Java + Agent 的发展路线，本质上是从传统 Java 后端逐步转向“AI 应用工程化”。先掌握大模型基础和 API 调用，再重点学习 Spring AI 或 LangChain4j，实现 Prompt、Memory、Function Calling 等能力；随后深入 RAG（知识库检索增强），结合 Embedding 与向量数据库如 pgvector、Milvus 搭建企业知识库；再进一步学习 Agent 的 Tool Calling、多 Agent 协作、ReAct 思维链以及工作流编排，最终成长为能够开发企业 AI 助手、自动化运维、智能审批、数据分析等 AI 应用的 Agent 工程师。这个方向更偏“业务落地 + 系统工程”，非常适合有 Java/Spring 后端经验的人转型。大家觉得以后是否java就是这个方向。感觉ai在发展纯java将会大幅度减少。 2 个帖子 - 2 位参与者 阅读完整话题
背景：AI coding如何真正的提升团队效率 行业实践中，AI Coding 已经能显著提高出码率。随着工具和上下文能力增强，团队 AI 出码率可以进一步提升。 但新的问题是： 代码生成更多了， 开发者工作量没有明显减少， 项目交付周期也没有明显缩短。 4 个帖子 - 3 位参与者 阅读完整话题
演进流程 Prompt → Workflow → RAG → Agent → Flywheel 为什么需要 LL本质上是概率模型，输出每次都不可控，所以需要工程化的手段将LLM的输出约束在我们希望的方向上。从而让LLM从单次生成到可交付，可控制，可迭代，可以应用于真实系统中的模块。 每个阶段解决了什么问题 1.Prompt 解决什么问题？ prompt给LLM设定角色，推理范围，约束，输出结构，边界条件，让LLM能够稳定的按照需求输出。prompt只能解决“单次推理”，无法解决长流程，状态管理，多步骤决策，外部知识，数据更新，工具调用，长期记忆。 2.Workflow 解决什么问题？ workflow将LLM拆解成稳定的可重复执行的节点，让流程可以稳定重复执行。无法动态选择路径，灵活度不够(可以通过if else分支选择)，多步骤信息丢失。 3.RAG 解决什么问题？ RAG解决的是知识不够新，知识不足的问题，能够了解内部知识，根据内部知识进行推理。降低幻觉 4.Context Engineering 解决什么问题？ Context Engineering 解决了上下文过长，什么时候要压缩，什么内容要保留，什么时候进行压缩，对上下文的管理。有限上下文里，如何放最关键的信息。上下文路由，长期记忆。 5.AI Coding 解决什么问题？ 解决软件开发流程如何自动化。包括代码生成，重构，测试，debug，review，文档生成，架构设计。如何重构我们的开发流程。 AI Coding解决了编码过程中重复编写业务代码，让人可以专注于更加重要以及抽象的系统设计及架构设计 6.Agent 解决什么问题？ 如何让AI自主完成目标。自主决策， 感知-决策-行动-反馈 Agent解决了LLM无法使用工具去处理外部世界的问题，Agent可以调用工具进行连续的拆解，处理外部世界的真实任务。 拆解任务，排优先级，调用工具，修错误，重试。主要是自主性高。 状态管理很重要。规划，memory，context，retry，eval，feedback 7.Evals/Observability/Data Flywheel 解决什么问题？ Evals评估：传统软件确定性，AI是概率性，所有必须建立评估体系。准确率，幻觉率，工具成功率，任务完成率，用户满意度。 Observability解决了不知道大模型工具调用流程以及修改Prompt之后效果，可观测才能进行调整。 Data Flywheel 解决了Agent自动优化 1 个帖子 - 1 位参与者 阅读完整话题
大家好，我是一名全栈工程师，今年 27 岁，苏州大学电子信息专业本科毕业。具备 5 年+全栈开发经验，能够独⽴负责复杂前端系统（如多维表格，⽩板等在线协同软件）从零到⼀的架构设计与功能实现。 精通 React ，具备深度调优与架构设计能力。熟悉基于 Nest.js 的后端开发，并具备 Electron 客户端的开发经验。 具备良好的业务抽象、沟通协作与推进能⼒，能将业务⽬标拆解为可执⾏技术⽅案并交付结果。 能够将 AI 能⼒（ LLM / MCP / Skill ）接⼊真实业务场景，转化为可上线可运营的功能。 多年 Remote 经验，英语口语无障碍沟通水平，熟悉远程开发中的协作范式。 近一年深度使⽤ Codex 辅助开发，几乎所有代码都由 AI 生成，已沉淀出 AI 辅助开发范式与方法论。能以数倍的效率完成交付的同时保证系统的低复杂度与可维护性。 这是我协同 AI 在两个月内完成的，可以在线体验的多维表格与白板产品： https://rostack.vercel.app 如果您有高复杂度的产品需要落地，欢迎联系。Email: [email protected]
大家好，我是一名前端工程师，约 5 年经验，最近主要关注 AI 驱动开发、前端研发提效和复杂业务系统落地。 过去主要做过的方向包括： 供应链中后台系统 在线模板可视化编辑器 WebRTC / flv.js 视频监控播放 播放器与画布评审工具 C 端 SaaS 平台与官网 前端工程化、项目搭建和第三方库选型 AI 工具接入研发流程与团队最佳实践沉淀 相比单纯“页面开发”，我更偏向： 复杂业务系统的前端架构与落地 高交互可视化编辑器 播放链路、监控链路和异常排查 前端工程化与团队研发效率提升 从需求评审、方案设计到上线交付的完整闭环 把 AI 工具真正接入日常开发流程，而不是只停留在尝鲜 最近持续关注和实践的方向： Codex / Cursor / Claude Code CLI / OpenCode AI Coding Agent SDD / TDD / OpenSpec 等 AI 驱动开发规范 Plugins / Skills 在团队研发流程中的落地 前端研发提效 开发者工具 AI + 业务系统结合 我比较适合的团队： 重视工程质量和交付效率的前端团队 有复杂业务系统、编辑器、音视频、数据可视化或中后台建设需求的团队 愿意尝试 AI 驱动研发流程的团队 小而强、协作效率高、能直接接触业务结果的环境 支持远程或混合办公的团队 技术栈： React / Vue2 / Vue3 / TypeScript / JavaScript / Next.js / NestJS / Node.js / WebRTC / flv.js / Konva / react-dnd / 前端工程化 / AI Coding 部分项目经历： 在永辉负责供应链中后台核心子应用，覆盖门店作业、价签打印、天眼系统等模块。 主导价签模板从固定模板升级为可视化配置，基于 React + react-dnd 实现拖拽、复制、缩放、对齐、预览、撤销 / 重做等能力，支持全国 800+ 门店使用，日均打印量 70 万+。 推动打印链路改造，抽象统一适配层，兼容斑马、容大、芯烨、新北洋等厂商设备，打印报障率从约 20% 降低至 5% 左右。 主导天眼系统监控播放改造，基于 WebRTC + flv.js 落地双协议播放方案，支持分屏、拖拽播放、水印、异常重试和弱网恢复，播放延迟从约 3s 降低至 0.5s 以内。 在网易有灵天工美术资产平台负责播放器与画布模块，支持图片、视频、3D 模型等资产在线预览、截图评论和评审协作能力，相关能力复用到 5+ 业务线。 如果有合适的前端社招、远程、AI 工程化、复杂中后台、编辑器、音视频或开发者工具方向机会，欢迎联系我。 也欢迎交流 AI Coding 、前端工程化、复杂业务系统、可视化编辑器和研发提效相关话题。 邮箱： [email protected] vx：Y2tiODEyNjg5NDE=
