有这个同事。

🟡 说话人4 [01:21:20]
有的是偏年轻的，有的是比较资深的，先确保就是我们讲到的这些基本工具，他用的比较浅的，我们先做一个基础的拉齐，那下一轮我们会针对这个 skill 这个交付和这个工作流程。我们再做针对性讨论。而且我们第一天我们现在就是还没有，实际上就是离业务比较远嘛，还是对对，还是想把基础的东西先给我们共识好。嗯。

🟡 说话人4 [01:21:48]
各位可以再提一提，有想法儿用的深的用的浅的都可以我有个问题，就是在我们用的过程中，发现这个流量异常，不用它只打开它也不用它就流量异常这个也是合理的。我们做的我们现在也在做大量的工作，很多用户也在反馈说什么也不做，他在偷偷跑流量，虽然可能就是几毛钱或者连连几毛钱都不算，但是他可能有发现这个 token 的消耗。

🟡 说话人4 [01:22:16]
这里边儿有两个点就是它不是简单的几百兆几兆的流量，它是成 g 成 g 的往上涨一天一天的话可能你正常用的话可能用上午半上午，但是整天开着的话，你都成几成的话还有个中查，还有个中查，还有个综合中查啊，我这是觉得我也是这个推测，可能得有更多上下文来弄。这个时候会有一个常规性的整理，就是我们去分析代码变动，它去做这个整理，这时会消耗 token 就是比如在崔里面会有一个代码索引的概念。

🟡 说话人4 [01:23:00]
就是它如果你检测到代码改动比较多，它会重新做索引，重新认识就是把你的对这个代码的理，对项目的理解会保持最新，这一部分可能会消耗偷啃。另一部分我不确定，会不会是有审有审计方面要求，或者说无意间把一些内部依赖也扔上去。

🟤 说话人6 [01:23:20]
咱自己不是有个中国不是这里面不是有个中国工程的功能，他那个哦，ok。

🟡 说话人4 [01:23:29]
哎，这个可能就是我们需要有更多上下文，或者针对现场的时候再去看一看，再分析分析。

🟤 说话人6 [01:23:34]
他这个窗口是一直没有进过状态。

🟡 说话人4 [01:23:38]
嗯一直是相当于在任务能力这个不好说那你得看他后台会有一些请求，看他是发起哪些请求就是现在这个流量就是不明踪迹啊就有两方面，一方面看后台我们有没有审计去怎么回事儿。另一方面看因为我们采购也是企业版，可以和处理官方让他来介入，看这个异常流量是怎么回事儿，就是毕竟是异常不是上行下行流量下行流量那就很有可能在他自己后台在安装类似于 sql 的一些东西会是他会是对。

🟡 说话人4 [01:24:18]
这个这个就需要进一步分析，或者直接和那个吹的官方发工单让他们去看。一种还有一种可能就是，比如因为我们内部网络的原因，他尝试想做软件更新，但是我们拦截了，因为有时候他要下几十兆的一个包，我们中间我们有一些安全策略可能会卡住。卡住之后他会有一个重试策略，有可能因为这个原因，有可能他内部逻辑上有问题。这个不能给出明确的这个答案来。

🟡 说话人4 [01:24:47]
可以再发工单，让他们给看。

🟠 说话人5 [01:24:53]
得休息十分钟吗?

🟡 说话人4 [01:24:54]
嗯，行。来来来休息一会。嗯。

🟢 说话人1 [01:24:58]
那就到现在三十二，那到四十二嗯到四十二的话，还继续吗?

🟡 说话人4 [01:25:05]
你今天的电脑上的灯坏了，你接着往下说呗，然后到最后一个小时时，我先说我，然后说说这个八卦轻松的，然后我引一下明天讲的东西。我感觉今天你能把两天东西都讲完，我看你讲挺快的，弄不完是吧?

🟡 说话人4 [01:25:26]
看一下你们组我没理解，我们现在用的是企业版的这个账户嘛，就是它一旦流量已经超过它的设置上限，完了之后就无法进行交互了。嗯这个就是说可以通过其他的接入第三方的 a p i 来进行对它现在开放了，你点一下，点点一下那个模型，点往下滚一下，点高级设置。哦不，你不点这个，点那个高级设置我看一下。

🔵 说话人3 [01:25:57]
第三方的这个 a p i 进来对对对你点一下我看一下。

🟡 说话人4 [01:26:00]
啊，对对对，它这个自定义的请求地址是最近开放的啊。去年他不开放，今年开放我基本上现在自己部署的模型都支持 openai 协议啊我知道扣代码是可以的，因为上个月我们那个朝鲜的一个没用啊现在有一个 a 是免费模型。

🔵 说话人3 [01:26:35]
平时打的不那个什么时候就用免费模型可以试试小米也可以试试小米小米的

🟡 说话人4 [01:26:45]
他送好多个 token 然后你们公司内部可以分别去那个申请。对他那个通过率很高，基本上申请就给过。

🔵 说话人3 [01:26:54]
前期很多就是新的这个搞这个东西，前期有一些免费的一些。

🟡 说话人4 [01:27:00]
这个是公司内部各自想办法采购，还是公司统一出面说我再采购个 six api 大家去用。

🔵 说话人3 [01:27:09]
目前用 train 的话，目前我们公司用 train train 应该是内置的一个模型。

🟡 说话人4 [01:27:13]
啊对对对。

🔵 说话人3 [01:27:14]
它内置的模型就是开不同的这个开不同的额度，会员的时候它应该是。

🟡 说话人4 [01:27:19]
一个是费率差异的。这个应该是不一样，我们目前的话如果使用它了，其他模型都是自费的对对对没有那个啥，都是自己这个是没想到，那小米确实是值得推荐的，deepseekdeepseek 也可以，因为用起来成本也很低deepseek 相对来说还是便宜点儿对对便宜用。下来就是越用越省，这是事实就是相当于你说的它这个关联上下文儿，然后中间这个上下文儿关联这一块儿嗯嗯

🔵 说话人3 [01:27:56]
可能智能体之间这个代码开发能力啊，就是说写代码能力可能第一个跟那个底层的大模型有关，另外可能跟哪一个智能体，其实智能体就是针对大模型反应的结果去进行和用户交互其实也体现不出来智能体的话现在基。

🟢 说话人1 [01:28:14]
本各家都拉平了，因为有开源的嘛，有第一梯队开源的，大家基本都是这么一个标准，大差不差然后还有就是也包括你 skill 也是的我们拿不到你们项目，而且你们项目也不方便给我们看。

🟡 说话人4 [01:28:34]
所以我们就是先用这种方式来来拉起认知

🔵 说话人3 [01:28:42]
所以说后面这个产品部儿你说还是勾圈儿卡的中基本上这个区别就是表达能力和d c g 不它也加了框架只是比较笼统，也跟着若一差不多只不过我们用的都是表达能力上表达能力上尤其是要定出来大。

🟤 说话人6 [01:29:06]
概的一些问题点，然后在他基础上也可以，看看后面怎么安排，我们想就给了一个大纲，那个说嘛，但是今天一聊就有新的想法，我们看看怎么来融合一下。

🟡 说话人4 [01:29:23]
可以可以可以。我们现在就是多开展项目，我们就不接受外部的。哦，行。因为你外部图片如果太大，用不了，就是统一。哦，ok，ok，ok。对，然后对，然后现在也会出现那种。

🟢 说话人1 [01:29:38]
他不能像。

🟡 说话人4 [01:29:39]
对，然后现在也会出现那种。

🟢 说话人1 [01:29:44]
他不能像。

🟡 说话人4 [01:29:51]
对，然后现在也会出现那种。

🟡 说话人4 [01:30:05]
哎，这个应该他。

🟢 说话人1 [01:30:13]
对，装的多了未必是好事，因为装多了他可能会探测到。

🟡 说话人4 [01:30:20]
啊，啊是的是的是的，他这里就完全限制了。

🟢 说话人1 [01:30:23]
对对对，会你们什么。

🟡 说话人4 [01:30:24]
也就是处理做的不够激进，我们当时为了我在做这些的时候，就会给他盗一个工具，就是先经过他的流失，对对对，让用户有感觉，这个他们做的不够激进，或者他们不敢动。可能有策略有要求。

🟤 说话人6 [01:30:42]
这俩都是基于现在都在做，但是最新的客户我前一段儿都在这样看，挺烦的扣的最近挺挺激进，然后也和我们有接触，也还聊了一圈儿还行，他现在扣的前也能用的也行。然后你们反重力是不是都用了，我平时这个后台也用了，反重力去年我们第一季度用的多，因为它能反贷美观美化上会保证吗?

