AI Coding 的下半场不是 更强的模型，而是更难违反的流程。

1. Superpowers 是什么：一套 Claude Code 插件，注入 14 个 skill，强制 5 阶段不可绕过流程。
2. TDD 硬约束：RED-GREEN-REFACTOR 循环被写进 skill 代码，测试必须先失败才能写实现。
3. 官方收编信号：Anthropic 一月将其纳入官方插件市场——承认纯灵活无法规模化。
4. 数据说话：任务完成率 62% → 89%，token 消耗增加 37%。
5. 版本化管理：skill 是文本文件，可 git 提交、code review——团队第一次能把 AI 写代码的规矩版本化。
6. 动态 vs 静态：相比 .cursorrules 和 CLAUDE.md，skill 按任务状态精确触发，不打扰无关流程。
7. 一句话记住：把规则写进 skill 代码，不是 prompt 里。

agent-browser 和 Playwright CLI 的区别不在"谁更好"，而在谁在做决策——是 LLM 自己看着办，还是人写好每一步指令。

1. agent-browser 目标驱动：给自然语言目标，LLM 自己规划并执行
2. Playwright CLI 步骤驱动：open → click → fill，每一步都得人写清楚
3. agent-browser 用 Accessibility Tree + @ref，Token 仅为完整 DOM 的 5%
4. Playwright CLI 交互结果写磁盘，Agent 按需读，Token 比 MCP 方案省更多
5. agent-browser 直连 CDP 复用登录会话；Playwright CLI 默认隔离上下文
6. 容错逻辑相反：agent-browser LLM 语义兜底，Playwright CLI ref 变就挂
7. 两条路都能走，走反了就是纯烧 Token

Playwright MCP 和 Chrome DevTools MCP 不是竞品——一个负责"开"，一个负责"修"。

1. Playwright 做浏览器自动化（干活），DevTools 做性能诊断（找问题）
2. Playwright 基于 Accessibility Tree，Token 仅为原始 DOM 的 20-30%
3. DevTools 基于 CDP，能拿到网络瀑布、Lighthouse、堆快照等完整运行时数据
4. Playwright 支持全平台浏览器；DevTools 仅 Chromium
5. DevTools 独有 Trace 自动分析、Lighthouse 审计、V8 堆内存快照
6. Playwright 独有 Auto-wait、跨浏览器测试、结构化定位

一句话：日常交互用 Playwright，需要性能/网络排查时切 DevTools。

for await...of 不是 async 版 for...of，而是一套"随时间产生的值流"消费模型。

1. 普通 for...of 遍历同步数组，迭代立刻拿到值；for await...of 每次迭代要等下一个值，生产者产出与消费者消费完全解耦
2. 这就是流式响应的底层逻辑：Node Stream、AsyncGenerator、LLM streaming 本质上是同一件事
3. 实现 Symbol.asyncIterator 协议就能让任意对象变成可异步遍历的流
4. Async Generator 是最简洁的生产端实现：yield 产出，for await...of 消费
5. 适用场景：分页 API、Stream、实时事件——凡是数据"不是一次性到齐"的地方

Claude Cowork 是 Claude Desktop 桌面 App 里的一个 Tab，本质和 Code Tab 差不多，主要面向非程序员——默认去掉了 GitHub、Preview、Diff、Terminal 等开发功能，换成了 VM 沙箱隔离执行、定时任务、MCP 办公套件集成这类知识工作场景更常用的能力。

核心问题很简单：非程序员怎么用 Code Agent？

1. Cowork 和 Code 共享同一 Agent 引擎，差异只在交互界面，零编程门槛。
2. 授权文件夹后，Claude 自动规划并执行多步文件操作，破坏性操作需用户二次确认。
3. macOS AVF 轻量 VM 隔离执行，Agent 循环自动拆解子任务并行处理。
4. MCP 集成 Google、Office 等数十款工具，支持企业私有插件市场。
5. Agent 的真正战场不是 IDE，是桌面。Agent 从开发者专属变成全员可用——AI 工具进入企业的关键一步。

OpenSpec 解决了一个我在 AI 编码里反复踩的坑：你和 AI 达成的共识，/clear 之后全没了。

• 问题本质：AI 在长对话中遗忘早期约束，清空上下文后设计共识归零
• OpenSpec 的解法：把共识写成结构化文档（proposal → spec → tasks），存进文件系统，不依赖对话记忆
• 核心流程：Propose → Apply → Archive，三步闭环，所有变更可追溯
• Delta Spec 机制：改需求不重写规格，用 ADDED/MODIFIED/REMOVED 增量描述，自动合并
• 和 Superpowers 的关系：OpenSpec 管"写什么"，Superpowers 管"怎么写"——一个定方向，一个定纪律
• 得物团队落地数据：10 天净增 25,546 行代码，研发提效 36%，关键是把规范写成 AI 的"可执行契约"

agent-browser 把浏览器从"给人用的 GUI"变成了"给 AI 用的 API"。

1. 定位：专为 AI Agent 设计的浏览器操控工具，自然语言输入、结构化结果输出。
2. 两种实现：Vercel agent-browser 是 Rust CLI（二进制 7MB），browser-use 是 Python 框架。
3. 核心差异：传统自动化写死每一步，agent-browser 是目标驱动——只关心"做到没有"。
4. 底层原理：CDP 直连 + Accessibility Tree 快照，context 用量比完整 DOM 少 90%。
5. 实际数据：WebVoyager 成功率 91.3%，单任务成本不到 $0.09。
6. 2026 趋势：MCP 集成、本地优先、反 Bot 对抗升级三条主线。

线上排查端口冲突时，查进程、杀进程、防复活是三个标准动作。

• 查端口：lsof -i :端口 一把梭，比 netstat/ss 更直观。
• 一行 kill：kill -9 $(lsof -ti :端口)，查 PID 和杀进程一条命令搞定。
• 一行 kill：lsof -ti :端口 | xargs kill -9，查 PID 和杀进程一条命令搞定。
• 杀了又活：大概率是守护程序自动拉起，先查 systemd/supervisor/pm2。
• 根本解法：直接停掉守护服务再操作，从源头控制，不跟重启赛跑。

tree 把一个目录变成终端里的一棵树。日常使用记住两个参数就够了。

1. -L N 限制展示层级，默认无限制，深层目录直接输出爆炸。
2. -a 控制隐藏文件可见性，默认不显示 . 开头的文件和目录。
3. tree -L 2 -a 是覆盖大多数日常开发场景的组合。
4. -d 只看目录骨架，跳过文件层噪音。
5. -I 'node_modules|.git' 排除指定目录，tree 输出立刻清爽。
6. macOS 不自带，brew install tree 一行安装。

软件开发范式的底层逻辑变了——从瀑布到敏捷再到 AI 开发，不是在改进旧流程，而是把整个开发流程替换掉了。

• 瀑布模型：靠前期规划，像从零攒一辆摩托，上线那天才知道对不对
• 敏捷开发：靠快速反馈，从滑板迭代到摩托，但每一步仍然要人写代码
• AI 开发：靠意图表达，你描述要什么，直接给你成品摩托
• 核心转变在于驱动力的迁移：Plan → Feedback → Intent
• 效率提升不是"AI 写代码更快"，而是消灭了中间的等待和沟通成本

别再把 AI 当成"更快的程序员"——它在替换开发流程本身，不只是加速写代码这个动作。