一个鹅厂程序员，用 AI 给自己造了 10 个"外挂"

📌 一句话摘要

作者结合个人实践，说明 AI 降低软件开发成本，分享了构建提效工具的方法、Yak Shaving 概念、LLM 基础及 Prompt 技巧、规划与调试策略。

📝 详细摘要

文章从 AI 成为基础设施的视角切入，阐述了过去「不值得做」的小工具如今能在数小时内由 AI 完成交付的变化。作者以自己开发的 10 个 SideProject 为例，展示了如何从日常工作中识别痛点、利用 AI 构建全局助手、广告绑定工具、学习 Agent、翻译插件等提效工具。接着介绍 Yak Shaving 理论，说明如何将重复琐事转化为生产力机会。随后详解 LLM 的三阶段训练及其 Token 概率预测本质，并给出三条实用 Prompt 技巧：使用通用 Token、单轮对话专注单一任务、认识到模型是在模仿而非理解，因而输出必须 Review。随后分享三类进阶技巧：先规划再行动（如 SpecKit、Plan Mode、Superpowers 工作流）、Debug Mode 通过真实运行日志闭环定位问题、以及利用 Git Worktrees、多窗口和 tmux 实现并行开发。全文兼具概念解释、实战案例和可操作方法，展示了 AI 原生时代个人提效的路径。

💡 主要观点

- 识别工作痛点并用 AI 构建提效工具可实现小时级交付。 作者通过全局 AI 助手、微信广告绑定助手等 10 个 SideProject 展示了如何从日常场景中发现需求并利用 AI 快速实现可用工具。

Yak Shaving 理论帮助将重复琐事转化为生产力机会。 通过举例说明在解决主要目标时会陷入琐碎链条，作者建议敏锐捕捉不适感并用 AI 构建工具来消除这些阻力。

理解 LLM 工作原理是有效使用 AI 的前提。 文章分解预训练、监督微调、RLHF 三阶段，强调 LLM 本质是 Token 概率预测而非真正理解，因而需要审查输出。

采用分阶段规划（如 Superpowers 工作流）可降低 AI 生成代码的返工。 从脑暴需求到代码审查的七步闭环确保规划清晰、子 Agent 验证、TDD 驱动及严格审查，提高代码质量。

使用 Debug Mode 与并行工作流提升 AI 开发效率。 通过真实运行日志闭环定位根因，以及 Git Worktrees、多窗口、tmux 实现多任务并行，减少上下文切换和等待时间。

💬 文章金句

- AI 已经完全重新定义软件开发的成本结构，过去那些「不值得做」的小工具，现在可以在数小时内借助 AI 完成交付。

• YakShaving: 在解决问题的过程中，引发的一系列任务，导致最终偏离原本的目标，通常带有负面含义。
• LLM 的本质是 Token 概率预测 ------它只是在模拟它见过的文本模式，计算在当前语境下最有可能出现的下一个 Token 的概率。
• 使用大模型能理解的 Token
• 单轮对话专注单一任务

📊 文章信息

AI 初评：88

来源：腾讯云开发者

作者：腾讯云开发者

分类：人工智能

语言：中文

阅读时间：18 分钟

字数：4347

标签： AI Coding, LLM, Prompt Engineering, Developer Tools, Vibe Coding

阅读完整文章