🟡 说话人4 [01:31:17]
额只要他一改版，他也把自己作死了，现在也不用了，他想一出是一出。

🟤 说话人6 [01:31:25]
现在反正还是感觉，然后口袋还能凑合凑合买，而且现在用的还比较稳。

🟡 说话人4 [01:31:34]
你们有什么什么方法，比如再采购一批，这个买个账号或买更高的功能。

🟤 说话人6 [01:31:42]
现在这个确实给的比较少。就通过我们现在补充的方式，就是通过 deepseek 去买一套 deepseek 流量包，然后接个企业资金你是在 deepseek 官方买还是在淘宝?

🟡 说话人4 [01:31:53]
哦哦哦哦，对，现在是开放了，因为去年他坚持不开放，今年开放了现在我可以直接买，然后我这样弄，的确是他流量包不够用，我现在就可以买 deepseek 流量包有点不够用。你们发工单多多多骂骂，多催催付费用户，他们都是弱势才多少人呢不不不不，付费用户他们都挺贵，就贵的挺快的他去年还挺便宜他自好像今年个人用户也不行。

🟤 说话人6 [01:32:17]
个人用户也涨价个人用户他们有压力，他们养了好多人，但做出来效果就是没办法，大家还是认别的那天我问了一下，整个团队现在差不多三百人但是比科特贵，他反而现在咱这些企业版没涨。

🟡 说话人4 [01:32:30]
企业版没涨，企业版退的企业版个人版其实有点比科特贵他是他国内不好收钱，他搞那个一四九九那个是吧?两百多那个对我好像有特殊要求，就是要出一个尊贵的我现在个人玩儿的话，一般玩儿就是二十二十块钱科特，二十块钱的

🟤 说话人6 [01:32:50]
然后再买点可能再买个八十美元的扣带，如果你们都在用扣带的话，闲鱼上也可以看看，就个人个人，这个那就没招儿了，就是这东西我没法，也就两两层。

🟡 说话人4 [01:33:03]
就是咱能交代就继续用退，然后各私底下开开热点，你爱用啥用啥这个肯定官方就是退嗯，那你们就这个就没没没明面上就没法说了，就是我我们之前以往都在测各种模型。也是闲鱼上去买，然后共享开拼车都带的是开一百开开开一百的也去试现在好像封的挺厉害的，我现在口袋闲鱼上有招儿我口袋子我是通过美区 id 那个方式啊对对我们也是就是开那个去年用信用卡。

🟡 说话人4 [01:33:34]
这个就是各显神通我是苹果账号，那个比较方便，但是 google 那个封太那不行，那个也别考虑了，那个上上午开俩小时就那个还现在人脸验证我也不用考虑，而且那个四点八四点七效果也不好。现在后期我更需要的可能是想了解一款那个能效这一块儿，我现在 google 正在用，我正在研究嘛，我挂 google 但是

🟤 说话人6 [01:34:03]
年后就好，但是真正采纳率你们内部对就想量化指标是吗?对你肯定不会用吹 solo 是吧?吹 solo 用吹 solo也用是吗?对你这个 hook 是 hook 在 solo 下 hook 在这个 solo 下还有用吗?有用有用是吧?

🟡 说话人4 [01:34:24]
那还行我这两天刚做了正式，但是触发率很悬，他没有扣带字稳这个没招儿这个没招儿，他们产品力看产品力还是有问题唯一能证明的就是他就是扣带字那个翻版，我只能说他是按照扣带字思路做的对，他也是刚出来吧。个人版也是刚出来，

🟢 说话人1 [01:34:43]
是。

🟤 说话人6 [01:34:44]
文档还没有，我上次给他们要了，他们说没有，然后我就没办法自己在那儿捣鼓了。

🟢 说话人1 [01:34:48]
没有，因为他之前应该是上过，然后又下了，然后现在又上。

🟤 说话人6 [01:34:52]
啊上过又下了，我现在就很害怕，我刚给他弄好，刚弄个扣子能勉强好，因为 a 那个。

🟢 说话人1 [01:34:56]
所以你就等等吧，我估计。

🟤 说话人6 [01:34:58]
因为大模型就是提示词注入这种不管是技能还是提示词注入更不稳。

🟢 说话人1 [01:35:03]
对，所以我觉得还是。

🟡 说话人4 [01:35:05]
呃，所以我觉得后面我们也改改策略，就是我们基础讲完，大家拉齐认知之后，更多还是去看这个流程，业务流程，思维这些。包括每个公司的一些管理层，他们就更在乎看我这个东西用好没用好，他们就更考虑的是我们这个指标怎么样那我们就讨论这个量化指标的事儿吧，因为对你们有交付。我就有你们是可能赵总也有交前两天也让我多联系您这边儿看这个指标这块儿到底应该对对我们那我们多聊吧，就该做调整调整吧，因为也对，你是还是不了解情况。

🟡 说话人4 [01:35:36]
我们就拍了这个大纲嘛，我们大纲做调整就行前面这没问题，可能指标其实就是我们几个需要考虑整体大家对对对，这个也是这个是做交付时候要考虑的点，然后我们继续交流呗。继续看好

🟤 说话人6 [01:35:50]
只要有什么好的想法，给我也提一下。

🟡 说话人4 [01:35:52]
对对对对对对我们一块聊。

🟤 说话人6 [01:35:55]
嗯行。

🟤 说话人6 [01:36:00]
这么一看这个会这个额度给的太太少了。

🟢 说话人1 [01:36:05]
嗯，是。

🟤 说话人6 [01:36:06]
这投入投入真不足。

🟢 说话人1 [01:36:09]
但国内就我们家做还没办法。

🟢 说话人1 [01:36:18]
好，那我们就继续开始。就刚刚我们是聊到了模型的一个上下文。然后我们现在呢?现在聊一聊模型里经常可能会出现一个幻觉。

🟢 说话人1 [01:36:41]
幻觉的话，就它在这个我们的开发场景中，可能会出现一个幻觉的死循环。它往往出现这个死循环，就是它去查找某个文件，然后某个文件又会触发它查找另一个文件。然后就大家这样就会导致他在这两个文件或者说这几个业务场景里一直会跳转，他是无法得出一个具体的结论。所以就会触发一个死循环。还有一个就是他对自己的就是模型本身，他会对自己的一个理解会比较自信。

🟢 说话人1 [01:37:34]
可能你没有的，他认为也是对的。

🟣 说话人2 [01:37:36]
嗯这个就是看各家模型的一个能力，包括模型它本身也会有自己的一个参数。

🟢 说话人1 [01:37:45]
比如说有的模型是偏理性的，它会严格遵循你有没有严格遵循你项目已有的事实，然后再去做对应的再去做对应的输出，有的模型可能调的会不那么理性。然后它就会出现一些幻觉，就模型没有的东西。为什么又会说回到模型是否理性?因为我们每个模型它都会有一个参数值，这参数值可能不一不一样的模型厂商标准也不一样，有的是0!1，有的是1!100。

🟢 说话人1 [01:38:26]
比如说。0,1的话，它可能0是最理性的，然后1是最理性的。它这个判断理是否理性的判断标准也是基于它模型本身就是大数据的。大数据概率模型，神经网络概率模型。比如说还是以查天气为例。你告诉他今天天气怎么样。然后有85的概率，大家都选择今天是晴天，那么如果是比较理性的模型，它会选择这个概率特别高的。今天天气是晴天。

