At the top of my AGENTS.md: - NEVER write unit tests after you write code. - Highly prefer E2E tests as the sole testing mechanism. Use them to verify complex features work. At the end of E2E tests, produce a verifiable and repeatable artifact. - If you must test a system in isolation, FIRST write all the ways it could fail, THEN write the code.

昨天去了一家做OPC社区的朋友的公司，3000平方，几百台电脑，几乎看不到人。 全是AI在自动跑跨境电商——自动上架、自动卖货、自动管理160个国家的店铺。 站在那里，说实话，有点被震到。 以前我们总觉得出海是拼人、拼钱、拼渠道，现在发现，未来可能只拼一件事：谁先把AI变成自己的员工🧠。

我是能不用worktree就不用worktree，要么不同任务用branch分支，要么就直接同一个分支多任务，一般不太用担心冲突，首先只要任务类型不一样冲突可能性较小。 另外现在 Harness 比如说 Claude Code、Codex 都很聪明，遇到冲突会等另一个执行完。 使用 worktree 主要是在做耗时较长的 PoC 场景，只是验证一下，同时要做其他任务，完了就删除目录。

去猪八戒（ 分享一个真实案例： 有个中文系朋友在猪八戒接了4单策划案，共到手1万 她没有任何技术背景，就用了这三步： 第一步：在猪八戒找 "AI策划/内容方案" 的需求，报价比市场低20%。 第二步：拿到需求文档，扔给Claude + DeepSeek，让它按"目标用户+痛点+执行路径"结构输出初稿。 Prompt模板：「你是一名有10年经验的品牌策划，以下是客户需求：[粘贴需求]，请输出一份3000字的完整策划案，包含执行步骤和预算参考。」 第三步：花30分钟加入自己的观察和行业数据，修改语气，交付。 全程不用写代码，不用懂算法。 每单花2-3小时就搞定了 如果你是在校学生，完全可以通过这个积攒自己的经验，好给未来工作铺垫。

俺有一个老板朋友，也不懂 Rust，最近让 Codex 用 Rust 重写了 DuckDB，然后据他说上了自己的生产环境。胆儿这么肥，我大为震撼。 BTW 它还用 Rust 重写了 Kafka 和 Neo4j。给我的观感就是大猩猩拿着机关枪疯狂扫射。 Repo ➡️

一个特别有趣的事情是用分布式领域经典的 CAP 不可能三角去看 git 和 agent team 作为分布式系统的协作模型。 Git 和 CRDT 都是保证 AP 放弃了 C，意味着允许断网期间不同副本状态分叉。 而 agent team 的难点在于多节点如何对同一决策达成一致。这里 Raft 是经典的共识算法，它意味着保证 CP 放弃了 A，即当系统无法确认某个节点仍与权威多数派保持一致时，宁可拒绝它处理请求，也不允许它独立产生新的权威状态。 但标准 Raft 仍然解决不了系统中可能存在恶意或被提示注入的坏 agent 节点的情况，这也就是所谓的拜占庭问题。换句话说，Raft 无法验证 agent 有没有说真话。 所以感觉肯定多少会有拜占庭问题，但还不属于现在主流产品的 major concern 吧。

📢Meet Qwen3.8-Max — our most capable model to date. Next week, the open weights of Qwen3.8-Max will be released, and Qwen3.8-27B is also going open-weights to meet you all!🎉 Qwen3.8-Max, a new bar for coding and cowork at 2.4T parameters: - Autonomous coding: 10+ days of self-evolving development, from empty folder to production without hand-holding, complete project trace in the GitHub： - Real work, real results: Production-quality deliverables across hundreds of professions. - Long-horizon mastery: System-level autonomous planning with closed-loop adaptive learning, driving 500+ turns of chip design optimization and 365 days of e-commerce strategy. - Native multimodal intelligence: Vision isn't just input — it's a continuous feedback loop for planning, execution, and self-correction. 💰Pricing: Input: $2.0 / M tokens Output: $6.0 / M tokens Implicit Caching: $0.25 / M tokens Start building with Qwen3.8-Max! 🚀 📖 Blog: ✅ Qwen Studio: ⚡ API:

我们开源了一个史上最快的模型请求库。比原始sdk快10多倍，核心是deepseek flash这种高速模型请求的序列化与内存开销会越来越恐怖。 整个库还支持了node/java/golang/python/c/swift,/kotlin多语言, 还有各种模态的模型。如果你在build agent，同样不能错过。