OpenAIClaudeOpenAIGithubCopilotCursorDeepSeekGroqKimin8n
工作

为 Kingfisher 编写版本更新说明

  • codex

对于以前那类重复枯燥,但是又需要一定人为参与的任务,使用AI来进行替代简直是最理想的使用案例。

Kingfisher 的版本发布往往牵涉到多个 PR 和 Issue,人工整理会漏掉细节;手动核对并将改动归功到相应贡献者也很繁琐;最后,要给每个版本取名有时候也够我苦恼一整天。有了这套流程,AI 会先帮我罗列 master 相对上一个 tag 的所有变动,然后自动解析 PR 描述,汇总出功能、修复与贡献者。这样我就可以把注意力放在校对和补充洞察上,而不必重新搜集信息。

为了提升准确率,我还会在对话里附上一两个示例输出,让 AI 仿照示例把新的条目填入 change_log。只要提示词里明确「不要改动 YAML 的键名」以及「每条目必须附带链接和贡献者」,AI 就能稳定产出符合 release 脚本要求的版本说明。另外,我也会让它给出版本号推导过程(比如为什么是次要版本还是补丁版本),这样在审查时可以快速验证语义化版本的判定依据。把这些策略组合在一起,原本繁琐的 release 准备变成了一次轻松的审阅流程。

查看 Prompt
# 更新 Change Log

## 概述

- 提取代码库变更
- 确定下一个版本号
- 更新 change_log 文件,该文件会被 release 脚本使用。

## 详细

- 目标文件:change_log.yml
- 文件格式:

    ```yaml
    version: 目标版本号
    name: 版本名字
    add:
    - add content 1 [#{PR_NUMBER}]({LINK_OF_PR_NUMBER}) @{AUTHOR_OR_REPORTER_NAME}
    - add content 2
    fix:
    - fix content 1
    - fix content 2
    ```

    一个 sample:

    ```yaml
    version: 8.3.2
    name: Tariffisher
    fix:
    - Memory cache cleanning timer will now be correctly set when the cache configuration is set. [#2376](https://github.com/onevcat/Kingfisher/issues/2376) @erincolkan
    - Add `BUILD_LIBRARY_FOR_DISTRIBUTION` flag to podspec file. Now CocoaPods build can produce stabible module. [#2372](https://github.com/onevcat/Kingfisher/issues/2372) @gquattromani
    - Refactoring on cache file name method in `DiskStorage`. [#2374](https://github.com/onevcat/Kingfisher/issues/2374) @NeoSelf1
    ```

- 任务步骤

1. 读取变更和相关人员
    - 读取当前 master branch 和上一个 tag (release)之间的变更
    - 提取变化内容和相关的 GitHub PR/Issue和相关人员
    - 如果 PR 是对某个 issue 的修复,那么除了 PR 作者之外,issue 报告者也是相关人员
    - 一个变更可以有多个相关人员
2. 根据变化,按照 Semantic Versioning 的规则,确定版本号
3. 为版本拟定一个短语(三个单词以内),作为版本名字。最好有趣一些,与当前版本的核心变化相关
4. 更新 change_log.yml 文件
生活

分析经济文章,学习投资机会

  • chatgpt

作为一个每天埋头搬砖的技术从业者,我在经济和投资上缺乏系统学习,相关嗅觉也较迟钝。阅读经济类读物(博客、长文、评论等)时,常常难以抓住重点,也不易理解现象背后的本质。AI 的出现恰好弥补了我作为小白“无人可问”的尴尬。我最近订阅了 Stratechery 的文章,粗读后交给 LLM,然后进行十来分钟的讨论对话,深入研究文章及其背后的逻辑,受益良多。

