去年写了不少 AI 稿子，那会最土的流程就是，自己先整理个大纲或者问题清单，让大模型把正文吐出来，然后再把内容复制到本地 md 文档里，补 frontmatter、标签、分类、标题，最后再发布。
这套流程不是不能用，是很烦。真正费时间的地方，不是正文，而是正文外面那一圈重复劳动。尤其是最近 Codex 用多了以后，这种别扭感更强了。它能读仓库、能改文件、能补资料、还能直接把文章写进目录里，我要是还手工复制来复制去，反而像是人把工具的腿绑住了。
最近回头翻了下博客里这两年和 AI 相关的文章，发现内容已经不是最开始那种“某个模型好不好用”的简单体验了，而是逐步形成了一条比较清晰的主线：AI 如何真正进入我的开发工作流，以及它带来了什么效率、代价和新的约束。
整个三月份，我都在不同的大模型 API 中转站之间来回试。
便宜，确实是便宜。一个月花不了多少钱，就能把 ChatGPT、Claude、Gemini 之类的国外模型都摸一遍，表面上看，像是找到了一个性价比极高的解法。但真正用下来以后，我越来越觉得，这条路从一开始就绕不开一个不可能三角：质量、稳定、划算，三者很难同时成立。
到了上周末，这件事基本也算彻底明牌了。2026-03-28 到 2026-03-29 这两天，ChatGPT 相关通道的风控体感明显收紧，Claude 这边也一样，很多原来还能凑合用的低价中转，突然就变得不稳定，甚至直接失效。对我来说，这基本宣告了低价 API 中转模式的阶段性终局。
最近在看圈子里的讨论，大家对“增长”的定义似乎发生了一次根本性的偏转。
以前我们聊互联网，聊的是“四两拨千斤”——写几行代码，租几个云服务器，靠着优秀的交互和运营就能撬动数亿用户。但到了 2026 年的今天，这种“轻资产”的幻觉正在被大模型彻底撕碎。
本文分析了 C++ 开发中 unordered_map::find 命中后返回对象字段不匹配的诡异现象。根因在于在函数内部定义 static lambda 并使用引用捕获局部变量，导致首轮调用后产生悬空引用，后续调用引发未定义行为（UB）并污染缓存数据。建议通过显式传参替代隐式捕获、规范生命周期管理及使用 Sanitizer 工具来根治此类问题。
仓位心态： 持续持股，佛系观察，关注“生态溢价”的兑现。
“牢A”是最近国内互联网（尤其是 B 站、抖音、小红书等平台）非常火的一个梗，主要指代一位网名为**“斯奎奇大王”**的海外博主，以及他所输出的关于美国社会的叙事体系。
在 AI Agent 领域，如何让大语言模型（LLM）更安全、更高效地与外部世界交互，一直是开发者关注的核心课题。近期，Anthropic 推出的 MCP (Model Context Protocol) 和 Gemini CLI 中的 Skill 机制成为了讨论的热点。
这两者虽然都旨在扩展模型的能力边界，但在设计哲学、信任边界以及约束机制上有着截然不同的路径。