AI协作中经验的新价值
很多人担心 AI 会让工程经验贬值。我最近做了一个实际项目后，反而得出相反的结论：AI 让经验的价值变得更精细、更关键。下面用一个具体的例子来说明。 一、场景需求大致是这样的： 我手头有一批无人机拍的正射影像 TIF，它们存在系统性地理位置偏移。我需要把它们纠正到正确位置，然后按一份外部提供的网格 SHP 文件，裁切成一块块小 TIF 输出。 看起来是很标准的 GIS 流水线： 1偏移 T
Lee的博客
AI协作项目完成后的30分钟结构化速读清单
适用场景：AI 生成代码比例高、个人项目做完后、你想保持”代码品味”不退化总耗时：30 分钟｜可重复执行｜跨项目通用 为什么需要这件事AI 能在 5 分钟内生成 500 行代码。这种生产力放大有一个隐性代价：理解债（Understanding Debt）。每一行你没有读过的代码都是一笔欠账，会在三种情况下被强制偿还： 需要扩展 / 修改 — 你得重新读代码，但已经没有当时的上下文
我用AI写了一套实时视频检测系统，然后推翻了它
背景我在做一个实时直播流 AI 检测系统：从 SRS 流媒体服务器拉取直播视频，交给 Python 端的 AI 模型做目标检测，再把检测结果（比如人物位置的边界框）同步叠加到前端播放画面上。 核心难题只有一个：怎么让检测结果和视频画面对齐。 V1：一个”优雅”的方案我选择了 H.264 SEI（Supplemental Enhancement Information）。这是视频编码标准中专门用来携
技术产品化，产品商业化
这句话本质上是一条价值链思维，核心在于：每一层的工作都要为下一层创造可交付的价值，而不是自嗨。 技术要考虑产品化技术本身没有价值，解决问题才有。写得再优雅的代码、用得再前沿的架构，如果不能被包装成用户可感知、可使用的产品形态，就只是实验室里的玩具。 产品化意味着你在写代码时就要想：谁来用？怎么用？怎么部署、维护、迭代？这会反过来影响你的技术选型和架构决策。 产品要考虑商业化产品解决了用户的问题，但