之前都用codex,但是gpt的代码风格我不是很喜欢,总是有一种过度工程化的感觉,很喜欢函数一层套一层,写了很多提示词限制也没用. 想借鉴ccg的思路让codex来编排,让ds接入claude来写代码,这样可以嘛?有没有用过ds写代码的佬分享一下ds的代码风格? 1 个帖子 - 1 位参与者 阅读完整话题
大家好，我目前硕士在读 27 届，背景是数学 / 统计 / 数据建模方向，目前在香港读研，同时在高校研究组做 RA 。 最近在看实习、转正实习和校招全职机会，想在 V2EX 上碰碰运气。 求职方向 主要考虑： AI 工程化 / 大模型应用工程 Agent Workflow / 自动化工具链 数据建模 / 研究工程化 Solution Architect / 技术方案 / 售前偏技术 Quant Research Engineer / 数据研究 pipeline 地点优先： 深圳 / 广州 / 香港 远程 / hybrid 也可以考虑 暂时不太想走纯 CRUD 后端或传统业务开发岗，更希望做偏 AI 应用落地、数据建模、技术方案、研究工程化、工具链建设的岗位。 背景概况 27 届硕士，数学 / 统计 / 生物统计相关背景 本科是数学与应用数学方向 目前在香港某高校研究组做 RA 有量化研究、图像分割后处理、实验复现、HPC 环境封装、pipeline 重构相关经历 英文读写和技术文档沟通可以正常处理 技术栈 主要用过： Python / R / SQL / MATLAB / C / Shell PyTorch / TensorFlow / Keras / scikit-learn / XGBoost Linux / Git / MySQL / Redis Slurm / Singularity / Docker GitHub CI/CD Jupyter Notebook / VS Code / LaTeX Claude Code / Codex / Dify 等 Agent / 自动化工具 我比较擅长的事情 我不是传统纯开发背景，更偏： 读论文 / 读源码 / 复现实验 把 research prototype 整理成可复现、可部署的工程流程 搭建 inference / evaluation / logging / result tracking pipeline 做数据清洗、特征构建、建模、回测、评估 用 Python / R / SQL 做研究型项目的工程化重构 使用 Docker / Singularity / Slurm 做环境封装和批量实验 写 README 、quickstart 、integration tutorial 、demo 等技术文档 用 Agentic Coding 工具辅助代码理解、重构和文档生成 比较适合那种“既要懂算法 / 数据，又要能把东西落地、写清楚、讲清楚”的岗位。 经历 1：图像分割后处理算法工程化 目前在高校研究组参与一个图像分割后处理算法相关项目，主要负责研究工程化和主流框架适配。 做过的事情包括： 阅读源码、复现实验、梳理推理流程 参与 semantic segmentation 工作流适配 对接主流分割框架中的模型输出，使 probability tensor 可以进入后处理流程 围绕 Dice / IoU 等指标重构 inference 和 evaluation pipeline 补充日志记录、评估脚本、结果追踪，提高实验可比性和复现稳定性 在 HPC 集群中用 Singularity + Slurm 搭建可复现实验环境 做镜像打包、依赖管理、任务模板化提交、多 GPU 环境适配 补充 quickstart 、README 、integration tutorial 、demo / playground 这段经历主要锻炼的是：如何把一个研究算法从 prototype 推到 reproducible engineering artifact 。 经历 2：量化研究 / 数据建模 pipeline 之前在一家资管相关机构做过量化研究工程方向的实习，主要围绕加密资产日频交易信号做研究框架搭建。 做过的事情包括： 链上数据清洗、特征构建、因子预处理 建模预测、时间序列回测、信号生成 使用 Random Forest / XGBoost 做因子挖掘和方向预测 将早期实验脚本重构为 Python-R-SQL 模块化研究框架 设计代码目录、模块边界、函数入口、数据结构、YAML 配置 使用 time-series cross-validation 控制信息泄露 搭建多资产并行训练、预测、回测、结果入库流程 这段经历主要锻炼的是：如何把数据研究流程做成可复用、可扩展、可交付的 pipeline 。 其他项目 还做过一些数学建模、科研计算和数据分析项目，包括： 统计建模与预测分析 微分方程建模 大规模文本 / 舆情数据分析 GPU 加速可视化 MATLAB / C / Python 科研计算优化 本科阶段也参加过一些数学建模和数学竞赛，有若干省级 / 国家级奖项。 希望寻找的岗位 比较匹配的岗位名可能包括： AI Engineer Intern LLM Application Engineer Intern Research Engineer Intern Data Scientist Intern Data Engineer Intern Quant Research Engineer Intern Solution Architect Intern Technical Consultant Intern Pre-sales Technical Intern 全职、实习、转正实习都可以聊。 我能提供什么 较强的学习能力和文档阅读能力 数学 / 统计 / 建模基础 研究代码工程化和实验复现能力 Python / R / SQL 数据处理与建模能力 Linux / 容器 / HPC 环境下的实验部署经验 技术文档、demo 、quickstart 、方案整理能力 对 AI 工具和 Agentic Coding 工作流比较熟悉 联系方式 可以通过以下方式联系我： Email: lev1s [at] duck [dot] com GitHub / Portfolio：可私信后提供 简历 PDF：可私信后提供 也欢迎各位前辈直接指出我的方向选择、简历表达或求职策略上的问题，谢谢。