🟢 说话人1 [01:39:02]
然后可能还有人会回答今天去上班儿，就你问他天气怎么样，他回答今天去上班儿。虽然也会有这种回答，但它的概率会比较低，如果不太理性的模型，它就会把这个答案也采纳进来，你可能就会得到两个答案，你问今天天气怎么样，它会告诉你今天下雪。然后今天去上班儿。这就是模型是否理性，如果出现幻觉，大概率就是这个模型它底层的会比较不太理性，它更多是倾向于联想型舒缓型的。

🟢 说话人1 [01:39:39]
一个模型，这时候我们其实换模型是最好的一个方案，因为你这时候给的提示词越多，他可能会更联想，然后分散，这样就未必有最好的一个效果。

🟢 说话人1 [01:40:01]
然后我们要控制幻觉的话，就是强制要求他必须基于我当前已有的项目，然后再去判断原因，最后给出方案。比如说就像刚刚我们在代码儿里，在后端代码仓库里是没有前端的代码，所以我们让他去改，他可能就会出现幻觉，这时候我们可以试一下。嗯。

🟢 说话人1 [01:41:24]
就是因为我们这是一个后端的项目，是肯定没有登录页面的，这时候我们再让他去修改登录页面。如果说非常理性的模型，或者说好一点的模型，它会告诉你没有这个页面，如果说一般的模型，它可能就会自己去构造一个页面，然后告诉你我已经改完了。

🟢 说话人1 [01:41:54]
这个就是模型幻觉的一个原因。它一方面是跟它自己本身的嗯，调调调节参，调节参数有相关性。另一方面，就是我们的上下文也不是很准确，在没有的时候让他去修改。所以这时候我们想让他不出现幻觉，就是先找到证据，先控制他这个东西到底有没有，其次再判断原因，他为什么会出现这样的幻觉，最后再给出解决方案。

🟣 说话人2 [01:42:41]
嗯嗯接下来就是证据。

🟢 说话人1 [01:42:56]
这这个证据呢，就是说模型要基于哪些是确定性，哪些是推测，哪些是不确定的。比如说我们之前上午生成的 wiki 文档，包括他自己能在代码里找到的，就都是已经确定的事实。第二个就是合理推测，像是我们前几轮对话中，虽然我们没有前端文档，没有前端文档，但是他能根据我后端返回以及对这个框架的了解，他知道你控制权限是用的哪个自定义指令，然后用的哪个权限关键字。

🟢 说话人1 [01:43:35]
最后无法确认的是他既没有去改，既没有去合理推测，然后也会在也没有拿到相关的代码依据，然后就去改。

🟢 说话人1 [01:43:58]
像这个有可能会陷入到死循环，看一下。嗯。

🟢 说话人1 [01:45:52]
这就是我们就让他去执行，因为我们没有登录页面，然后让他去改，他最后告诉我们这项目是空的，他改改变不了，然后也会有一些自己推测的原因，或者问我们下一步的计划。这个就是现在基本上模型已经不会出现这种低级的幻觉了。

🟢 说话人1 [01:46:20]
所以这部分我们就简单的过一下。

🟣 说话人2 [01:46:24]
但实际上刚才的那个问题，他也是思考的时间会比较长。

🟢 说话人1 [01:46:31]
这也就是还是会以我们的事实基准为依据，他会全局搜索你的登录页面，如果说我们之前在本地的 wiki 文档里面已经定义了，我这是一个后端项目，没有前端页面，他可能会找到，然后快速返回。

🟤 说话人6 [01:46:57]
嗯这个就是如果他给出的方案，就比如说他刚刚给了两个方案，然后一个是去拉新的前端项目，另一个就是说自己再写一个前端登录页面。

🟢 说话人1 [01:47:13]
我们需要根据他给的一个方案，确认是否要进行这么操作。如果说不需要的话，我们就直接跳过即可。

🟢 说话人1 [01:47:32]
这个就是幻觉的控制。现在基本上一线的模型很少会有这种情况，出现这种情况也有一种可能就是上下文过多了，这时候我们就需要开启一个新的对话。然后让他去有一个干净的上下文。

🟢 说话人1 [01:48:02]
接下来就是基本上每个项目都是这样的，就是哪一些文件是不能提交的，然后哪一些文件是可以提交的，就是我们常规的像最真实的配置以及构建产物，这个是不需要提交的。然后本地的这些也不需要。然后至于 ai 上下文，这个要不要提交?如果说我们这是一个有价值的，其实也可以提交，但是不要把一些密钥啊，然后关键数据放到 ai 的上下文里。

🟢 说话人1 [01:48:38]
如果说也是没有意义的，只是为了解决一个问题，解决一个 bug 然后跟他又扯皮扯了好几轮儿，那是没有必要提交的。

🟢 说话人1 [01:48:53]
另外这个就是我们提交的时候要看有哪些风险，比如说你的文件里边儿

🟢 说话人1 [01:49:11]
因为这是一个开源项目，所以它的配置会有一些相对敏感的信息，但是我们在真实项目中就不会提到这些。

🟣 说话人2 [01:49:33]
嗯，我看一下他的这个。

🟢 说话人1 [01:49:48]
这就具体他做了哪些忽略。

🟢 说话人1 [01:49:56]
然后还有一个有意思的点就是因为我们现在用的 AI 开发工具越来越多，然后不同的 AI 会有不同的隐藏文件，比如说点 py 点 vs code 然后有点 author 可能还会有什么点 code 然后点 code x 这种。就是 AI 的百家争鸣吧，其实这些隐藏文件也都是需要进行忽略的，就都配置到这 git 了。

🟢 说话人1 [01:50:27]
嗯get 一个 more 里面儿就可以。

🟢 说话人1 [01:50:46]
如果我们这个会比较多的话，也可以让 AI 去帮我们检查，比如说。

🟢 说话人1 [01:51:58]
嗯，这个忽略文件一定是根据我们具体的项目来的，因为即便是你再一样的配，再一样的项目，它肯定也是有不同的一个特殊处理。

🟢 说话人1 [01:52:17]
这就它提示我们会有这些，要把配置文件也屏蔽了。

🟢 说话人1 [01:52:50]
这是一个标准的示例。

🟢 说话人1 [01:53:01]
这个就是到了 ruler 的一个相关讲解。 

🟢 说话人1 [01:53:11]
ruler 的话，我们刚上午也是简单的加了一个 ruler 然后呢?但是那个 ruler 呢，可能会比较简单。然后我们需要根据不同的项目，有项目级别的 ruler 就以若一这个为例，加一些关于安全的一些 ruler 尤其你后端的可能更关注是账号密码，然后接口权限的注解，然后菜单权限，然后数据敏感这些。

🟢 说话人1 [01:53:41]
所以就是这里边儿有一些东西可能需要让 ai 去参与，有一些东西不需要让 ai 去参与，这时候我们就需要在 ruler 里边儿去进行配置。

🟢 说话人1 [01:53:58]
写 rule 的时候，我们可以就明确哪些功能，它的触发场景是什么?像刚刚写的那个，它就每一次都会触发，但未必是我们需要的。这样的话，我们就加一些触发场景。比如说我是有一个用户的 rule 那么我就把用户相关的权限要求都写到这个里面儿。我换部门儿或者换其他，换什么商城的，这种它就不会触发你用户的一个 rule 第二个就是 rule 必须执行的一个动作。

🟢 说话人1 [01:54:34]
AI 它应该去检查什么?去执行什么?然后权限注解什么?第二，第三个就是 AI 不能去偷懒或者绕过什么。AI 偷懒就常见的就是一个特别大的任务，它列了五六条，最后可能只完成两三条，然后告诉你它已经完成了。这时候我们发现它做的页面也不太对，然后东西也会有丢失。最后的一个验收方式就是咱们确定规则被遵守了。我们就需要事例是，比如说它的文件路径，注解有没有这种权限的测试合理不合理。

🟢 说话人1 [01:55:20]
像这种事例，我们就可以加进来。

🟢 说话人1 [01:55:27]
这个就是像是权限的一个 ruler。

🟢 说话人1 [01:56:06]
这里边儿加入了，就我们可以在这里加，比如说我添加一个项目的入了，或者我们也可以直接在这里加。

🟢 说话人1 [02:00:03]
这就是我们现在已经加了两个入了。

🟢 说话人1 [02:00:16]
我们可以看一下安全相关的入了，我们就添加示例第一个就是前端的按钮，它只是作为交互控制，不能作为安全边界。这也就是要求涉及到修改权限相关的代码，它不会以前端权限完成就终止任务，它必须会它肯定会它后端相关的反馈了，sorry 这些有没有增加对应的权限?第二个就是只要涉及到修改权限，权限涉及到新增修改删除导出的操作，就必须要去记录日志。

