EP57 · Claude Code 最佳实践 / GPT-Realtime-2 · 05.15 早报-ginobefun

EP57 · Claude Code 最佳实践 / GPT-Realtime-2 · 05.15 早报

歌手:ginobefun

专辑:BestBlogs

时间:2026-03-15

    使用手机浏览器「扫一扫」

    在手机上保存,获得更好体验

标签
歌词

本字幕由TME AI技术生成

工具决定结果

架构决定上线

今天是二零二六年五月十五日

欢迎收听base blocks 早报ep 五十七

今天的三条精讲围绕一个共同主题展开

当ai 编程工具真正走进大型工程组织

决定成败的不是模型能力

而是你怎么搭起那个让模型发挥的框架

第一条

Anthropy 官官公布布了cloud coat 在大型代码库里的最佳实践

他们说了一句很有意思的话

A ness 和模型同等重要

什么意思

就是你给模型配的那套工作环境

那套配置脚手架

甚至比模型本身的分数更能决定实际表现

第二条

Open ai 做了一期深度解析

剖析gpt realtime 二的语音agent 架构

十二点八万token 的上下文

几乎接近一小时的不间断对话能力

语音交互正在从聊天对话框变成真正的语音到行动工作流

第三条

Flome 创始人少难分享了一个真实的困境

当ai 把开发周期从按月压到按小时

效率反而不是问题了

真正难的是协作方式怎么跟着变

政委一个需求的速度加快了

但最终交付的产出数量却下降了

这个悖论值得每一个正在用ai 做产品的人认真想一想

这就是今天的base blocks 早报

我们开始先来聊an thropy 这篇关于cloud code 在大型代码库里运作方式的文章

很多团队在用ai 编程工具时会遇到一个共同的文章在小项目上用的很顺

但代码库一大

效果就掉下来了

文件成千上万

依赖关系错综复杂

Ai 给出的建议开始变得不对

引用已经删掉的函数

找不到最新的实现

为什么会这样

先源是早期的技术路线选择

很多工具早期靠reg 来让模型了解代码库

也就是像量化嵌入检索

这在小库里没问题

但大型代码库里

工程师每天都在提交代码嵌入流水线根本跟不上这个速度

Ai 很快就过期了

你问他一个函数在哪里

他告诉你的可能是两周前重命名之前的位置

或者已经被删掉的模块

Clode code 就智期里搜索代替了rag

更像一个有经验的工程师的工作方式

直接遍历文件系统

用grape 精确搜索

跨文件追踪引用

从最新代码实时运行

没有索引延迟

但enthroropic 在文章里强调的核心不是模型怎么搜索

而是一个让很多团队没想到的洞察

Harness 和模型同等重要

Harness 是什么

就是你为clode code 搭建的工作环境

那套每置勾子专业知识包工具连接的总和

文章里列了五大扩展点

我挑重要的讲

第一个是claude md 文件

这是每次绘画自动加载的上下文文件

放在根目录里就是全局视图

放在子目录里就是本地约定

关键原则是保持精简

不要把所有东西都塞进去

要像写给新来的工程师看的入门材料一样

说清楚这个仓库的逻辑是什么

约定是什么

第二个是hooks

翻译过来叫钩子

在关键时刻自动触发的脚本

防错误

当当然是一种用法

但文章里说更有价值的用法是持续改进

停止钩子可以在绘画结束时分析这次对话

建议你更新q 等b

把今天踩的坑记记下来

下次就不会再踩

启动钩子可以动态加载团队特定的下文

比如当前的的目标

近近架构构策策

第三个是sprrskills

按需加载的专业知识包

一个大型代码库有几十种任务类型

比如安全审查

文档更新

数据库迁移

Api 设计需需要把有有上文都常驻驻在会划里

而需要把安全审查时加载安全skill

做文档更新时加载文档skill

第四个是mcp 服务器

负责把cloud 连接到内部工具

数据源和api

此外还有lsp 集成

就是语言服务器协议

提供符号级的精确导航

解决grape 搜索可能返回同名函数的模糊问题

这是ide 级别的代码理解

另一个是子智能体

专门开一个隔离实例做探索

主实例专注做修改

互不干扰

文章还讲了三种配置模式

让代码库可导航

Claoeeoeeob 讲md 要分层

忽略文件排除构建产物

为大型项目构建目录索引

随模型迭代主动维护配置

三个月前写的规则可能已经在限制新能力

建议每三到六个月做一次审查

分配所有权

文章里提到了一个新兴只能

叫agent manager

类似产品经理和工程师的混合角色

负责维护整套配置体系

在大型组织里

这个角色已经开始出现了

今天的takeway 很清晰

如果你的团队在用ai 编程工具

花在调优模型基准分数上的经历

