引言
Hello 大家好，好久不见。隐身了很久之后我又出来冒泡了。本期视频主要来分享一下，在AI时代下，如何放大自己的能力，十倍甚至百倍以上。
本期视频不讲那些实际操作部分，先讲理论部分。这是一个关于AI如何彻底改变我们工作方式的故事——从个人使用AI工具，到构建一个自我训练的AI流水线，最终实现真正的"财富自由"。
阶段一：AI工具的初探
首先第一点，如果你现在使用了CodeX，或者说使用了Cloud Code作为你的日常编程工具也好，或者说是你的日常使用助手也好，你只要达到阶段一，你基本上就能够超越90%以上的人——非常的残酷。
我在推特上面看到大量的独立开发者以及大量的人去讨论这个CodeX怎么去用，然后以及Cloud Code怎么去用，以及最近的Gemini 3 Pro它有哪些牛逼的地方。然后我就觉得好像全世界好像程序员都在用这些东西。
实际上在目前来说，只要你使用了CodeX或者Cloud Code，你就超越了90%以上的程序员，或者说是IT从业人员。所以你要想放大自己的能力，你使用了这些工具之后，大概能够放大自己的能力到两三倍以上。
AI工具的多场景应用
可能有人就好奇会问：你的开发任务有那么多吗？你每天为什么都要用这些？实际上它不只是用于开发，也用于很多你想快速熟悉某一个项目的场景。
在没有这些工具之前，如果你新来到了一家公司，老板让你去修一个bug。按照我自己举例，我刚入职的时候作为一个应届生，收到了一个任务就是要修一个bug。但是我对这个代码碰都没碰到过，然后就要去手动分析——分析这个代码的入口在哪里，它的调用链条在哪里，要熟悉整个完整的代码层面的业务逻辑。
如果这个时候又来其他的任务，对其他任务的上下文完全不知道的话，其实是非常非常痛苦的，因为就意味着你需要阅读大量的代码。而现在有了这两个工具，熟悉项目的体验是：只要给我这两个工具，给我任何一个项目，都可以迅速地把它熟悉起来。
CodeX vs Cloud Code
有人会问：Cloud Code和CodeX到底哪个更好用呢？众所周知，Cloud Code今年5月份才正式发布。用了这么久来说，实际上CodeX比它出来的要晚，但根据我自身的体会，CodeX就是要大于Cloud Code。
Cloud Code很容易就会有各种各样的幻觉，它很喜欢做向上管理。稍微动一动它就跟你总结说经验是什么、代码逻辑是什么，但实际上它说的不一定准。你可以质疑它，稍微质疑一下它，即使你可能没有真正的去分析它告诉你的答案，只是随口说一句"我觉得你说的不对"，它立马来一句"你说的对"，然后实际上它又开始去分析了——很容易出现幻觉。
但是CodeX的工作方式就像我一样，默默无闻，一头脑的干事情，干好了之后告诉你"我干完了"，很少有幻觉。很多次以至于我用CodeX去分析某个代码的逻辑，我理解有误，告诉它"你这个是错的"，它说"我是对的"，然后我把疑问抛给它，它巴拉巴拉巴拉一堆解释，有理有据令人信服。所以这一点上，我CodeX吹爆Cloud Code。
强烈建议：如果你还没有用这两个工具，非常建议你去使用，强烈推荐，强烈安利。你用了都说好，你不用就真的被AI已经远远的甩下了。
阶段一的局限性
目前大多数人或者独立开发者，我在推特上面分享的，他们都处于阶段一。他们有各种各样的小技巧，或者说各种各样的prompt工程，有各种各样的提示是非常好用的。
但是，在阶段一和阶段二之间，其实是有一个过渡的。这个过渡是什么呢？就是通过CodeX也好，Cloud Code也好，用它来生成代码，会有一系列的通用问题：
- POC成分更多：用它们生成一个快速的POC代码非常快，绝对比手敲的快，比这个世界上任何一个程序员手敲的都快。但是项目完成了八九十分，如果想让这个项目进行商业化的运行，那就离得太远了
- 史山代码：项目完成得快，但如果不进行人工干预，一天两天甚至一周最多一周，它就会变成史山代码。因为AI发展得太快了，你想提任何需求它能够迅速帮你解决。以前一个项目要堆成史山可能需要一两年，现在AI这么快，它变成史山就会变得更快