🟢 说话人1 [02:00:53]
相当于我们把原来一个可能就是你新增一个导出的权限，现在已经聚合成为导出的权限，它必须校验你前端有没有做，后端有没有做，以及你这个导出的权限有没有记录操作日志。这样的话就能约束它生成的代码尽量是符合我们项目规范的。

🟣 说话人2 [02:01:21]
嗯接下来就是权限和审计的一些

🟢 说话人1 [02:01:47]
进了。

🟢 说话人1 [02:01:53]
比如说涉及到用户这些的时候，不能只依赖于前端的安全权限。这个进入了，它的强制措辞就更加强烈，以及它也增加了审计的要求。说明了更加具体的一个行为。如果说刚才那个是约束我们整个项目，它必须有哪些操作，那么像这个入了，它就会更多去约束你所有的行为，它能不能去。执行。不同的 ruler 它应该是有不同的层级规范。

🟢 说话人1 [02:02:29]
比如说像我们刚才不管什么项目，它业务需求全局的 ruler 都是刚刚那几个都是刚刚这些。我前端的按钮只能作为交互，然后涉及到后端就必须检查后端的权限控制。然后涉及到增删改，增删改的时候必须记录日志。这个可以作为我们全局的规范，就是我们整个项目团队或者说整个技术部门的一个规范。然后像下面这个，那么我们就涉及到具体的项目。

🟢 说话人1 [02:03:12]
比如说有的项目，它可能不会有部门儿或者不会有岗位这么一个功能，我们就直接在这里写涉及用户角色菜单，就不需要再添加部门和岗位这两部分。然后像这个它是检查后端的ctrl了，但是我们有一些项目可能是没有用到若依这个项目架构，或者就不是用 java 做的，我们这时候我们就要求它是跟我们的项目相关的。比如说我要用 node 写，它就会检查 node 的跳转或路径什么的。

🟢 说话人1 [02:03:54]
再之后就是注解，这也是项目特有的一个行为。我必须要有注解，然后我有 aop 依据以及我下边儿是无法确认权限的时候，标注为不确定，并且添加 ctrl 和 service 相关日志切面的文件。

🟢 说话人1 [02:04:17]
前面这个是整个大体的规则约束，后面就是涉及到具体的了。它会更细致的要求我们在这个项目里，他能做哪些操作。

🟢 说话人1 [02:04:37]
再之后就是敏感的规则配置。

🟢 说话人1 [02:04:46]
敏感的规则配置就是第一个不能有数据库密码，然后像什么数据库 redis jwt 然后第三方密钥不能有这些。第二个就是不能提交真实的生产文件或者开发文件。第三个就是示例配置使用占位符这些等等。嗯嗯。

🟢 说话人1 [02:05:19]
嗯，像这个的话就不那什么了，我们就直接跳过。基本上还是刚刚要求的几点。

🟢 说话人1 [02:05:31]
最后就是如何编写它的整个规则。以这个项目为例的话。

🟢 说话人1 [02:05:44]
它的规则一定是，这就是下到了项目级别的一个规则和我们整个。整个全局的规则是相对来说更细化的。如果说我们的整个技术栈一样，可以使用同一套规则，如果说我们的技术栈不一样，那么我们在全局的规则下边儿只约束它的一些强相关的条件。给他搭好具体的大框架，然后我们下边儿在项目里再去细化这个框架的具体规范。比如说像这个，前端页面不能直接手写请求体，必须放到对应的 API 模块儿。

🟢 说话人1 [02:06:28]
然后后端必须保持，然后新增枚举时一定要先检查有没有相关配置，不要在一个页面写硬编码，其实这个对于成熟的商业项目来说，像这种应该都是同一个标准，就是我们不要在页面写硬编码。然后要求分层必须明确，请求地址必须合理，像这样的。最后代码生成的检验必须经过校验才能会提交。

🟢 说话人1 [02:07:24]
这个就是代码生成的 review 清单。

🟢 说话人1 [02:07:31]
像这种，像这种的话就是你看像我们刚才翠里边儿，它自己也会有自己的 code review 然后我们可以就基于它那个，比如说拷贝出来一份儿，然后我们改成自己需要的 review。这时候的话，第一个你自己写的 review 相对来说会比较安全，第二个也更符合我们的使用。还有一点就是其实大家可以看到，目前即便是中国版就是国内版的，它的 ruler 就它的 skill 也大部分都是英文的。

🟢 说话人1 [02:08:09]
这时候我们就可以用，就尽量还是用英文吧，因对于模型来说，英文的歧义可能会更少一些。

🟢 说话人1 [02:08:22]
检查的方式配到 skill 里，然后我们在入了里面就配置它要去检查哪些。比如说检查抗初老，检查菜单权限，然后检查操作日志这些。至于怎么检查，那就是 skill 的事情。

🟢 说话人1 [02:08:48]
再之后就是测试我们的规则有没有生效。

🟢 说话人1 [02:10:42]
它会告诉我们测试的步骤，然后一些预期以及我们应该测试的哪些点。

🟢 说话人1 [02:11:00]
可以看到它已经在读取时使用了我们权限的这个输入。

🟢 说话人1 [02:12:45]
我们可以再开一个新的对话，试一下我们刚刚的配置。

🟢 说话人1 [02:13:17]
像1点 md 这个入了它就没有生效，因为我改它是涉及到代码生成相关的。并不是在我们这个权限校验里，所以我也所以它也不会生效。然后因为我要做这个测试用例，实际上如果我们不用这个权限的入了也可以。但是这个入了更多的是约束了它的测试用例要符合我们之前的一个项目规范。比如说还是回到权限内部，必须前端后端都增加权限，然后我的权限需要哪些?

🟢 说话人1 [02:14:00]
哪些操作需要记录日志。

🟢 说话人1 [02:14:18]
再之后我们说一下前端的规则。前端的规则的话，像这些的话，基本上网上都会有非常成熟的一个方案，那么我们是需要根据他的一些方案制定符合我们项目的一个 rule。并不是说把它整个拿过来，它可能更多的是针对于他们项目的，或者说一些通用的方案。用起来不能说不对吧，但可能不是很准确。

🟢 说话人1 [02:14:58]
所以我们先要明白前端的一个改动流程。改动流程就是我们崔应该先做什么，然后他不允许做什么。比如说我们第一阶段是找到入，找到入口，毕竟是前端嘛，先从页面进来，然后页面再找到对应的 API 模块儿，再找到权限字符，再找到字典，就这么一层一层找下来，找到入口之后再去改代码。是我们需要改页面，还是需要改 API 的接口，还是需要改权限。

🟢 说话人1 [02:15:36]
每一步我们都要标识它不允许做什么操作，最后就是查看有没有风险，有没有漏改的，然后需要二次确认的。以及一些错误提示，这就不允许他只看前端，不看后端。最后就是验证给出我们需要，如果说我们需要测试的一些关键逻辑点。

🟢 说话人1 [02:16:08]
这就是用户管理页面的一个规则示例。比如说这些按钮必须增加权限控制，然后删除必须二次确认，提交失败有没有恢复的，提交失败后恢复的 loading。然后修改完用户之后刷新列表，敏感字相关的。

🟢 说话人1 [02:16:34]
之后是权限的审查表。比如说新增的，新增删除修改这些。这个最后是应该让 AI 给我们出来这么一个审查表，然后我们对应的相关审查表去看我们的代码是否符合要求。它不仅是前端的，然后更多也，然后也会有一些后端的。

🟢 说话人1 [02:17:04]
这个就是一个具体的规格配置。就是新增页面按钮的时候，首先我们要复用项目里已经有的，不要再去自己新增。第二个就是接口调用的时候，必须放到对应的 API 文件里。页面不能只调用封装方法，页面只调用封装方法，不能再写硬编码，也就是把接口地址直接写到页面中。第三个就是涉及到删除重置密码这种需要二次弹出二次确认框，就是比如说用户点完删除，再弹一个是否要确认删除这样的。

🟢 说话人1 [02:17:42]
最后就是字典的展示，必须使用已经有的，而不是每一套逻辑，它都会自己再生成一套字典。最后就是权限的相关控制。

🟢 说话人1 [02:18:04]
我们再把这个也加进来。

🟢 说话人1 [02:18:17]
像这个的话，我们就直接可以加到前端的项目工程里。

🟢 说话人1 [02:21:28]
因为我们现在没有，这次没有相关生成代码的演示，所以就直接去通过这个方式调研它的一个规则生效。

🟢 说话人1 [02:24:56]
比如规则三，敏感按钮二次确认和 loading bug 这里会有一个空指针的风险。

🟣 说话人2 [02:25:06]
然后剩下三条呢?

