我感覺隨着AI編程工具的發展，我對MCP工具的理解也在改變
之前常用的 sequential thinking、task_manager，現在隨着模型計劃和推理能力的提升，有了plan mode和think harder/ultrathink，我更願意在原生工具內部完成，而不是借助mcp
另一類是context7、deepwiki這類上下文增強工具，對於上下文工程，我需要更加精細化和準確，這類mcp目前還無法達到這個要求。所以我更傾向於自己深度整理而不是使用mcp
上下文整理的過程可能會借助Deep Research和NotebookLM等外部工具，在代碼之外，先收集好高質量、且足夠全面的上下文
還有一類能提高測試效率和準確度的mcp工具我是推薦的，比如playwright mcp
總結一下就是，mcp工具應該作爲AI編程能力的延伸，就像手腳的作用，而不是增強大腦

Deep Research解決“構建什麼”的產品化決策問題，它兼具深度和廣度，幫助我們打破信息繭房，看清方向
Claude Code幫助解決具體的實施細節，讓我們有精力更focus在系統架構、模塊拆分和重構這些high level層面，提升迭代和試錯效率
未來肯定會有更先進的AI生產力工具，但以上三步我認爲應該是不變的底層邏輯

MCP出來這麼久了，真正能用的好像沒幾個？
我指的能用指的是對於AI編程，能夠穩定且高頻使用，對編程效果有實質性提升的
分享幾個我認爲還可以的：playwright、Context7、Sequential Thinking
前兩個解決上下文準確性問題，第三個解決規劃思考

程序設計領域，有一個詞叫“bad smell”
說的是對於有經驗的程序員，應該能嗅到系統中的“壞味道”，而提前預防，進行架構優化和升級
還有一個詞叫“過度設計”
就是說一開始想的太多，設計了很多沒有必要的可擴展性和模塊解耦，帶來龐大且無用的維護成本，反而容易引入bug
這兩個詞，都是需要放在時間和語境裏來看的
沒有最好的架構設計，只有最合適當下（以及未來一段時間）的架構設計
這個度的把握，目前的AI還遠遠做不到
但是引入AI之後，讓我們能用更多的時間來思考架構，去在合適的時機進行重構、解耦、拆分或合並
這就是人的價值

程序員最喜聞樂見的就是，各大AI廠商卷上天😂
剛註冊了下Jules，好像可以免費試用

Google家又要放大招了？

vibe coding真的要在懂編程的人手裏才有作用，不懂的就是💩山和各種安全漏洞😅

非常棒的經驗，內容營銷、流量、獲客、轉化、品牌、設計、競爭壁壘、合作放大，各個方面都需要思考和執行
AI時代，最不缺的就是idea和研發能力了😂

恭喜恭喜，值得學習👍
希望有更多像熠輝這樣賣課的人，讓“賣課”這個詞變得不再那麼負面
想想看什麼樣的知識付費博主能成功，我總結以下幾點：
真誠、利他、價格合適、快
真誠：做自媒體的根基，無論賣什麼，首先都要和你的客戶建立信任關係。真誠的輸出自己的知識和認知，不端不裝，人設才不容易崩
利他：不爲了滿足自己而輸出，而是隨時站在市場的一邊，站在用戶的一邊，輸出真正有價值、能解決用戶痛點的內容
快：這個快不僅僅是快速切入市場，我認爲更重要的是快速迭代和試錯。不要想着做一個完美的產品，而是快速推出MVP，得到市場的驗證和反饋，比閉門造車要強100倍

這個方法來制作AI rules看起來不錯，準備嘗試一下，等試完回來報道！感謝分享☺️

很贊同吳恩達老師的觀點，AI輔助編程確實可以讓已有編程語言基礎的人可以快速上手一門新語言，同時他也強調了理解語言背後的核心概念的重要性：
---
但是，理解不同語言背後的概念仍然很重要。這就是爲什麼學習至少一門像 Python 這樣的語言，仍然能爲你打下堅實的基礎，去更好地提示 LLM 生成 Python 或其他語言的代碼。如果你從一種編程語言轉向另一種能完成類似任務但語法不同的語言——比如，從 JS 到 TS，或者 C++ 到 Java，或者 Rust 到 Go——一旦你掌握了第一門語言的概念，你也就掌握了提示 LLM 用第二種語言編寫代碼所需的大部分概念。（雖然 TensorFlow 和 PyTorch 不是編程語言，但學習了 TensorFlow 背後的深度學習概念，同樣能讓你更容易地讓 LLM 爲你編寫 PyTorch 代碼，反之亦然！）此外，你也能看懂大部分生成的代碼（可能需要 LLM 稍微幫你解釋一下）。
不同的編程語言反映了組織計算的不同思路，理解這些概念依然很重要。比如，如果一個人不理解數組、字典、緩存和內存這些概念，那麼他讓 LLM 用大多數語言寫代碼時，效果就會差一些。
同樣地，一個想用 JS 做更多前端開發的 Python 開發者，如果能學習一些前端系統背後的概念，將會受益匪淺。比如，如果你想讓 LLM 用 React 框架構建前端，那麼理解以下內容會對你很有