DPS Build

Daily Productive Sharing 1277 - Writing Code Was Never The Bottleneck Pedro Tavares 发现添加新软件的边际成本正在接近零尤其是有了大语言模型LLMs但理解测试以及信任这段代码的代价呢比以往任何时候都高 1 他不确定作者是否完全理解自己提交的内容 2 他注意到生成的代码引入了不熟悉的模式或者打破了既有的惯例 3 在他看来真正的瓶颈过去是现在依然是代码审查通过指导和结对编程进行知识传递测试调试以及协调与沟通所带来的人力成本 4 最终他发现我们陷入了这样一种局面代码生产变得更简单但验证却更复杂这并不一定让团队整体运转得更快 5 他回忆开发者们过去常常拿复制粘贴工程师开玩笑但 LLM 所带来的速度与规模却让这种复制粘贴的习惯被进一步放大 https://letters.acacess.com/daily-productive-sharing-1277

一张图说清 MCP

可能这也是写代码最吸引我的地方之一，一直不断地学习，不断地试错。有了 Cursor 之类的工具之后，这样的节奏大大加快。 当然前端代码还是太复杂了，我只好选择放弃 😂 https://www.reddit.com/r/SaaS/comments/1lp3scg/i_am_giving_up/

试着用 ChatGPT Codex 来做代码审核效果还不错，给定 prompt 之后，它会从 Github 上自动下拉代码，compile 之后一步步检查，然后给出一些中肯的建议。 感觉在 web 页面上也就这么用了，没法像 Cursor / Claude /Gemini 那样拿来写代码。自动 compile 还蛮方便的。

Cursor 买了半个月，帮我“写了”这么多代码，可能比我职业生涯写的总和都多。 恐怕这是花的最值的一笔 AI 开销了。

BAML 发明了一种新的语言，来构建可以作为 building block 使用的 LLM 函数。一开始我以为这是个 agent framework, 但仔细阅读后发现，它更适合作为一个「编配 prompt + 发起向 LLM 的请求 + 结构化解析 LLM 返回数据」的组件，来帮助你更好地构建 AI 应用。BAML 解决的是 LLM I/O 的工程化问题，使上层业务可以专注于 workflow、RAG、agent 等应用层逻辑的维护，减少重复代码，增加与 LLM 交互的鲁棒性。 https://github.com/boundaryml/baml 之前看过一个 Python 库 guidance 有着类似的想法，也是将 LLM 调用函数化，但我觉得 BAML 更让人信服，它背后的公司 Boundary 对 LLM 的结构化输出有很多自己的理解和研究，他们提出了一个理念叫 Schema Aligned Parsing, 来代替目前主流的 JSON schema 方案。这两篇文章解释了 SAP 的原理以及为什么要这么做： - https://www.boundaryml.com/blog/schema-aligned-parsing - https://www.boundaryml.com/blog/type-definition-prompting-baml 这篇文章用数据说明了 BAML 的 SAP 方案在准确性和成本控制上超越 OpenAI 的 function calling: https://www.boundaryml.com/blog/sota-function-calling 关于为什么发明一种新的语言，BAML 的开发者们认为，就像我们从 inline javascript 进化到 JSX, 新的语法是从新的想法和需求中应运而生的，而且维护几百个 f-string 让人恶心。这点我特别赞同，不得不 quote 一下原文： …the idea of maintaining hundreds of f-strings for prompts kind of disgusts us 🤮. Strings are bad for maintainable codebases. We prefer structured strings. 另外，BAML 还有一个可以在线运行的 playground，能非常直观地理解它到底是什么、可以怎么用: https://www.promptfiddle.com/

确实 cursor 等编程工具的出现，对于程序员的要求更高了，因为初级程序员的工作基本被取代，而项目架构，taste 等等是高级程序员才有的技能树 https://c7.io/@boj/114760382068726925

一天接近两万行代码，要不是 AI，哪个工程师能写这么多？

用 Canva AI 重新设计了 landing page 的 UI，然后让 Cursor 依葫芦画瓢，把其他页面的 UI 也都改了。 让 Cursor 根据后端代码生成 SQLite 的 schema，然后部署到 Cloudflare D1 上。 把后端部署到 Cloudflare worker，前端部署到 Cloudflare page 上。 很难想象，我一个人在24小时内把这些全搞定了，一行代码都没写，全靠 Cursor pro 🤣

快速撸了一个训练分析工具，全靠 bolt 和 Cursor。前端 Typescript，后端 Python

https://www.calcalistech.com/ctechnews/article/s1iflnlelx