🟢 说话人1 [02:25:10]
剩下这三条是不适用的，因为它是没有字典相关的，然后 API 封装这个是合规的，所有接口都会在 API 文档里。像这种规则呢，就是通常我们在生成代码之前，让他去遵循我们这个规则。然后如果说是我们已有的老代码，像刚才也有同事提到我们这个生成的代码质量可能和原有的代码一样，如果提高它的质量，那么就可以通过这种规则去强制要求他必须按照一个什么样的质量去提交。

🟣 说话人2 [02:25:51]
嗯嗯然后接下来我再把刚才弄的安全的嗯嗯

🟢 说话人1 [02:26:57]
像这种的话，我们就可以选择智能生效，或者手动触发，只有我们在操作相关的东西时，再让他进行再让他进行触发。首先还是刚刚提到的真实配置环境不要提交到仓库，然后密码这些也不要不能在源码里体现。

🟣 说话人2 [02:27:35]
嗯嗯然后账号密码不在前端写死，然后也不能在日志里有。

🟢 说话人1 [02:27:45]
如果涉及到重置密码和操作密码，必须有人工审，人工审会弹出对话框。

🟢 说话人1 [02:27:59]
再之后就是前端权限的一个边界。以及后端权限的一个边界，还有数据权限的一个边界，还有操作日志。最后就是代码生成相关的。然后刚刚还有一个页面相关的规则，也是简单写了这几条。我再找一下整个完整的。

🟢 说话人1 [02:29:06]
像这种就通常是一个比较完整的 lora 它不是说和刚才的页面相关，而是整个前端工程都会用到的。比如说一个是 API 调用，它会要求哪些接口是需要放到哪里，然后新增修改删除必须遵循命名规范，还有就是不要在多个页面里重复写同样的请求逻辑。还有一些动态路由的规范规则以及按钮权限相关规则，也就是列列表页面，比如说列表页面必须有 loading 状态，有空的状态，有错误的状态。

🟢 说话人1 [02:30:00]
还有一些默认的状态，以及我查询之后应该刷新数据之类的。还有就是表单页面。表单页面的规范就是新增主要的就是有没有增加校验，哪些是必填项，哪些是非必填的。然后请求失败之后，我是关闭呢?还是说停留在当前页面，然后重新释放提交按钮?包括我包括新增和编辑之后应不应该关闭弹窗?嗯有没有确定发起列表以及表单重置相关的??

🟢 说话人1 [02:30:44]
最后就是导出和删除的规则。

🟢 说话人1 [02:30:56]
还有就是字典显示相关的规则。比如说我们一些状态，然后类别，性别这种的，优先使用自己的字典值。然后不要在页面里面临时写死硬编码的字典值。还有就是修改字典值的时候必须做全局检查。

🟤 说话人6 [02:31:20]
嗯包括列表,表单,详情,导出,这些。

🟢 说话人1 [02:31:25]
另外就字典值缺失的时候，不要直接报错，会有一个兜底的展示。还有就是字典值异常的时候，不能导致页面崩溃。这个就是相对来说比较完整的。

🟢 说话人1 [02:31:42]
但这些更多还是说我们前端项目的一个通用规则，如果我们涉及到具体的项目页面，我们也可以要求他更。更细致一点，比如说我们的样式，如果有样式的公共文件，就要求他必须添加样式都放到哪个文件里，然后添加的页面都放到哪里。然后不能，然后我们的依赖循环是怎么样的?必须是从上到下，不能形成父子循环，或者依赖循环。还有一个就是

🟢 说话人1 [02:32:56]
接下来的部分还会涉及到一块儿，整个测试和编码的一个 ruler。时间可能对就说到这儿，明天我过来说时间可能不太够，所以就是这个不行，明天再说，然后针对于刚刚的有哪些有什么问题，大家可以再提问，然后我们去做一个答疑。或者就是说大家在编写规则的时候感觉哪里会有问题?

🟠 说话人5 [02:33:37]
有什么问题?你可以你这边有什么问题?有什么问题?

🟢 说话人1 [02:33:44]
就也别的问题也可以啊，就是跟整个 ai 开发的。嗯，其他问题也可以，不一定是非局限于今天讲的这些内容。因为大家可能使用程度不一样，碰到的问题也不一样。我们在有时候有一些课程安排的话，也是从浅到深，看大家有什么具体的问题。当然就是线上的同事有问题的话，直接发到对话框里就行，我这边看见会解答的。

🟣 说话人2 [02:34:23]
嗯嗯就是说这个知识库是根据个人经验自己去一直积累的，还是说可以有一个整体的东西，可以先借鉴一下，先初步生成一个，然后再慢慢完善是上午聊的那个吗?

🔵 说话人3 [02:34:56]
对就是根据项目，其实那个是跟个人的习惯没有关系，他只是

🟢 说话人1 [02:35:06]
看这个吧，这可能大家更清楚一些。

🟢 说话人1 [02:35:16]
索引和文档，实际上上午那个 wiki 文档，它也是在做这个过程，只不过这个过程我们手动去把它细化一下，如果说我们就像我们后端查数据库，如果我们不见索引的话。可能查的会比较慢，但是我们建了索引会查的比较快，上午那个 wiki 文档也是一样的道理。实际上是相当于把我们的代码建立了一个索引，都放到一个文档里，ai去查的时候，它能查得更快。

🟢 说话人1 [02:35:50]
它作用就是这么一个作用，它不会再去查找整个项目或整个我们的工作空间，再去一点点搜集这个代码。相当于是我们手动把整个项目的信息都压缩，再喂给 ai 它就是这么一个作用。

🔵 说话人3 [02:36:10]
这个也是让他们让 ai 去生成的。

🟢 说话人1 [02:36:13]
对，让 ai 去生成，因为只有 ai 它自己清楚它想要什么。就是我们，就我们添加规则也好，添加这些都是基于我们对项目的一个判断去添加，添加完之后就我们自己写完，我们也可以让 AI 再去校验，或者说再让 AI 去修改。有一些描述可能我们认为是合理的，但对 AI 来说，它确实理解不了，它认为会有歧义。因为它所理解的是大部分人都使用的一个习惯。

🟢 说话人1 [02:36:51]
所以他给你的推荐也是他数据，他训练数据里有的这一部分，更倾向于他理解我看你现在说的这个规则这一块儿规则的话，基本上每个项目都可能跟你现在举举一个是弱的对可能有的项目可能有点区别。

🔵 说话人3 [02:37:15]
你这个规则是 ai 生成的还是自己的这个规则是你先定义大概的框架范围，比如说我们的基于商务，我们整体的架构有了，那么我们就添加新的功能模块儿。

🟢 说话人1 [02:37:31]
我们就要求它必须是分三层，就以后端为例，分三层，ctrl了 service 然后 do 层，我们就分这么三层那么我们告诉他新增一条规则，然后项目要新新生成的模块儿要分为三层，然后每一层做什么。你把你的要求告诉他，他自己会生成符合的规则。

🔵 说话人3 [02:37:55]
其实在开发的时候，我们基本都会有一个工程，虽然是前期的工程，可能会有一个框架类的工程，然后到开发的时候，也给他提了几个规则。市场也会默认按照这个标准架构来进行，就像你说的按后来分餐这种对对对这种规则的话，还不如提前学习，再写就行了啊这个其实有看你的倾向，就是规则它管的非常细。