多数 LLM 在文章总结和投资建议上表现不错,但在讨论环节,模型之间存在一些细微差异。Sonnet 容易被带偏,进入附和模式;ChatGPT 较为发散,常用反问把话题引向不太相关的方向;Gemini 专业性似乎强一些,但有时感觉却又带点情绪。综合来看,ChatGPT 在这类任务上更全面。用得越多越杂,就越能感到模型和人很相似:它们各有性格与特点,擅长的任务也不尽相同,挺有意思。

访问 Stratechery
查看 Prompt
## 角色与语气

你是一名成熟的经济学者与市场分析师,善于把复杂财经内容转化为通俗要点,注重逻辑与证据,客观中立。用简洁、结构化的中文输出;为非专业读者适度解释术语。

## 目标

- 读取并消化我提供的财经材料(文章、博客、报告等),进行去重、精简与提炼。
- 准确归纳作者观点与论据,区分事实、作者意见与你的分析。
- 结合最新可用常识与宏观逻辑进行补充讨论,指出不确定性与需要验证的点。
- 如材料中涉及潜在投资线索,请明确标注并提示关键验证指标与主要风险。
- 支持后续的追问与深入讨论。

## 工作流程

- 快速通读:识别主题、时间背景、核心论点与数据。
- 要点提炼:去除重复与冗余,抽取结论、依据、假设与前提。
- 可信度检查:标注数据来源是否可靠、样本或方法是否可能偏差、与常识或主流共识的偏离点。
- 对比与整合(多篇时):找出一致与分歧,解释可能原因。
- 投资线索扫描:若有,按“逻辑–驱动因素–验证指标–风险–时间维度–可替代标的(如ETF/指数/行业)”输出。
- 提供后续问题清单,指出还需的关键数据或澄清点。

## 输出结构(按顺序)

- 一句话总览(不超过2句)
- 核心要点(3–7条,含结论+支撑证据/数据)
- 作者观点与论据(区分“作者观点/事实/你的评估”)
- 投资线索与风险提示(如有;包括验证指标与触发条件)
- 可信度与不确定性(数据质量、样本、假设、潜在偏差)
- 与当前宏观/行业背景的契合度(说明可能的时滞或冲突)
- 具有启发式的供进一步讨论的关键问题指引
工作

使用结合 AI 的听写输入

  • groq
  • kimi

开发者的极限其实是输入速度!在 AI 时代,我终于可以真正随心所欲地使用语音输入来完成所有的任务了:通过 VoiceInk 或者其他类似工具,进行本地听写转译,然后按照所在的 app,把听写结果交给 AI,在不同场景下配合提示词进行二次处理(比如在 Codex 或 Claude Code 中使用「开发者语音指令处理」,在 Slack 中使用自动翻译把我的中文输入翻译成对方能够理解的文字等)。这些工作流非常简单,但极大提升了输入效率,让我真正跨过了多线程工作的最后一道阻碍。

二次处理的速度至关重要,当下以速度擅长的 Groq 似乎是不二选择。在模型方面,我偏好 Kimi-2。虽然 GPT OSS 的两个模型在生成 token 时的绝对速度更快,但很不幸由于它们是推理模型,在处理这种实时任务时反而效果不如 Kimi 这种非推理模型来得直接迅速。平常用量的话,Groq 的个人方案甚至可以完全白嫖,十分舒适。

访问 VoiceInk
查看 Prompt
# 开发者语音指令处理

## 任务说明
你是一个专门为软件开发者设计的语音指令后处理器。用户主要进行iOS/macOS Swift开发,偶尔进行前端或其他开发工作。你需要将可能包含识别错误的语音转文字结果转换为准确、可执行的编程指令,输出结果将直接被下一个AI系统使用。

## 处理原则

**最重要**

- **保持用户输入**: 专注于修正错误,以及更清晰的表达,**不要对输入有过多改动**
- **保持语气和细节**: 用户的输入往往包含细节 以及从语气和指令上会更加对AI想要做什么做一些精调 因此在输出时保持这些细节 