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 github.com GitHub - wlzh/prd-manager: 一个辅助 Vibe Coding 的 Skill 工具，通过生成结构化的版本需求文档，来指导 AI... 一个辅助 Vibe Coding 的 Skill 工具，通过生成结构化的版本需求文档，来指导 AI 进行 Coding ，提升 Coding 的准确性。 1 个帖子 - 1 位参与者 阅读完整话题
适用场景 从零建文档：为新项目或新版本初始化完整 PRD 文档链路（ 8 种文档类型） 增量补需求：在已有版本中新增需求，并同步补充设计、计划或技术文档 版本治理：查看版本状态、维护摘要索引、归档旧版本 版本对比：对比不同版本之间的需求、优先级和计划变化 跨版本检索：按主题搜索历史需求，如认证、支付、通知 前后端协作：让 prd.md 、 design.md 、 plan.md 、 dev.md 各自聚焦单一职责 测试驱动开发：强制要求代码变更必须同步更新测试，支持 PRD ↔ Code 双向验证 运维自动化：提供完整的部署、监控、故障排查、回滚流程文档 事故复盘：提供事故记录模板，沉淀经验、防止重复发生 AI 协作：通过 CLAUDE.md 为 AI 助手提供项目上下文，提升协作效率 https://github.com/wlzh/prd-manager
适用场景 从零建文档：为新项目或新版本初始化完整 PRD 文档链路（ 8 种文档类型） 增量补需求：在已有版本中新增需求，并同步补充设计、计划或技术文档 版本治理：查看版本状态、维护摘要索引、归档旧版本 版本对比：对比不同版本之间的需求、优先级和计划变化 跨版本检索：按主题搜索历史需求，如认证、支付、通知 前后端协作：让 prd.md 、 design.md 、 plan.md 、 dev.md 各自聚焦单一职责 测试驱动开发：强制要求代码变更必须同步更新测试，支持 PRD ↔ Code 双向验证 运维自动化：提供完整的部署、监控、故障排查、回滚流程文档 事故复盘：提供事故记录模板，沉淀经验、防止重复发生 AI 协作：通过 CLAUDE.md 为 AI 助手提供项目上下文，提升协作效率 https://github.com/wlzh/prd-manager
适用场景 从零建文档：为新项目或新版本初始化完整 PRD 文档链路（ 8 种文档类型） 增量补需求：在已有版本中新增需求，并同步补充设计、计划或技术文档 版本治理：查看版本状态、维护摘要索引、归档旧版本 版本对比：对比不同版本之间的需求、优先级和计划变化 跨版本检索：按主题搜索历史需求，如认证、支付、通知 前后端协作：让 prd.md 、 design.md 、 plan.md 、 dev.md 各自聚焦单一职责 测试驱动开发：强制要求代码变更必须同步更新测试，支持 PRD ↔ Code 双向验证 运维自动化：提供完整的部署、监控、故障排查、回滚流程文档 事故复盘：提供事故记录模板，沉淀经验、防止重复发生 AI 协作：通过 CLAUDE.md 为 AI 助手提供项目上下文，提升协作效率 https://github.com/wlzh/prd-manager
适用场景 从零建文档：为新项目或新版本初始化完整 PRD 文档链路（ 8 种文档类型） 增量补需求：在已有版本中新增需求，并同步补充设计、计划或技术文档 版本治理：查看版本状态、维护摘要索引、归档旧版本 版本对比：对比不同版本之间的需求、优先级和计划变化 跨版本检索：按主题搜索历史需求，如认证、支付、通知 前后端协作：让 prd.md 、 design.md 、 plan.md 、 dev.md 各自聚焦单一职责 测试驱动开发：强制要求代码变更必须同步更新测试，支持 PRD ↔ Code 双向验证 运维自动化：提供完整的部署、监控、故障排查、回滚流程文档 事故复盘：提供事故记录模板，沉淀经验、防止重复发生 AI 协作：通过 CLAUDE.md 为 AI 助手提供项目上下文，提升协作效率 https://github.com/wlzh/prd-manager
当 AI Agent 从"辅助生成内容"走向"实际执行操作"时，能力不再是边界，边界本身才是新的能力； 而 Hook — 就是将 Agent 行动权重新拉回工程控制之内的"钩子"。 作为重度Vibe Coding使用者，在使用AI的过程中时常出现失控感，特别是在程序长时间执行过程中，由于中间思考决策过程的缺失，导致Agent申请权限或者更改文件等风险操作时都需要花大量时间来进行double check。 为了让开发者中重新获得掌控感，寻找问题的解决办法，笔者对claude code的hook机制仔细研读，顺便以写教程的方式促进自己的理解,同步也在开发一个插件希望能缓解这种由于失控带来的焦虑。 本帖主要是用来梳理逻辑，构建知识Map，官方文档更全面且详细 如有需要可以自行查阅： Hooks 参考 - Claude Code Docs 一、前言 Agent的概念层出不穷，在正式介绍Hook之前，也许你更在意的是他跟目前广为人知的MCP，Skill之间的差异，为什么我们会需要Hook而不是其他的？这一点很重要，因为明白各个技术的边界将成为你使用工具还是被工具使用最重要的区别： 机制 核心问题 更像什么 Skill Claude 应该如何完成某类任务？ 任务说明书 / 工作流知识包 MCP Claude 可以调用哪些外部能力？ 工具接口 / 外部能力总线 Hook Claude 执行到某个节点时，必须先经过什么规则？ 生命周期拦截器 / 工程治理层 总而言之，Hook 像是加在 Agent 执行链路上的一把"工程锁"： 它不是为了限制 Agent 的能力，而是为了让 Agent 的每一次关键行动都能被看见、被解释、被约束、被接管。在几乎不牺牲执行灵活性的前提下，Hook 极大增强了工程师对 Agent 行为边界的掌控。 二、什么是Hook？ hook的英文直译就是钩子，如果你之前没接触过事件响应、插件或者复杂框架，第一次看到这个词可能会有点懵：程序里的钩子是什么的？其实可以把 Hook 就是一种 “在特定时机自动执行的函数” 。比如说，某个事件发生了、某个流程结束了、某个状态发生变化了，系统就会自动调用你提前写好的那段代码。就像你提前在这个位置"挂了一个钩子"，等程序运行到这里时，这个钩子就会被 连带 触发。作为一种抽象概念hook的思想广泛存在不同领域/场景，例如： 前端组件挂载后执行初始化逻辑； Git 提交前自动运行格式检查； 请求完成后执行回调处理； 程序退出前自动保存状态或清理资源。 在Claude Code中也用于有效管理Agent的运行设计了对应的Hook机制，并且贯穿整个 Agent生命周期 与详细的官方文档不同，这篇博文将从下面三个问题出发让你快速理解Hook的整个逻辑，当你需要使用Hook来改善你自己的工作流的时候能快速切入： 当然如果觉得冗长可以直接跳转到 六、实例展示 中根据实际用例来理解Hook的流程！ When？ ------ 三、Hook的触发时机（Trigger） What？ ------ 四、Hook的匹配机制（Matcher） How？ ------ 五、Hook的执行逻辑（Handler） Go ----- 六、实例展示 三、Hook的触发时机（Trigger） Claude Code 处理一次用户请求时，并不是简单地"接收输入，然后生成答案"。它会进入一轮完整的 Agent 执行流程： 接收用户输入、理解任务意图、规划操作、调用工具、处理工具结果，并根据结果继续迭代，直到任务完成或中止。 这个流程对应的就是Agent的生命周期，在生命周期的各个阶段都可以使用hook来执行对应的逻辑，下面是官方以流程图的形式可视化了这个过程： 这个图虽然很完善，但是太长了也没有归类，因此从 Agent 运行设计的角度，笔者将hook的触发时机大致的归类为四类分别对应Agent四项基础能力： 输入与提示词工程（Prompt Engineering） ：负责会话初始化、上下文注入、用户输入检查和 Prompt 展开，决定用户请求如何进入 Agent 流程。 工具调用控制（Tool Use） ：负责工具调用前后的权限校验、安全拦截、结果处理和失败处理，决定 Agent 如何安全地执行外部操作。 事务分发与子代理编排（Sub-agent / Task Orchestration） ：负责复杂任务的拆分、分发、子代理启动和任务完成追踪，决定 Agent 如何组织多步骤任务。 上下文与状态管理（Context Management） ：负责上下文压缩、配置变化、文件变化和通知事件，决定 Agent 如何维护运行状态和长期上下文。 目前可设置的触发时机有29个，以输入与提示词工程为例： SessionStart 、 SessionEnd 分别在创建会话以及结束会话时可以调用，适合注入系统提示词/持久化会话内容的功能， UserPromptSubmit 、 UserPromptExpansion 用于优化或者二次处理用户提示。笔者根据自己的理解对目前的29个触发时机进行分类，总结为一图流，并提供一个速查表方便后续查找以及理解： 触发时机&含义解释 速查表 （点击了解更多详细信息） 四、Hook的匹配器（Matcher） 在确定 Hook 的触发时机（Trigger）之后，并不意味着该触发节点下的所有 Hook 都会被执行。Claude Code 还会继续根据 matcher 做一次过滤：只有当前事件满足匹配条件时，对应 Hook 才会被执行。 对于 PreToolUse / PostToolUse 这类工具事件 matcher 匹配的是本次调用的具体工具名，而在 SessionStart 中匹配的是会话启动方式， Setup 匹配的是触发 setup 的 CLI flag。 具体的触发时机启用的匹配字段需要查看官方文档来确认，官方文档中对每个触发时机的参数都有详细的说明，同样为了方便查找，按照之前的分类进行简单的展示： Matcher 匹配对象速查表 （点击了解更多详细信息） 由于单个hook包含多种触发条件，因此可以使用正则匹配的方式来自己组合可能的触发情况，具体的操作可以参考官方给出的方式： 写法 含义 示例 省略 / 空字符串 / * 匹配全部 "matcher": "*" 精确匹配 只匹配指定对象 "matcher": "Bash" 多值匹配 用 | 匹配多个对象 "matcher": "Edit | Write" 正则匹配 匹配更复杂的名称模式 "matcher": "mcp__.*__write.*" 五、Hook的执行器（Handler） 在恰当的触发节点，对应的Hook满足了匹配器的触发条件，那么就可以触发后续的执行逻辑，也就是实际的可执行的具体操作 为了保证可扩展性，同时为了维持对MCP，Http，Command的不同响应差异，Claude Code对Hook将执行的操作使用字段来进行区分来适配不同方式独特的需求，官方目前支持了5种不同的类型： Handler 类型 配置写法 执行方式 适合场景 命令型 type: "command" 执行本地 shell 命令或脚本 日志记录、格式化、lint、安全检查、权限拦截 HTTP type: "http" 将 Hook 输入 JSON 作为 HTTP POST 请求发送到指定 URL 接入远程审计服务、团队策略服务、Webhook 系统 MCP 工具 type: "mcp_tool" 调用已连接 MCP server 上的工具 复用现有 MCP 能力，例如安全扫描、知识库查询、业务系统校验 Prompt type: "prompt" 向 Claude 模型发送一次提示，进行单轮判断 让模型解释权限原因、判断操作风险、生成轻量决策 Agent type: "agent" 启动一个 subagent，并允许其使用 Read、Grep、Glob 等工具验证条件后返回结果 更复杂的检查任务，例如跨文件审查、代码变更复核；官方标注为实验性 总的来说，根据实际需求你可以进行下面的判断： 如果需要接入外部服务，用 http ； 如果已有 MCP 工具可复用，用 mcp_tool ； 如果需要模型做一次轻量判断，用 prompt ； 如果需要一个能读文件、查代码、综合判断的子代理，用 agent 。 六、实例解析（MVP） 在了解了Hook的触发时机（Trigger），匹配机制（Matcher）以及 执行器（Handler）的抽象逻辑之后 笔者介绍一个具体的例子，来介绍实际Claude Code中是如何将上面讲的抽象概念转为可拓展开发的工程实践。只要读懂这个实例那么就掌握了绝大部分Hook的知识。 与 MCP、Skill 类似，Claude Code 也通过配置文件来管理 Hook。Hook 通常写在 settings.json 中，并可以根据配置文件所在位置作用于不同范围（用户级/项目级）。 { "hooks": { "PreToolUse": [ { "matcher": "Bash", "hooks": [ { "type": "command", "command": "echo 'Claude is about to use Bash' >> ~/claude-hook-demo.log" } ] } ] } } 下面我们根据之前的总结将 回答三个问题 When？ What？ How？，这三个问题分别对应上述配置的三个字段 抽象层 直观问题 对应配置 含义 Trigger When：什么时候触发？ PreToolUse 在工具调用执行前触发 Matcher What：匹配什么对象？ "Bash" 只匹配 Bash 工具调用 Handler How：命中后如何执行？ type: "command" + command 匹配成功后执行一条 shell 命令 PreToolUse 决定 Hook 挂在哪个生命周期节点。