🟡 说话人4 [02:38:31]
或者说你适合做一些非常精细的管理，那你现在 ai 这个智能已经足够强了，很多时候可能你不用这个入子也是没问题的，它都本身足够聪明，能够拿到所有上下文。拿到所有的细节，可以说你可以选择性的说到这个点是因为有些超大型的项目，或者自己的习惯想精细的去控制某一块模块儿，比如同一个仓库有两个完全不同的理念。或两个不同的项目，然后这样的话可能这个入子起的作用会更明显，更明确。

🟡 说话人4 [02:39:05]
但是像他这种我使用过程中就发现他已经按照我们项目的规则分那个项目名称来了，这种规则是不是不用再做一次其实这个就是

🟢 说话人1 [02:39:20]
首先就是说我们这一轮 AI 火起来之后，大家会发现几乎隔几天会出来一个新技术，隔几天会出来一个新技术，大家可能都学得焦虑了。但是也不太清楚它这个新技术能解决什么问题。它会有一个时间差的概念，比如说我最早是模型出来，然后大家发现它的生成太随意了，我就增加 rule 去约束它，然后越到后面又发现它没有工具调用的能力，我就增加 mcp 再到后面我们就发现它可能没有相关执行能力。

🟢 说话人1 [02:39:56]
也没有相关的规划能力，我们增加了 agent 就说我们不断地在模型的外围，丰富我们的框架，然后去约束模型的输出。在这个过程中，模型本身也一直在进步。有一些确实会被淘汰，但是你要说它有没有意义呢?我是个人认为还是有意义的。它是避免你出现模型百分之一或者就是百分之零点一那么一个抽风的可能。你不能说你不，因为我们谁也没有办法确定这种神经网络概率模型，它百分百每次出的都是我们想要的，所以我们就需要用规则去约束它。

🟢 说话人1 [02:40:41]
像它现在模型能力强了，它可以学习到我们已有项目的一个架构。但它每一次生成，它都会去重复这个学习过程，然后再去重新生成。如果我们把这规则落地之后，第一个是能节约它每次去查询项目学习的过程。第二个是能强制要求它必须按照我这个规则去输出。它起到就是这两个作用，但是你要说现在模型能力这么强，你不加这个可以吗?

🟢 说话人1 [02:41:12]
它其实也可以。

🟣 说话人2 [02:41:13]
嗯但是可以的话就是你上下文报表，上下文超出来的话，或者有时候大家使用多了会发现模型有时候会有降质的行为，你可能算力不够的时候，它确实会输出的质量很一般。

🟢 说话人1 [02:41:36]
这种也会需要规则去约束。

🟡 说话人4 [02:41:39]
额外再提两个点，有些人会炫技，就是比用非常小尺寸的模型做出来就是和顶尖模型一样的效果，比如模糊的说一个需求，他可能需要这个褥子就精准的描述每一块的业务逻辑。防止就是让这个小尺寸模型也能自我反思，自我调控，所以这是一种实验场景。另一个点就是这个褥子它现在不够通用，就是咱现在在这个脆上用，后面如果咱换用其他工具，习惯其他工具，这个褥子可能就不生效。

🟡 说话人4 [02:42:12]
这就相当于他们定了一套规则，这里也有很多故事，明天打算去讲一下这个眼镜的一些细节，或者说我们讲一下这个技术的八卦。你刚才提到A AI 很多情况下就足够聪明，我们也是认可，就是薛老师也说到，我们会有一个 agents md 的概念，就是在每个模块里都可以去约束这个 AI 的能力。它更粗放一点，更宽泛一点，然后现在 AI 能力足够强，其实已经能够正确去遵循，所以回应的说这个褥子有没有用，很多情况下是可以不用，但是取决于你对这个 AI 做的事情信任程度如何，和 ai 这个能力到底智力智商如何?

🟡 说话人4 [02:42:55]
就是我们使用一个可能电脑上就能跑的小尺寸模型，然后恰当的使用这个版本的话，是能够自我约束它的。比如它改着改着飘了，那我们这个入子去加进来，它可能去改的时候会把这个上下文加进去，就能去控制和避免它的这个思维又飘或者乱改，这是一种比较常见的一种场景。如果我们使用其他编程工具，这个入子可能就不生效，就是说需要再做额外的迁移。

🟢 说话人1 [02:43:22]
对，其实这也就是大家会发现不管是模型周围的技术，周边的技术，包括 mcp ， skill 等各种技术的演进，它只是解决了一个问题确保模型输出的稳定性。因为概率模型，我们谁也不知道同样的关键词喂给他，他下一轮会输出什么，这完全取决于它的一个概率，它选择概率。比如说同样是这次它输出选择了85的人选择的概率，下次可能是选择了88的。

🟢 说话人1 [02:44:01]
所以我们做的就是 ruler skill 这些都是通过我们不断的提示词去约束，然后确保它所输出的东西是我们需要的，把它的概率问题变成确定性的问题。这个就是现在大家都在做的一个东西。

🟡 说话人4 [02:44:21]
我们明天应该是半天的安排，然后明天计划把薛老师没讲完的部分让我们快速补，因为我们这两天第一阶段的目标还是把用的浅用的不熟的这个同学。然后把这个认知拉上来，我们就是确保基础部分都是能讲得通的。然后另外的部分，我会详细尝试在专门说一下，比如就刚才提到这个 rules 它的演进变化，然后我们包括这个吹里面还有一个 comments 的那个命令那个概念和 skill 可能是比较相似的。

🟡 说话人4 [02:44:52]
这里做一个拆解，就是把一些常见的困惑，使用上的困惑，把它做一个快速答疑。然后另一点呢，就是各位手头上都有这个书了，然后明天也会快速过一下书的结构，然后就是快速做一个讲解，细节可能不做每一行每一页的介绍，主要还是带读一下。然后这样说，我们在下次见面时，各位可以再理解一下这个基础的使用，然后 ai 一些这个基础的部分，这个知识。

🟡 说话人4 [02:45:17]
然后书上有如果有这个问题或者不清楚地方，可以留下，我们也是看陈老师看能不能组织一个问卷儿，我们下一波的时候针对这个问卷儿上的问题更针对性做一个回答，然后我们再沉淀一些知识。

🟠 说话人5 [02:45:31]
其他人那个东东你这儿有啥问题?其他人有没有?

🟤 说话人6 [02:45:35]
老师我再问一下，就是那个微信两 m 嘛，我记得是不能超，带宽不能超过两 g 还是三 g 我记得之前好像试了是比如我现在在外面的这个，然后在你的服务器上跑。

🟡 说话人4 [02:45:54]
啊这个可以打个点啊，对，这我下面明天带个带案例试一下，这个应该就是可能会有防止上下文是这个爆炸的这个限这个限制，但它的这个技术的这个实现上也是先就近。就是先优先改，他要改某个文件时先看附近的，然后再一层一层往上找这个东西也不希望它非常的爆炸，非常的多。嗯那个要不咱什么，你刚才新老师问的问题清单，要不咱微信群里你建个就是

🟣 说话人2 [02:46:33]
另外一个明天的安排是咱们那个明天上午半天课，因为那个下周一或二，给李老板汇报 ai 编程工作规划。

🟠 说话人5 [02:46:47]
那个项目组有几个人给辛老师和徐老师明天下午会讨论汇报材料。关于我们这个 ai 编程，的发展或下一步大家有什么问题，也可以在那个微信群里反馈，我们也征集一下写一下，因为给老板汇报的时间也大家有什么心声啊对他的反馈，我都可以写在群里反馈，我们也征集意见，没有其他问题，还有其他问题吗?这个线上的那个有十多个人有什么问题没有?

🟠 说话人5 [02:47:27]
咱们可以对你你摇一下，聊天儿那个应该还说我发的什么声音上午的上午九点

🟣 说话人2 [02:47:44]
恩在那个那个那个谁那个陈源那边看不到。

🟣 说话人2 [02:47:56]
恩那要不今天下午就到这，那个明天上午还是9点啊。

🟢 说话人1 [02:48:02]
好明天照样签到。好下午没录是吧?啊

🟡 说话人4 [02:48:23]
累瘫了吧?哈哈哈下午没下午没录吗?

