双路并行研究法：SOTA 模型加 Grok 的 X 热点解读，对比得出最佳建议
卡颂分享一个获取更佳 AI 建议的方法：并行跑两轮研究再对比——第一轮用 SOTA 模型以 x-high effort 推理，第二轮用 Grok 基于 X 上人们的讨论给出观点。前者体现模型智能，后者体现人类智能，两者互补对比。
更新
卡颂 (@kasong2048)被本站收录的内容
卡颂 (@kasong2048)AI 评分3131
卡颂 (@kasong2048)AI 评分4949 别盲目照搬大模型公司的 AI 编程实践
卡颂撰文提醒企业别盲目照搬 AI 实验室的 AI 编程做法。文中举例 @poteto 曾在一个月内独立向 GrokBot 合并 2,500 个 PR，但消耗 1.5T tokens，即使按标价 10% 计算也超过 $300K API 成本，且这些 PR 多为性能优化和 bug 修复而非新功能。
卡颂 (@kasong2048)AI 评分4242 卡颂：开发者的新主业是摸清 Agent 的编码习惯，打造对 AI 友好的项目环境
卡颂转发观点称，开发者今后的主要工作是研究 AI 智能体的编码习惯，并据此打造对 AI 友好的项目环境。Lauren 建议删除绝大部分代码注释，因为智能体爱照搬已有内容，一条解释临时变通方案的无害注释会像杂草一样在代码库中快速扩散。
卡颂 (@kasong2048)AI 评分5252 卡颂谈是否值得自建 Skill 工作流
针对已有成熟开源 Skill 工作流时是否还需自建的问题，作者给出两个事实：Skill 用自然语言写成，质量难以衡量和改进；业务场景迟早会超出开源工作流的覆盖范围。他建议先用使用量作为质量信号，选择广泛使用的开源工作流，再用母语重写、让 Agent 对比新版本来逐步改造，通过这种刻意练习学会设计 Skill，等到遇到开源方案覆盖不了的场景时就能自己设计好的工作流。
卡颂 (@kasong2048)AI 评分3232 Kent C. Dodds 演示如何借助高度自动化的代码库每天独立合并 60+ 个 PR
Kent C. Dodds 演示了如何单人每天交付 60+ 个有价值 PR 的工作流。其核心观点是：高度自动化的代码库并非为了让 AI 智能体自主迭代产品，而是为了让人类做出的产品决策更快落地。
卡颂 (@kasong2048)AI 评分4949 AI 写代码后如何保证代码质量：卡颂谈用测试、灰度发布、监控回滚和 DORA 指标构建 Software Factory
卡颂在讨论构建 Software Factory 时回应了“如何判断智能体代码质量”的问题：当人不再逐行审查代码，应把对质量的信心建立在三类具体工作上——测试、灰度发布（gradual rollouts）、监控与回滚。