它表示"工具调用前"，所以这个 Hook 会发生在 Bash 真正执行之前。 matcher: "Bash" 匹配的不是 PreToolUse 这个事件名，而是本次工具调用的工具名称。也就是说，只有当 Claude Code 即将调用的工具是 Bash 时，这个 Hook 才会被命中。如果 Claude Code 调用的是 Read 、 Edit 、 Write 等其他工具，这条 Hook 不会触发。 hooks 数组中的 command 才是真正的执行逻辑。这里的命令只是写入一条日志，因此它不会改变 Claude Code 的执行结果，只是用于观察 Hook 是否被触发。 上面是一个Log型的Hook程序，如果你希望调用Hook的时候执行其他的那么只需要修改command中的内容即可，甚至你可以再调用claude code来进行分析，下面是笔者正在开发的项目的彩蛋～ { "hooks": { "PermissionRequest": [ { "matcher": "Edit|Write|Bash", "hooks": [ { "type": "prompt", "prompt": "You are explaining a Claude Code permission request to the user. Based on the hook input, explain in Chinese why Claude is requesting this tool permission. Be concise, concrete, and mention the tool name, target file or command if available. Do not approve or deny the request; only explain the reason." } ] } ] } } 这个示例展示的是一个"模型解释型 Hook"。 它不是用 command 执行固定脚本，而是使用 prompt handler，让模型根据本次权限申请的上下文生成说明。这样，当 Claude Code 申请 Edit 、 Write 或 Bash 权限时，用户不仅能看到"它要申请权限"，还能看到"它为什么需要这个权限"。 例如： 如果是 Edit ，模型可以说明它准备修改哪个文件、修改目的是什么； 如果是 Write ，模型可以说明它准备新建或覆盖哪个文件； 如果是 Bash ，模型可以说明它准备执行什么命令，以及这个命令大致用于什么操作。 需要注意的是，这个 Hook 只负责解释原因，并不代表自动批准或拒绝权限。最终是否允许执行，仍然由权限机制本身决定。 这个 Hook 的作用是：在高风险工具申请权限时，用模型动态生成一段面向用户的权限解释。 这个最小可行性Hook就是我目前认为如何在控制多Agent并行开发过程中，迅速切换上下文来当Agent需要授权或者类似操作时，降低开发者理解以及认知负担的原型机（Prototype） 前段时间忙了好久博士的事情，以至于一直没更新，不过今天我Nick又回来啦，嘿嘿！ 3 个帖子 - 3 位参与者 阅读完整话题
IT之家 4 月 28 日消息，据南京航空航天大学分享，由该校无锡研究院、自动化学院与上海电气集团、中国航发湖南动力机械研究所联合研制的兆瓦级高速涡轮发电机系统 成功完成兆瓦级混合动力系统地面性能试验 。 据介绍，此次性能试验， 支撑了我国首型兆瓦级航空混合动力系统的诞生， 填补了国内大功率高速航空发电系统工程化应用空白。通过三方共同努力，该型兆瓦级高速涡轮发电机系统先后完成两大关键突破性验证： 突破一： 完成发电机地面台架满功率 1 小时测试，验证了单机方案的稳定性。 突破二： 完成与动研所 AES100 涡轴发动机的集成直驱满功率联试，打通从涡轮动力到电能输出的完整链路。 IT之家注意到，该型高速发电机额定功率 1000kW、额定转速 20900rpm，采用轻量化高功率密度设计，运行效率优异，是我国首型地面性能达标的兆瓦级航空发电机系统， 标志着我国大功率航空混合动力技术取得关键突破 。
codex工程化能力真的有问题 1.subagent每次派发都要重新链接一圈MCP，浪费流量+token+时间，并且一直有个BUG没修复，一旦某个MCP超时，他就会一直重连，一直到内存爆炸。 2.subagent派发出去后管生不管养，任务已经结束，但是subagent不会自动关闭，还在后台，一直要到agent满到不能继续派发才会选择关闭，这中间返回对话又浪费token又浪费时间。 3.skill执行力够，memory执行力也够，一旦memory和skill还有agent.md有略微的提示词差异，就开始无限兜底来确保安全性，没有一点人工智能的感觉，常常用的人心累。CC在这方面实在是强很多，层级明确，memroy永远是辅助功能，agent.md是规范，skill是技能。 4.为了确保所谓的安全性，对mcp和skill的触发不够敏捷，除非你用了完整的提示词或者$，很多项目场景明明用context7或者deepwiki就可以解决，他偏要执行一套假设------验证------猜测------分析的循环，浪费TOKEN+时间。 5.对话啰嗦，反复重复代码内容，agent的意义在于用户少读代码，多看结果，然而codex的实际情况是多给你发代码，再给你读结果，大量的文字阅读会让人精神疲倦，在agent的使用过程中会分散个人注意力。cc在这里非常好，每次汇报都是很核心的内容，让你能第一时间分析目前逻辑动态。 6.插件机制的不完善，现在vibecoding分为插件、MCP、SKILL，而CODEX把这些层级编排的很混乱，没有明确的上下级关系，即使有，也会因为上下文漂移导致幻觉率飙升。 这是我个人发现的问题，可能因为我个人才疏学浅，对agent的理解太过于薄弱出了这些闹笑话的想法。总而言之，我以前觉得CODEX的生态没有claude codex好，是开发者有病，用了这么久，我觉得开发codex生态的人才有病。 CODEX太过于臃肿，从设计之初感觉就没有好好规划，从头到尾都有一种"你有我也要有"的感觉，但是他并没有想明白为什么要有，他只是做了这些功能，但是没有后续的延伸和逻辑上的闭环。 剧透 22 个帖子 - 16 位参与者 阅读完整话题