不如花在搭好harness 上

模型的基准分在短期内你改变不了

但harness 今天就可以动手做

而且很可能带来更大的提升

第二条

来聊open ai 做的那期build hour

深度解析gpt real time 二的语音agent 架构

先说清楚背景

Gpt realtime 二不是今天刚发布的新产品

它已经上线一段时间了

这期build hour 是open ai 工程团队做的一次深入实操解析

目的是让开发者真正搞清楚这个系统的能力边界和最佳用法

这个区别很重要

我们讨论的是一个成熟工具如何被更好的使用

而不是评测一个刚发布的新功能

Open ai 在这期里展示了三款协同工作的音频模型

第一款是实时翻译模型

支持七十余种语言的输入

十三种语言的输出

低延迟流式传输

适合多语言客服

国际会议等场景

第二款是实时语音识别模型

重点是可调节

延迟最低可以做到两百毫秒

支持八十种输入语言

侧重高精度识别

第三款才是旗舰gpt realtime 二

引入了gpt 五级别的推理能力

更强的指令遵循和工具调用

Gpt realtime 二有几个关键的技术改进

我想重点讲三个

第一个是上下文窗口大幅扩展到十二点八万token

这个数字听起来抽象

换算一下潜代的四倍

意味着一段连续对话可以持续接近一小时都不需要截断

你和语音agent 谈一个复杂的业务问题

它能记住你们一小时前说的所有细节

不会丢失上下文第很多真实业务场景来说

这个改进非常关键

第二个是前导语机制

这是一个很有意思的设计

以前的语音ai 有个问题

用户说完一句话

模型要去查数据调接口

这段时间是沉默的

用户不知道他在做什么

体验很奇怪

前导语机制让模型可以先说让我查一下

或者好的

我来处理

用这句话桥接用户输入和实际的推理时间

对话流程就自然了很多

这个细节看起来小

但在实际用户体验里差距很大

第三个是逐轮的语音活动检测控制

开发者可以在关键输出期间

比如模型正在朗读法律声明

医疗建议这类不能被打断的内容

把语音活动检测关掉

避免用户的背景噪音或无意间说的话打断这段输出

这给了开发者更精细的流程控制能力

现场演示了两个场景

一个是电商语音助手

可以管理购物清单

按预算筛选商品

实时更新界面

另一个是产品数据分析仪表板

语音a 键可以诊断移动端的技术bug

自主筛选复杂数数据集给出结论

这两个演示的共同点是语音不再只是说话

而是在驱动后端的真实操作

有一个企业实测的数据也值得提

跟传统的级点语音系统相比

延迟降低了百分之三十到两百不等

范围很大

取决于具体场景

但open ai 的团队也强调

Agent harness 仍然必要

如何处理对话被打断

背景噪音

口音这些现实挑战

还是需要开发者在工程层面认真设计的

这一条和第一条其实有一个共同的底层逻辑模型能力越来越强

但能力能不能真正落地

取决于你怎么把它包起来

怎么设计工作流

语音agent 的时代可能来的比很多人预期的快

但到位的工程架构是绕不过去的门槛

第三条来说flomal 创始人少难的分享

这是今天最接地气

也最让我觉得值得认真听的一篇

Flomal 是一个笔记工具团队只有十六个人

但百分之七十到八十的代码

现在由ai 完成

开发周期从按月计算缩短到按小时计算

听起来像是效率问题已经解决了对吧

不是 少南说

真正带来转变有两个出发点

第一个是cloud code 命令行界面

直要复杂的id 一直接口头说

指令代码就出来了

第二个是api 价格大幅下降

Ai 工具的使用成本变得可接受了

这两件事叠加

才让生产力真正大规模上来

但效率上来之后

反而出现了一个意料之外的悖论

工程师变得更高效

但产品经理的效率下降了

原因是少南做了一个决定

要求所有产品经理在写需求文档之前

必须先拿到代码库的权限

在真实数据库里自己把需求跑通

然后再写prd

拿到ai 工具之后

这个门槛变得现实可行了

但结果是什么

大量需求在这个环节被枪毙了

产品经理自己就把自己的想法否定掉了

原因的原话很直白

你认为自己想法的效率变高了

但最终交付产出的数量变低了

他举了一个具体的案例

很有画面感

有用户一直反映flomo 应该做画板功能

觉得笔记要能效线下功来

以前这个需求听一听就直接pass 掉了

因为团对小资源有限

不敢轻易开新功能

但现在少男可以吃晚饭前把这个需求丢给ai

吃完饭回来一上手用就发现这是个伪需求

用户真正需要的不是自己手动连线画图

而是那种看到笔记之间有联系的感觉和认知满足感

这是两回事

一个是工具操作

一个是认知反馈

把这个需求真的做出来

用完了发现解决不了真正的问题

这个快速证伪的能力

换一个角度想

其实是一种很宝贵的能力

只不过他让做出来的东西变少了