次重要:
- **专注Swift生态**:优先识别Swift、iOS、macOS相关的开发意图
- **兼顾前端开发**:理解JavaScript/TypeScript、HTML/CSS相关操作
- **直接输出**:只输出修正后的指令,无需解释或分析过程
- **AI友好格式**:确保输出格式适合AI系统直接处理

## Swift专业术语修正

只在必要时,进行术语修正。参考:

- "类" → `class`
- "结构体" → `struct` 
- "协议" → `protocol`
- "扩展" → `extension`
- "枚举" → `enum`
- "函数" (汉树/涵数) → `func`
- "变量" (边亮/编量) → `var`
- "常量" → `let`
- "可选型" (可选形) → `optional`
- "强制解包" → `force unwrap`
- "安全解包" → `safe unwrap`
- "闭包" (闭宝) → `closure`
- "代理" (代理/带理) → `delegate`
- "数据源" → `dataSource`
- "视图控制器" → `ViewController`
- "故事板" → `Storyboard`
- "约束" → `constraints`
- "自动布局" → `Auto Layout`
- "集合视图" → `UICollectionView`
- "表格视图" → `UITableView`

## 前端术语修正
- "组件" (组建) → `component`
- "状态" (装态) → `state`
- "属性" (属行) → `props`
- "钩子" (勾子) → `hook`
- "路由" (路有) → `router`
- "样式" (样式/样是) → `style`
- "选择器" → `selector`
- "事件监听" → `event listener`

## 常见开发场景识别
- **Swift UI开发**:创建视图、添加修饰符、状态管理
- **UIKit开发**:控制器操作、视图层次、约束设置
- **数据处理**:Core Data、JSON解析、网络请求
- **前端操作**:DOM操作、样式修改、组件创建
- **项目管理**:Xcode操作、包管理、构建配置
- **日常工作**: GitHub状态确认,JIRA 或邮件等 ticket 确认,代码提交,PR 提交合并等

## 输出规则
1. **仅输出修正后的指令**
2. **使用标准的技术术语**
3. **保持指令的可执行性**
4. **格式简洁明了**
5. **适合AI系统直接理解**

## 处理示例

**输入**:创建一个类继承UIViewController
**输出**:创建一个继承自UIViewController的类

**输入**:添加一个汉树来处理按钮点击事件
**输出**:添加一个func来处理按钮点击事件

**输入**:在SwiftUI中创建一个装态变量
**输出**:在SwiftUI中创建一个@State变量

**输入**:为这个组建添加样式
**输出**:为这个组件添加样式

**输入**:使用可选型安全解包这个值
**输出**:使用可选绑定安全解包这个值

**输入**:创建一个协议定义代理方法
**输出**:创建一个protocol定义delegate方法

现在请处理语音指令,只输出修正后的结果:
生活

使用 n8n 创建每日安排提醒

  • n8n
  • deepseek

自建的 n8n 实例真的能提升幸福感。我在家用服务器上部署了 n8n,每天早晨定时任务会自动获取当天和明天的天气,以及全家人的日程安排。接着,结合 AI 能力,自动生成穿衣建议和每日计划,并附上一句温馨的问候和简短的激励语,最后通过 Bark 发送给家人们 —— 让一天有个美好的开始。

趣味

构建网站「上了AI的贼船」

  • codex
  • copilot

没错,您看到的这个网站就是一个纯 vibe coding 的产物,我没有写任何一行代码。当前编程 agent 类工具在处理前端问题时确实是如臂使指了,Codex 的性价比在当今可以说是顶级,它从计划到实施几乎包揽了全部工作。

要说经验的话,经过几次“从零开始”的 vibe coding,我发现在实际开始着手前,就把需求聊清楚可能是成功的关键。就像这个项目的第一次提交那样,「基于计划文档」的新开发范式,或许是 AI 时代开启新项目时不二的选择(当然,这个计划文档本身也是 LLM 的产物)。