- 代码膨胀：很容易代码膨胀，最后变成一座史山，最后甚至变成一个沼泽池，都堆不起来了，直接变成一坨
- 风格不符：生成的代码虽然能工作，但可能不符合程序员的品位，或者不符合当前这个项目的风格
核心问题：上下文不够
解决这些通用问题的办法很多，其中之一就是用软件工程——用好的设计模式，用好的系统架构。但其实终极原因是：给AI的信息太少了，上下文不够多。
我对不满意AI生成的代码有两种原因的思考：
- LLM不够聪明——但现在可以把这个划掉了，AI已经足够聪明了
- 上下文不够多——我们没有给它提供足够精确的上下文
为什么AI有时候不能一次性命中我们想要的？很多牵扯到项目级的内容，它为什么不能一次性命中呢？你要不断地告诉它"你这个是不行的"。一方面是因为LLM不够聪明，但现在AI已经足够聪明了；还有一部分原因是因为上下文不够多，我们没有给它提供足够精确的上下文。
如果你给它的上下文包含了你所有的需求、你的代码风格、你的项目背景，你都给它含进去的话，它一定能一次性命中。
阶段二：福特流水线思维
目前你用到了CodeX，最多只是达到了蒸汽机的时代。但想要让能力达到100倍的话，只靠蒸汽机做不到，你得有一套完整的工作流程——也就是说，福特流水线。
这里面有一个背景知识：当初蒸汽机发明出来的时候，实际上整个第二次工业革命之后，生产力的水平也并没有扩大多少。而直到福特发明了流水线，在蒸汽机的加持之下，导致福特一下子生产力大爆发，变得非常富有，以至于对员工的待遇也非常好。
阶段二大概是我上个月突然和AI聊天之后发现的。我问AI一个问题，因为福特公司发明了流水线导致生产力大爆发。AI指出，实际上我需要寻找的是一个福特式的杠杆。
"你的工作流向是把AI当作电钻，但是却还在用它去拧瓶盖。"
主要的问题是来到代码非常有效——目前使用Cloud Code就是这样去干的：不断地把信息抛给CodeS工具，然后他给你反馈，然后你再评价说"你不行，你要改，你要怎么改"。他想的是说，我们需要让AI来完成这个操作。
这句话的含金量程度不亚于"Attention is all you need"：
"你效率的天花板，实际上来自于每件事都要重新思考。你的项目都是一次性的，没有复用的，没有流程的，没有自动化，没有标准化，完全依赖你的临场的想法。如果你要让个人和AI实现爆发式的效率，就必须将工作变成一个模式，变成一个模块化的决策系统。"
项目演进系统
我之前已经在研究这个问题，AI说我真正缺的是一个AI的装配线。为了解决这个问题，我当时想到要设计一套工作流程，要让AI把所有关于整个项目的演变的路线要知道，以及在演变的过程中我个人的风格是什么，都让AI把这些信息全部作为一个项目的档案信息放进去。
也就是说，以后在开发从零开发一个项目的时候，代码信息只能包含一部分——由IOM生成的代码信息，还有很大一部分程度上实际上是来源于整个项目的信息：项目的技术选型、项目是怎么演化的、一步一步走到今天的、以及个人的风格、崇尚什么样的个人风格。
所以我们需要一个项目演进系统，这个项目演进系统里面就包含了所有这个项目的所有内容。AI只需要在这个系统里面去查——也就是Domain Knowledge，专门的项目知识——它就能够对整个项目有了精确的了解，然后就有可能能够一次性one shot。它不只是能完成代码的功能，同时也能符合整个项目的架构和开发人员的风格。
简而言之，言而总之，这个项目演进系统实际上就是一本历史书。
工作流的核心要素
所有的任务都要落入统一的结构，每个任务都拆成几个核心步骤：
- Context（上下文）：你做这件事情的上下文是什么
- Constraints（限制）：你对它要做一些限制，限制条件是什么
- Expected Result（期待结果）：你期待的结果是什么
- Check（检查）：你怎么样检查它到底完成了这件事情
- Reflection（反思）：复盘和沉淀经验
Evolution档案的结构