🟢 说话人1 [02:48:27]
可能是，没事，不用管他那你那你你是明天走是吧?我今天晚上的票晚上几点?嗯，今天晚上我买的是八点的票八点对八点多吧就八点，八点十几就基本上多也多不到哪去不带巧，他这个临时有事是

🟠 说话人5 [02:48:55]
走那个饭店吃个饭，吃完饭再走。因为坐那个坐那个地铁是最快的，它可以七七分钟，地铁八号线。

🟢 说话人1 [02:49:02]
一会儿坐地铁。

🟠 说话人5 [02:49:05]
八号线很快。

🟢 说话人1 [02:49:06]
吃饭应该就可以。

🟠 说话人5 [02:49:08]
时间几点?

🟢 说话人1 [02:49:10]
啊，你和你和季老师吃，我就先撤了。

🟠 说话人5 [02:49:15]
啊。

🟢 说话人1 [02:49:16]
应该可以，你直接去坐坐地铁。

🟡 说话人4 [02:49:21]
嗯，下一个就明天吧，就说还没说完的，然后就我们刚才说嘛，目标还是把这个东西拉齐，然后再反馈一波儿，刚才和海波也聊了聊他关心的这个指标，我们后续第二个准备到时候再讨论。到时候我和海波再多聊一聊，然后看看这个规划。

🟢 说话人1 [02:49:40]
行，然后看指标，如果不行就安排到后面儿，不是说需要这个指标的只是少数人，我们等他们回一个表儿，然后再讨论一下。

🟡 说话人4 [02:49:54]
行，走走走。

🟤 说话人6 [02:49:56]
其实我年轻过，就是一个缺点就是这个指标到底能不能收集。嗯主要看你这个工作到底能不能建立成对对对你再说说你的预期，咱就是拆一拆看就看这个事儿。

🟡 说话人4 [02:50:09]
现在这个企业版后台我没看，比如你们有什么诉求，对了有一些指标企业版后台有一些，但是我们目前主要还是那个采纳率的问题，采纳率难是难自己做，然后其实采纳率这个数特别难这个采纳率之前前年还有说。因为那个 tab 就是你摁回车然后再点，但是现在可能已经完全没话摁回车了，所以它的采纳率应该

🟠 说话人5 [02:50:33]
地铁不堵车你直到东单那直的你要再开车的话还绕这会儿还堵车我们那个没有任何冲突嗯我我我我们现在还没有建立所谓的需求计划然后再去消耗你没有一个参照嗯嗯在这个里面我可能只能做一些过。

🟤 说话人6 [02:50:50]
程指标就是采嗯我只能看我这个 ai 生成这个代码儿最终和我提交到计划上那个代码儿哎咱这样我看一会儿我看看后台数据咱看现在有哪些指标看因为不一定最终

🟡 说话人4 [02:51:04]
反正最终可能不叫这个词儿，或者说有别的词儿，反正还是给人汇报去观察我们下面情况，包括那个固定消耗量，包括这个活跃情况应该也是可以分析的。要不您在这儿看一眼，我今晚还有点事儿。哦哦哦，那就。你走你走吧。我先撤了，你告诉他们一声。你要回房间去。

🟢 说话人1 [02:51:28]
我不回了，我直接去做。

🟡 说话人4 [02:51:30]
你赶个时间。

🟢 说话人1 [02:51:30]
直接去做。

🟡 说话人4 [02:51:31]
你用我我送你。

🟢 说话人1 [02:51:34]
嗯，你拿上我给你放，你拿上我给你放，你先看看后台。

🟡 说话人4 [02:51:41]
不是我在找，我现在在找这一块儿东西，这我刚弄的，然后后台这一块儿他现在有这几个。

🟤 说话人6 [02:51:48]
这其实没什么意义，然后再。

🟡 说话人4 [02:51:52]
啊，就这儿，他现在目前是三个。

🟤 说话人6 [02:51:56]
这说实话这个也没什么意义。

🟡 说话人4 [02:51:57]
也对这个 q 的话。

🟤 说话人6 [02:51:58]
现在他只有一个生成率和代码质量。

🟡 说话人4 [02:52:02]
代码量。

🟤 说话人6 [02:52:03]
他这个是。

🟡 说话人4 [02:52:03]
但是这两个其实。

🟤 说话人6 [02:52:06]
是他的指标，其他他倒是给的细节给了个公式。

🟡 说话人4 [02:52:10]
可以把。

🟤 说话人6 [02:52:11]
嗯，说服度不够，目前现在其实就是。

🟡 说话人4 [02:52:14]
维度不够。

🟤 说话人6 [02:52:15]
嗯，对。

🟡 说话人4 [02:52:17]
现在人都能用完吗?有，就是每个人消费情况。

🟤 说话人6 [02:52:21]
有的人不用，有的人能用完，的确是。

🟡 说话人4 [02:52:24]
嗯。

🟢 说话人1 [02:52:25]
就还是。

🟤 说话人6 [02:52:26]
你像我都不敢用，都用自己的，我现在也自己。

🟡 说话人4 [02:52:28]
我看了一下，旗舰版里面就一百块钱。

🟤 说话人6 [02:52:31]
钱老师用的。

🟡 说话人4 [02:52:33]
也还好，你现在是个十百千万十万百万五百。

🟤 说话人6 [02:52:38]
五百多万。五百多万还好。主要还没加，我感觉还是没加什么规则，我怀疑规则什么乱七八糟一加起来估计就今天比较咱东西还比较干净今天一个是比较干净，一个今天实际上都没有生成代码对就已经五百万了是吧五百万对每个月五千万咱们。

🟠 说话人5 [02:52:59]
那几个人上上那个上几个亿那是几几个呀五一个月是五千万你看我们那有人这已经几天了一点八亿了啊一个月是五千万哦又满了我们现在是给每个人现在定的是一个亿。

🟤 说话人6 [02:53:16]
然后再外加四个亿的 deepseek 现在是这样，先看看只能说一点一点的试，不然也是个无底洞说实话，trick 有点费流量 trick 有点费 token 也费 token 是吧trick 它额度我看给的不高。而且有点黑盒儿我当时用 trick 跑，包括 cloudcode 去跑我的 glm 我当时 glm 上不是买了一个嘛trick 不管是我从完成率，还是它 token 消耗量都是远高于 cloudcode 的 GLM 的效果因为其实崔的缓存做得很一般。

🟢 说话人1 [02:53:56]
Kimi 应该是做得最好的Kimi code 是吧反正现在硬指标各位都得用，用超了之后就 cc 也好，什么 open code 也好，就是各各自选了的一般用超现在就是我们给他大约五个亿嘛。

🟤 说话人6 [02:54:10]
就是我们现在超两个超，一个超可能是崔的这个本身的协位额度超了，那协位额度超我们可能给的策略就是我们去买这个 c 个流量包，然后去做通过这个自定义模型。我们企业你们内部搭一套是吧，好的企业这儿可以有一个企业模型，它这儿它这个可以搭一个模型，您看也可以现在我把 k 删了，所以还没有，然后通过这种模型。然后再去每个人再去限定一个额度，比如四个亿，我让你再去啊对对对，okok。

🟤 说话人6 [02:54:37]
那如果再超，那可能就没招儿或者慢慢探探用户到就是我们企业到底应该每个人配多少，其实现在也是一个。

🟡 说话人4 [02:54:47]
嗯这个东西肯定最后不是一个均分的嘛，就是一个对对我们内部也是就高非常高低的就比较对一般是大致就会一人你就感觉比较多少我们骗我我我现在公司用的都比较超比较狠。我们期限都是每周是五百五百美元的额度走你们就放放因为我们比较激进就全托管了就走了各种基本上我昨天刚买了扣的 x 二十倍的那个啊我现在就想买二十倍的二百刀我现在就买二十倍的走。

