今日概览
今日内容三条线索：CodingAgent 把一年积压的 AB 实验治理压成七句指令、AI 重新定义软件开发成本让个人也能量产提效工具、以及卡兹克创业两年半后对 AI 组织的反思——全员 AI 化反而让公司变得更"传统"。
今日重点
1. 七句话搞定一年 AB 实验下线：CodingAgent 的魔法时刻
天猫技术团队分享用 CodingAgent 治理积压 AB 实验的实战：七句自然语言指令把繁琐的手动下线变成自动化流水线。核心方法是把关键步骤拆成专用 Skill——ab-experiment-query（按 key 查状态）、scan-ab-experiments（扫描代码、批量查状态、生成报告）、upgrade-snapshot（升级二方库版本）——再以最小风险策略（实验 Key 置空而非删除逻辑）批量固化代码，最后自动生成提测报告。
值得关注：
- 20 个实验里 18 个已推全、2 个运行中，扫描+查询+报告全自动。
- 固化选"Key 置空+注释原值"而不是删判断逻辑，改动最小、风险最低。
- 每完成一步就生成一份报告，用报告控制过程、便于人工 Review。
- 踩坑：钉钉接口异步返回坑了人，换 IDEAs API 并让 AI 学 API 文档解决；版本号从分支名提取标识避免冲突。
- 结论：AI 是超级助手不是替代者，关键在"指挥"和"Review"。
来源：大淘宝技术
2. 一个鹅厂程序员，用 AI 给自己造了 10 个"外挂"
作者分享用 AI 为日常工作构建提效工具的经验：AI 已经完全重新定义软件开发成本结构，过去"不值得做"的小工具现在几小时就能交付。用 Yak Shaving（薅牦牛毛）识别工作中值得提效的痛点——那些繁琐低效的流程就是最好的需求文档。他基于 Tauri + Gemini 做了全局快捷问答、广告日志查询、Notion 助记图、沉浸式翻译等 10 个工具。
值得关注：
- 技术栈壁垒大幅降低：自然语言即可产出可用软件，交付周期从数周缩到小时级。
- Yak Shaving 方法论：敏锐发现让你不舒服的点，把阻力转化为创造工具的契机。
- 理解 LLM 三阶段（预训练/SFT/RLHF）是写好 Prompt 的前提。
- 调试用真实运行日志驱动，而不是靠描述和猜测：列假设→自动插桩→复现验证。
- 用 Git Worktrees + 多窗口 + tmux 并行推进多个 Agent 任务，上下文互不污染。
来源：腾讯云开发者
3. 创业 2 年半后，想跟你分享关于 AI 组织的这 7 点心得
数字生命卡兹克开公司两年半，全员 AI 化后反而变得更"传统"。他提出"薄中台、厚一线"：100 人以下公司成立 AI 中台要谨慎，中台守住权限、安全、成本和数据口径，贴着业务的事必须让离问题最近的人自己用 AI 解决——一线才真正理解痛点，信息漏损最低。同时强调数据比 Agent 更重要：应存尽存、持续治理，Agent 才有东西可用。
值得关注：
- AI 中台容易变成"另一个排期中心"：一线越来越会提需求，中台越来越会用 AI，创造能力反而集中到几个人。
- 员工第一次亲手把工作里的麻烦做成可运行的东西，哪怕粗糙，他第一次知道流程可以改——这是 AI 化给普通员工最珍贵的东西。
- 公司真正拥有的不只是钱和设备，还有多年积累的数据和上下文——模型、Token、Codex 都能买，上下文买不到。
- AI 省下的时间应还给客户、员工和人际关系，而不是填满更多工作。
- “AI 时代的组织变革，表面改的是工具流程，最后考验的是一家公司怎么对待人。”
来源：数字生命卡兹克
趋势观察
- CodingAgent 的价值在于"指挥"而非"代替" — AB 实验治理和 10 个外挂的共性：把任务拆成 Skill、给明确指令、人工 Review，AI 负责重复劳动，人负责判断。
- AI 重写软件开发成本结构 — “不值得做"的工具现在几小时交付，个人生产力工具进入量产时代，痛点就是需求文档。
- AI 组织回归"人” — 全员 AI 化之后，薄中台厚一线、数据沉淀、把时间还给关系——技术越强，组织越要回到人与人的本质。