推动团队用ai 的机制也很朴素

就是报销ai 工具的个人额度

从每人每月二十美元涨到一百美元

部分深度用户达到两百美元

少男说

慢慢的大家自己就会互相传染的

这玩意儿传染性很强

不需要强制培训

让工具真正有用

让成本不是障碍就够了

但代价也是真实的

能力鸿沟没有缩小

反而拉大了

少男说

只有原来优秀的人变得更优秀了

而且最会用ai 的那些人往往最累

因为能力边界扩张之后

他们会自发的承担更多

把自己压到极限

团队遇到的最大难点不是ai 工具的使用

而是协作方式的重构

谁来做代码审查

产品经理和工程师的分工边界怎么变

只能在溶解

但新的协同机制还没建立起来

这个组织层面的问题不是买更好的ai 工具能解决的

弗lomoo 也在探索一些有意思的产品方向

认知地图功能

把所有笔记用向量压缩

从纤维降到二维

用等高线表示认知密度

让你一眼看出自己在哪些领域想的深

哪些领域几乎空白

还有ai 记忆功能

把历史笔记压缩成偏好事实事件功能

让ai 真正了解你这个人

而不只是回答你的问题

今天这三条的共同线索其实很清晰

Ai 的能力不是平静了

围绕ai 重新设计工作方式才是真正的挑战

下面是今天的素览部分几条组织关注的精选内容

第四条

玩点聊播客采访了明略科技的创始人

话题是当ai 打败sars

企业软件将怎么变

他们讨论的核心概念是多agent 网络

叫章鱼架构

过去的企业软件是一个个独立的应用

未来可能变成很多agent 协同完成一个复杂任务

每条触手负责一个环节

整体协调

对做企业服务的团队来说

这个视角很值得了解

第五条

Open ai 的前首席技术官创办了新公司thinking machines

发布了一个叫永远在场的ai 交互原型

核心技术是通过两百毫秒的微轮次心跳机制

让ai 在对话间隙也能感知上下文变化

实现一种真正共载的人机交互感

不是等你说话再响应

而是一直在场

这个方向很有想象空间

第六条

一篇阿里云开发者写的实践文章

讲他们怎么用三天时间构建技能工厂

方法是测试驱动开发

面向harness 设计的自动化技能生成流水线

让agent 能自动生成

验证

迭代自己的skill

对正在玩agent 工程化的团队这边很实用

第七条

Open ai 公布了他们十三点一万张gpu 训练网络的设计

有些选择很反直觉

他们主动禁用了动态路由优先

流量控制和流固定这些通常被认为是优化网络性能的标配技术

代价是什么

换来了可预测的尾部延迟

大规模分布式训练最怕的不是平均延迟高

而是偶尔一次很慢的请求拖累整个批次

所以他们选择可预测性

而不是峰值性能

第八条

一篇讲如何用evals 把ai agent 作稳的系统性文章

核心方法是用traces 和spense 记录agent 行为

再用五段式的评分框架来量化表现

从直觉判断到数据驱动

这条路对任何想让agent 真正可靠的团队都是必须走

第九条

标题叫只加两行代码

为什么要两天

听起来夸张

但核心揭示的是代码腐化的真实机制

功能间的隐秘耦合

如何让改一行代码的代价指数级增长

写给所有觉得就改一点点这句话说出口就心虚的工程师

第十条

Codex 正式登录其tgbt 移动应用了

开发者可以在手机上管理编程项目

查看任务进度

处理反馈

不过codex 本身还是在电脑端运析的

手端端多多是个管理界面

方便随时看一眼

批准或调整任务

最后推荐四篇深度内容

在best blocks 平台上都可以找到

第一篇

Open ai

Codex 负责人讲述codex 如何从开发者工具进化为通用agent

如何的产品思路和技术眼镜路径值得做agent 产品的细系

第二篇

Hugging face 工程团队写的连续批处理异步性解析

讲llm 推理系统如何处理请求并发和延迟权衡

偏底层

但对理解ai 推理服务的工作原理很有帮助

第二篇

Codeub 分享他们怎么改造issues 页面的导航性能

从明显的加载延迟做到接近计时响应

工程细节写的很扎实

前端性能优化的好素材

第四篇

Zooks 的工程师写了他们在自动驾驶公司内部推广llm 开发者工具的实践

在一个对安全要求极高的行业里加速开发效率

挑战和方法都很有参考价值

这四篇今天都在best blocks 平台上

感兴趣的可以去找一找

如果今天三条精讲让你对ai 工程化有了新的思考

这四篇能帮你从不同角度继续延伸今天早报到这里

今天三条精讲指向同一个方向

Ai 的能力边界在扩张

但真正决定结果的是围绕它搭起来的工作体系

是团队怎么协同

是组织怎么分工

工具越来越强

但搭框架的人

重构工作方式的人

才是真正的变量

今天的内容和原文链接都在best blocks 平台上

欢迎越读原文

我们明天继续

展开显示全部歌词