图 上周五上午听的是Longevity Biotech Fellowship（LBF）的运营负责人Eric Magro的分享。这个成立约三年的非营利组织专注一件事：把“解决衰老”当成一个值得立项、拨款、招人的工程问题来做。 Eric开场放了一张死亡率曲线。年轻时，我们的死亡概率几乎贴地飞行，到了某个年龄后会突然指数级拉升。衰老，是全球大多数人的死因本质，但目前没有一个国家或大型机构在系统性地拆解这个问题。LBF的路线图就是想补上这个“战略空白”。 Last Friday morning I sat in on a session by Eric, Head of Operations from Longevity Biotech Fellowship (LBF). Founded roughly three years ago, this nonprofit focuses on one thing: treating "solving aging" as an engineering problem worthy of formal project launch, funding, and hiring. Eric opened with a mortality curve. When we're young, the probability of death hovers near zero; after a certain age, it spikes exponentially. Aging is essentially the leading cause of death worldwide, yet no country or major institution is systematically dismantling the problem. LBF's roadmap aims to fill this strategic void. [ LBF把解题思路系统性地拆成三条（难度和资金需求依次递减）] 生物工程（Bioengineering） ：彻底理解衰老生物学并干预。Eric认为这是最难、最花钱、最遥远的方向，因为人类至今没有公认的衰老理论框架，连因果通路都没完全摸清。 生物停滞（Biostasis） ：在衰老被解决前，把人“暂停”。主要是低温保存（cryonics），也包括其他尚未成熟的技术。Eric强调这更像工程问题而非基础科学问题，且目前全球从业者极少、资金严重不足。 替换（Replacement） ： 哪里坏了换哪里，从细胞、组织、器官到全身替换。LBF认为这条路径的成本和时间预估远低于生物工程，因此他们最为之兴奋。 [LBF breaks the solution into three paths, ranked by difficulty and capital needs] Bioengineering — fully understanding and intervening in aging biology. Eric considers this the hardest, most expensive, and most distant route. Humanity still lacks a consensus theoretical framework for aging; we haven't even fully mapped the causal pathways. Biostasis — putting people "on pause" until aging is solved. Primarily cryonics, plus other immature tech. Eric stresses this is more engineering than basic science, but global practitioners are scarce and funding is severely lacking. Replacement — swapping out whatever breaks, from cells to tissues to organs to whole bodies. LBF estimates this path demands far less cost and time than bioengineering, which is why they're most excited about it. [一些技术节点性事件已经发生] 2018年，中国科学家完成世界首例灵长类动物体细胞克隆（“中中”、“华华”），成果发表于Cell，这是生殖生物学领域的一项背景性里程碑。Eric在现场讨论LBF对远期替换路径的表述时，使用了 “bodyoid / brain-knockout” 这一术语，但他并未将2018年的这项研究作为该概念的直接技术基础。 低温保存领域已有商业机构在运营。柏林的Tomorrow.Bio成立于2020年，截至目前已完成20名人类和10只宠物的低温保存，另有800余人签约，合同总额超过1.6亿欧元。其与瑞士的European Biostasis Foundation合作，使用液氮罐长期储存。美国老牌机构Alcor Life Extension Foundation（1972年成立）和Cryonics Institute（1976年成立）也在提供类似服务。 纳米复温（Nanowarming） 技术已有学术突破。明尼苏达大学John Bischof团队2025年在Nature Communications发表概念验证：使用氧化铁纳米颗粒配合射频线圈，实现了2升玻璃化体积的快速均匀复温（约88°C/分钟），为人体器官尺度的玻璃化保存与复温提供了物理可行性。 小鼠断指再生是真实存在的研究方向。Tulane大学和Texas A&M的Ken Muneoka等研究者长期追踪成年小鼠指尖（digit tip）的再生机制，发现其可完整再生骨骼、血管、神经和指甲，相关研究发表于Development、Regeneration等期刊。 至于Brian Johnson的 Blueprint 项目，Eric在现场做了明确切割：那是严格的健康优化实验，而非抗衰老疗法。Brian做的是“在AI解决衰老之前尽量保持健康”，其项目每年花费约200万美元，包含极端饮食、睡眠和biomarker监测，但并未声称能单独实现大幅延寿。 [Some technical milestones have already been reached] In 2018 , Chinese scientists achieved the world's first primate somatic-cell cloning ("Zhong Zhong" and "Hua Hua"), published in Cell — a relevant background milestone in reproductive biology. On-site, Eric discussed how LBF frames the longer-term replacement path using terminology like "bodyoid / brain-knockout," though he did not present the 2018 study as the direct technical basis for that concept. Commercial cryopreservation is already operating. Berlin-based Tomorrow.Bio, founded in 2020, has completed cryopreservation for 