在从 Vibe Coding 过渡到 Agentic Coding 之后，一个很明显的不争事实是：所有真正拥抱 Agentic Coding 的公司（那些同时拥有 Frontier Model 和 Coding 工具的公司），其代码目前都由 AI 生成。
在这个前提下，我们需要在思路上做一次转向。过去设计软件时，我们习惯用迭代的方式，一点点把它做大；但在 Agentic Coding 时代，这套思路可能不再适用。
更好的方式是：
- 先把未来成功时的完整形态，以及对应的组织架构，一次性输入给 Coding 工具。
- 让 AI 在上述上下文中生成代码，使其朝着最终成功的形态演化。
- 在构建软件系统时，再逐步把功能加进去。
这就像一个 Rocket Booster：它会放大人的想象力与品位。因此，你的瓶颈将更多来自想象力，而不是落地时的工程约束。
所以，构思要往大处想；执行时，让 AI 工具沿着你的设想自动演化成你想要的状态。之所以目前还需要一步步推进，根本原因是：人一旦参与验收，就会遇到现实约束，只能逐步验证。
如果你能设计出一个完整、可自我验证的闭环负反馈系统，Agentic Coding 工具理论上可以自行演化成你想要的样子。但这极其困难，而且高度分领域、很挑场景。
写在2026年马年新年之际，给自己的话。
当你置身于某个环境时，常会在不知不觉中被其中与你相处的人所“洗脑”。这种“洗脑”往往是无意识的，你可能直到某一天才突然意识到：眼下的状态，其实并不是你真正想要的。
你未必能准确说清原因，却会有一种“不太对劲”的感觉。而在这种时刻，往往正是需要反思的节点：
- 审视当下的状态：问问自己：这真的是你想要的吗？
- 摆脱外部束缚：即便这种状态是在社会与道德的约束下形成的，让你不得不如此，也别因此就认定它是正确的。
Google 在能力上早就有 LLM（PaLM/LaMDA 等），但 ChatGPT 让行业看到“对话式产品 + 对齐 + 快速迭代发布”能爆发出巨大的用户价值，这件事是另一条路线。
让强大的技术能够被人可用，是做产品的思路。它所需要的技能点是完全不一样。
通过阅读代码来学习技术的方法：
- 先把与你想学的技术相关的开源代码多下载几份（最好覆盖从入门到中级、高级，以及当前最主流的方案）。
- 启动 Claude Code 或 Codex。
- 让它以这些代码为基础，结合你想学习的某个具体话题的算法设计，把两者融合起来。
基于代码库，专门生成一份符合你当前水平、同时包含代码与算法说明的技术文档。
这种方式最快。
六月，编程真正进入了 Agentic Coding 时代，彻底改变了我的习惯。我们创造工具，工具塑造我们。
这个世界本质上的所有信息，是不是都可以通过线性的关联取得相互之间的关联性，然后通过关联性来区分出它们相对的比重？
而这种关联性的计算可能是非常简单的相似性计算，也可能是距离计算。
使用 Claude Code 等智能体来执行任务，本质上就是在“开发”一个智能体。但大多数时候，它们只是用来处理简单任务，很多情况下还需要自己亲自参与结果验证。
它的高阶用法，是端到端交付一个完整结果。
要把它设计好，需要技巧。
最核心的问题是：如何定义智能体“已经把任务完成了”？进一步，如何评估完成度？
“聪明”的模型可能会 hack 结果，通过抄近路的方式解决问题。
如何设定正确的验收方式，才是提升工程效率的核心。
这和人类社会一样：假设你是企业老板，盈利是最终目标，但你不能把这个目标直接下达给下属部门。你需要针对不同部门，设定适合他们的评估方法——这既是技术，也是艺术。