整个项目演进系统核心的理念在于：仓库不只是代码，也是对这个项目的决策，能够保证整个项目的完整的演化路径。核心的内容在于：
- Evolution（演进）：每次要增加一个新的大功能，或者进行一些实验的时候，要进行Evolution记录
- Vision（愿景）：长期的规划
- Event（事件）：当AI每次去调用的时候，它都要去记录这些事情
Evolution文件相当于是一个新功能的档案，每次开发一个新功能都必须生成这个文件，主要由六个部分组成：
- Context：上下文，为什么要做这个功能
- 技术选项：可以通过哪些方式去做，最终选用哪种方式
- 设计：最终的设计方案是什么
- 结果：最终的结果是什么
- 坑/Lesson：在做这个功能的过程中有哪些坑
- 记录：AI做完之后对它进行记录，做了什么事情
现在LLM很聪明，但对一些特定领域的知识还是欠缺的，需要尝试试错才能达到最后的需求，可能需要花费一两天都和它在做试错。如果有了专门的Lesson记录，后续针对于同样需求就不需要从零再去试错了——AI不需要每件事情都从零开始试错，相当于已经有底蕴在这了，有沉淀在这了。
阶段三：AI的自我训练
Ledger MCP就是想把这套工作流做成一个MCP，在使用CodeX或者Cloud Code开发的过程中，用到这个MCP，把整个项目的知识和项目演练过程沉淀下来。
既然我们有那么多整个项目演化的一些经验，每次让AI开发项目的时候，都可以让它去参考：针对于某个Feature，以前都犯过哪些错误，以前是怎么设计的。AI其实可以通过MCP去进行查阅，查阅了之后他的上下文就足够精确了——整个项目怎么样演变他都知道了，基本上了解程度和合伙人就差不多了，应该可以一击命中了。
AI要成为自我训练系统，每生产一个单位，就累计一个单位经验——这就是最牛逼的地方，你越用越强。
为什么投资要做复利？就每一年都比一年好，让它变得越来越强大。
反观现在的系统：每生产一个单位，就把经验丢掉——这不就是我们日常吗？一个任务来了，用Cloud Code去完成，完成之后OK结束了；下个任务再来，再用Cloud Code再去结束。没有任何的积累！
看似我们把问题都解决了，能胜任当前的岗位，但实际上在AI时代，没有积累，你做的这些AI都能做。真正那些错误、那些Lesson，这个才是我们最重要的东西，AI时代最重要的就是这个东西。
为什么有些东西AI没办法一次性达到？对我们来说其实是好事。如果它什么功能都能一次性给你解决，那完蛋了，那程序员真的就失业了。所以这个是非常非常重要的。
终极目标：把自己从链路中摘除
最后最牛逼的在于这个：把自己从链路里面摘除。
这就像什么？相当于我创业了，创业成功了，公司可以赚钱了，然后我——公司缺了我它可以自由运作了，那我就每次都躺平了，躺平了然后去该喝咖啡喝咖啡，每天该旅游去旅游。这个是最牛逼的。
这个真就达到了从复利再到最终——什么叫财富自由？这才叫财富自由：你有一个AI团队，也不需要你做什么，他们从过去的历史中已经学到他们要学的东西，你每天可能看一下周报，他们运行的整个过程到底符不符合你心中的想法，不符合OK，你继续告诉他们，让他们再去根据你符合的想法去做。
这就是为什么说，有了这样的一套流水线机构，能够让AI能够自己去成长、自己去训练，然后把自己从整个链路中彻底摘除之后，构建出了这样的一个AI团队，那你的能力不就翻了100倍吗？这就是阶段二。
总结
我们来回顾一下整个AI能力放大的三个阶段的演进：
- 阶段一：使用CodeX、Cloud Code等AI编程工具，能够放大能力2-3倍，超越90%的程序员
- 阶段二：构建福特流水线式的工作流，通过项目演进系统沉淀经验，让AI越用越强
- 阶段三：让AI成为自我训练系统，最终实现把自己从链路中摘除
核心洞察在于：效率的天花板来自于每件事都要重新思考。只有将工作变成模块化的决策系统，建立项目演进的知识沉淀，才能真正实现AI时代的百倍效率提升。
记住这句话：越用越强，复利增长，最终把自己从链路中摘除——这才是AI时代真正的财富自由。
← 返回博客首页 ← 返回首页