20 humans and 10 pets, with 800+ people signed up and contracts totaling over €160 million. It partners with Switzerland's European Biostasis Foundation for long-term liquid-nitrogen storage. US veterans Alcor Life Extension Foundation (est. 1972) and Cryonics Institute (est. 1976) offer similar services. Nanowarming has posted academic breakthroughs. The University of Minnesota's John Bischof team published a 2025 proof-of-concept in Nature Communications: using iron-oxide nanoparticles with RF coils, they achieved rapid, uniform rewarming of a 2-liter vitrified volume at roughly 88°C/min, lending physical feasibility to organ-scale vitrification and rewarming. Mouse digit-tip regeneration is a real research track. Teams at Tulane University and Texas A&M (Ken Muneoka et al.) have long studied adult mouse digit-tip regeneration, demonstrating full regrowth of bone, vasculature, nerves, and nails in journals such as Development and Regeneration. Eric drew a sharp on-site distinction regarding Brian Johnson's Blueprint: it is a strict health-optimization experiment, not an anti-aging therapy. Johnson's aim is to "stay healthy until AI solves aging," spending roughly $2 million yearly on extreme diet, sleep, and biomarker protocols, without claiming it can independently deliver major lifespan extension. 正式开场前，muShanghai第二周主题负责人Frank Ji（中）向Eric Magro（左）提问 [一些还在纸面和实验室里的概念与理论探讨] AI设计低温保护剂 ：目前确实有团队在用机器学习寻找毒性更低、效果更好的化学组合，属于进行中的研究。 渐进式大脑替换（progressive brain replacement） ：逐步用新生长的脑组织替换衰老部分。Eric承认这是“radical idea”，目前极少机构在做。（Jean Hébert等研究者曾探索过相关概念。） 癌症与衰老的“两面硬币”论 ：现场有听众提出，若可控地驾驭癌细胞的无限增殖能力并理解其生物学，或许能为衰老提供新思路。Eric回应称这是“interesting path”，但表示不清楚是否有人正在用这个框架推进。 Michael Levin（Tufts University）的“解剖学编译器”（anatomical compiler） ：将人类可读的指令转化为生物电/化学信号，指导细胞再生。这是Levin实验室的研究方向之一，已有早期工作，但距离人体应用遥远。 鳄鱼/短吻鳄的“衰老可忽略”（negligible senescence） ：科学界确实观察到部分爬行动物衰老极慢，但Eric在现场被问及“鳄鱼细胞到达某年龄后不再衰老”时，明确回答“I don't know the specific example”，并提醒这类能力往往是动物整体系统的一部分，难以孤立移植到人体。 [Concepts still on paper or in the lab] AI-designed cryoprotectants: Teams are actively using machine learning to hunt for less toxic, more effective chemical combos — ongoing research. Progressive brain replacement: Gradually swapping aging brain tissue with newly grown tissue. Eric called it a "radical idea"; very few institutions are pursuing it. Researchers such as Jean Hébert have explored related concepts. The "two sides of a coin" theory linking cancer and aging: An audience member proposed that if we could harness cancer cells' limitless proliferation in a controlled manner, it might illuminate aging. Eric deemed it an "interesting path" but said he didn't know whether anyone was actually building on that framework. Michael Levin (Tufts University) and the "anatomical compiler": Translating human-readable instructions into bioelectric/chemical signals that direct cell regeneration. Early work exists in Levin's lab, but human application remains distant. Negligible senescence in crocodilians: Science has observed that some reptiles age extremely slowly. Yet when asked on-site whether "crocodile cells stop aging after a certain age," Eric replied, "I don't know the specific example," adding that such capabilities are usually embedded in an animal's total system and difficult to isolate and transplant into humans. [这个圈子有多小？] 