🟡 说话人4 [02:55:22]
我二十倍基本上那个就能我用二百刀的话差不多就这个样子哦有了是对你看像像咱说的话其实就已经比较激进或比较尖端了就不代表大部分人情况对对主要现在这个东西就代表不了什么用我比如我拿这个去给这领导就看我说我这个 ai 有效果。就是

🟤 说话人6 [02:55:46]
大家可能都会说我这个你能从 commit 或者整体的项目管理角度去看到有大的和去年同期比之类的这种就是没有极限没有极限对，而且我们的是内网，我们的 git 是在内部的，它现在有什么情况呢?我这个东西现在是外网的，我们现在的确是在外网，但是到提交 git 时，我需要去把这个网络断了，换换到一个专网，然后那个时候它其实 ai 已经接受不了，至少外面的 ai 是接入但你能就是执行那个 get 命令。

🟡 说话人4 [02:56:18]
写到这个就是对我们现在想的就是写到 t r t 里，然后再让 ai 去分析这个我自己我包括我自己在聊，为什么我一直在纠结这个用它的 hook 嘛。

🟤 说话人6 [02:56:28]
我一直之前我一直在问加点对我是在想在这儿加点，然后就创这种 g c l 这种形式，然后去统计统计完之后再结合 git 那个在 git hook 那边儿就是在我 commit 这个你现在加在后台加模型是直连官方的，dbsic官方的还是你们自己搞一个 new api 之类的中转站呢?他这边儿可以直接能审计吗?

🟡 说话人4 [02:56:50]
有多少审计他能直接对他能审计到他那也能得到这个人用了多少，但是我得不到这个人具体用在哪儿，但是这个审你要说审计他用到哪儿都审计不到，他现在就是这个税只能得到我提一个点哈。就是有很多项目我们现在也是，就是什么 new api 这个词你不知道你知不知道，就是相当于搭个中转嘛，我们就是没有公网也没有一个专门的网站，我就是一个服务器或者一个什么我去中转这个事。

🟤 说话人6 [02:57:21]
我中转不了，我没有这样一个平台去中转你们不允许有还是不能有不能有不能有没有这样一个内网的也可以，也不行，内网就拉不出来了外网进不来了，我就出不去等于说物理隔离了那我提这个有没有那种中间的机器。

🟢 说话人1 [02:57:37]
就是一边儿是连着外网，一边儿是连着内网没有一机双网的，我们现在就是单网那就是拿不到底层的审计了，也就是说能装能装那个网卡还是啥，因为我不行不行不行。

🟡 说话人4 [02:57:50]
不合规不合规啊不合规不合规，一级就是那所以就没法通过中转站留底儿现在我是怎么留的呢?

🟤 说话人6 [02:57:56]
就是我这个也是只能靠人，就比如我这儿我记录到本地，让他再 commit 让他提交到远程时，我等于是我在记的仓库那边儿已经到我的那他我在仓库那边儿可能做一些脚本去我只能这样粗暴的统计。但是我现在其实嗯嗯，拿不到底儿的话，只能是从这个询上，commidcommid 或者 pr 这个交付上去粗的，而且没有基线，没有去年同期的话，也就这几个指标。

🟡 说话人4 [02:58:23]
这个 hooks 也不一定准，但是，主要是你对这个指标可信程度现在没有多少信心，这个就不太好把一个 hook 现在埋点它就是，要么 hooks 要么 ai 提示词里面加。

🟤 说话人6 [02:58:37]
但是 ai 提示词又特别费，而且对对对，没必要那个幻觉太高了然后 hook 相对稳一点，但是 hook 这个东西而已然后它只是给你显示个我改了多少行，如果我需要记录到追踪到某个代码。那个代价太大了嗯，那个我需要花大量的空间去可能就是哎你现在这个 hook 是怎么弄的?

🟡 说话人4 [02:59:01]
就是换个 api 就行了，请求个 api 就行了呗换个 js 嗯我想尽可能 node 一下是吧?okok 对这个话能简化成什么请求啊，无所谓，这都一样了，这都一样了然后其实最简单的还是问一下使用高德，看他的提交记录对，就关键那个东西你们就是就你直接看那个 git 日志嘛。

🟢 说话人1 [02:59:26]
你直接可以看那个 git 日志提交记录啥的然后你是关键就是你得去，你得还是你得区分它 get ，得有证据证明我哪是 ai 生成，这不是 ai 生成，我 ai 生成率多少不是。他如果说这个不好拿了就是他使用的多，然后他的提交频次和开发效率和之前保持一致，就之前也是三天一个功能模块儿，你使用 ai 加了那么多套你还是三天一个功能模块儿。

🟢 说话人1 [02:59:56]
你就得问那个是问题出在哪你这整体上有一个正相关或等比例的一个，嗯对可以根据提交频率，这个是一个思路嗯因为你现在能衡量的就是 ai 的，就你最后下到实地还是 ai 产出有没有用，如果说他真的是能自己把 token 造完，然后自己手撸的速度能赶上 ai 我觉得也挺牛的其实 ai 有其实大家都知道一个很明显就是 ai。

🟤 说话人6 [03:00:28]
 生成代码会多，而且会很正规，这个是能一眼就能看出但是我当时想的是我在 gitlab 那一层，就我们 gitlab 那一层，我通过一个模型去分析，但那玩意就是说是 ai 去分析的准不准咱没法说这个指标。

🟡 说话人4 [03:00:43]
不是不是很好或者 ai 认为你只是 ai 给你生成的，它就不是像咱这种零和一这种是和非的问题。嗯

🟠 说话人5 [03:00:51]
很很规范，一定要注释完整注释对关键就是那个问题说你可以说规范就是你凭什么主观太主观了呢嗯对这个是那我就注重写实化他这个其实老师说这个是这个的确是可以分析出一些行为还有一个点就是因为我不。

🟢 说话人1 [03:01:08]
知道你们的 git 提交是不是规范啊，其实像我们 git 提交是非常规范的，比如说你 fix 就解决 bug 就明显是 fix 然后新功能就是 feat 然后然后那个修改样式就是 style 就是目前不规范。

🟤 说话人6 [03:01:25]
但是后期想通过 git 想通过 skill 或者 root 去规范通过这个就能分析出来，而且因为我们也是用的那种类似于 jira 的工单管理工具，我提交的时候是必须关联我的工单号儿啊啊啊然后你通过这样的话就能量化任务完。

🟡 说话人4 [03:01:44]
成时间是衡量任务完成时间，后面其实就是整个整套软件 sop 的一个建议，不是光这一块儿因为你这个提高人效的话，就你不能说你提高了代码生成率。

🟢 说话人1 [03:01:58]
你只能说你提高了人效其实这两个应该还是需要靠 ai 对 host 记的测了一个分析，一个数据分析对你你拿到这个对，只能自己把那个啥。嗯。

🟡 说话人4 [03:02:12]
你拿到崔这边的表，然后把内网上 git log 日志打出来，再让 ai 分析一下。

🟢 说话人1 [03:02:19]
你拿到 git 的提交日志，它里会有很多东西，然后你直接把提交日志丢给 ai。

🟡 说话人4 [03:02:25]
也对。

🟤 说话人6 [03:02:25]
对，就是分析嘛。

🟢 说话人1 [03:02:25]
然后具体看哪一个用户提交的，你分析他的提交行为。

🟤 说话人6 [03:02:30]
走。

🟢 说话人1 [03:02:31]
那个 ai 是能分析出来的。因为我们现在也是就写日报，我就是靠这个。

🟤 说话人6 [03:02:37]
啊，是，有有我们有同事也让他看。行，那行，先这样，先慢慢的，我这几天也在完善着，刚好行，咱们看能不能利用几天。啊，那也不耽误你。那没事。嗯。



---

## 🔗 原始音频

- 链接：[音频文件](https://get-notes.umiwi.com/get_notes_prod%2F202606131319%2Fgetnotes_lcf_1a8b3a1b40129100AyFtLgCV.mp3?Expires=1790150069&OSSAccessKeyId=LTAI5t7toTp72R3TvdXf9QdK&Signature=Qr%2B4P7vOyJtGrCbw7QHhwRoxHOs%3D)
- 时长：182分55秒