长寿赛道里真正搞“硬工程”的人，可能比做AI应用的还少。低温保存全球只有六七家服务机构，做器官玻璃化的学术团队屈指可数。Eric本人也签了低温保存协议。他估计，在当前社会优先级下，自己在有生之年看到衰老被解决的概率很低（约5%到10%），但如果人才、资金和协调机制大幅增加，这一概率可能显著上升。这种带有条件的判断，也是他主张生物停滞/低温保存值得并行获得更多资源的原因之一。 “死亡是紧急事件，但我们没有把它当成紧急事件来处理。”Eric反复提醒我们：目前市面上“经证实能大幅延长人类寿命的干预手段”数量为零。遇到声称能让你多活几十年的产品，应该要求对方出示证据，而不是交智商税。 LBF今年10月计划在深圳办一场两天的工作坊，8月会在美国北卡罗来纳州办另一场。他们的招募逻辑并不复杂，不管你来自金融、法律、机器人还是AI，只要想参与解决衰老，都可以申请。 想了解更多或联系LBF ： longevitybiotechfellowship.org [How small is the circle?] Globally, there are only six or seven commercial cryopreservation service providers. Academic teams working on organ vitrification are rare. Eric himself has signed up for cryopreservation. He estimates that, under current societal priorities, the chance of solving aging in his lifetime is low (roughly 5–10%), but that figure could rise significantly with much more talent, funding, and coordination. That conditional outlook is part of why he believes biostasis / cryopreservation deserves more resources in parallel. "Death is an emergency, but we're not treating it like one." Eric repeatedly warned: the number of interventions proven to significantly extend human lifespan currently sits at zero. When a product claims it can add decades to your life, demand evidence — don't pay the intelligence tax. LBF is planning a two-day workshop in Shenzhen this October, and another in North Carolina, USA, in August. Their recruitment logic is open: whether you come from finance, law, robotics, or AI, if you want to help solve aging, you can apply. For readers who want to learn more or get in touch : longevitybiotechfellowship.org 《职场Bonus》 接下来一周会继续在muShanghai驻场观察。这场号称“国际科技火人节”的活动由国际开源社区The Mu发起、虹桥阿里中心联合主办，5月10日到6月6日整整28天，汇聚了来自全球50个国家的开发者、研究员和创业极客（氛围很野，不是那种端着架子的行业峰会）。 目前是四大主题周——AI、生物科技、机器人、文化——的第三周。我们会继续以这种轻便的方式把一手信息和判断即时记给读者们。如果你也在上海、恰好对AI和硬科技感兴趣，欢迎来线下面基 ;-) 职场Bonus will continue its muShanghai field coverage over the next week. Billed as an "International Tech Burning Man", the event is initiated by global open-source community The Mu and co-hosted by Hongqiao Alibaba Center. Running 28 days from May 10 to June 6, it gathers developers, researchers, and startup geeks from 50 countries—the vibe is wild, not your typical buttoned-up industry summit. We're currently in Week 3 of four themed weeks: AI, Biotech, Robotics, and Culture. We'll keep feeding readers first-hand notes and judgments in this lightweight format. If you're in Shanghai and curious about AI and hard tech, come find us ;-) muShanghai四大主题周 现场观众（右）向主讲人Eric Magro（左）提出挑战性问题 观众互动提问 更多现场笔记，尽在「职场Bonus」（ID：ZhiChangHongLi）。关注青年成长，跟踪职场风向。 本文来自微信公众号 “职场Bonus” ，作者：陈桐，36氪经授权发布。
5月1日，摩尔线程宣布，依托旗舰级AI训推一体智算卡MTT S5000与自研MUSA软件栈，基于SGLang开源推理框架，已完成DeepSeek-V4的完整运行验证。（界面）