作者分享了他作为爱好者和专业开发者，如何高效使用Claude Code这个AI编程助手的心得体会。他强调，选择CLI代理工具时，细节体验和使用习惯往往比单纯的输出风格更重要——目标是“设定好上下文，交付结果”，而非纠结过程细节。
核心经验包括：
1. CLAUDE.md是关键
它是项目的“宪法”，承载代码库的AI使用规范。专业项目需严格维护，轻量且聚焦高频工具，避免简单堆砌文档。文档应以“防护栏”思维设计，指导AI避免错误，而非详尽手册。
2. 上下文管理与会话复用
使用/clear和/catchup命令重启会话，避免依赖不稳定的自动压缩。为复杂任务利用“Document & Clear”模式保存和恢复计划，确保上下文持久可靠。
3. Slash命令要简洁
建议仅保留常用快捷指令，避免复杂命令集，保持交互自然。AI应能理解自由输入，不应被繁杂命令束缚。
4. Subagents设计陷阱
自定义子代理虽能分担上下文压力，但往往导致信息割裂和流程僵化。作者更偏好“主-克隆”架构，让主代理动态调度自身副本，保持整体上下文一致性和灵活性。
5. Hooks机制保障流程质量
通过“提交时阻断”钩子强制代码通过测试，避免中途阻断让AI困惑。非阻断钩子提供实时反馈，提升AI执行质量。
6. 规划模式不可或缺
复杂功能先用规划模式明确设计和检查点，减少实现盲区。团队甚至自定义规划工具，强制符合内部设计规范和安全要求。
7. 技能（Skills）与MCP的演进
作者认为“技能”模式（脚本调用环境）更灵活强大，MCP应退居为安全网关，提供少而精的高阶接口，避免臃肿API。
8. Claude Code SDK的多样化应用
除交互式CLI，还可批量脚本处理大规模改动，构建内部聊天工具和快速原型代理，极大拓展了AI助理的实用场景。
9. GitHub Actions集成优势显著
在CI环境中运行Claude Code，结合钩子和MCP，实现自动化代码修复和PR生成，形成闭环自我优化工程系统。
10. 高级配置与企业级实践
利用代理设置监控请求，调整超时参数，使用企业API密钥做按需计费，并定期自查权限，确保安全和效率。
许多博士生科研扎实却苦于学术写作，无法充分展示专业水平。哈佛大学写作中心推出了一份免费33页写作指南，涵盖了从解读题目、提问分析、论点构建，到开头吸引、段落结构、过渡衔接、反驳观点和总结升华的全套写作技巧。这套系统正是培养未来学术领袖的秘诀，如今免费向全球研究者开放。
最初的挑战是读懂题目。许多学生犯的错误是急于动笔，却忽视了题目中的动词暗示——是“分析”还是“比较”？这些词揭示了老师真正想让你做的事情。明白了任务的深层目标，你才能不偏离轨道。
接着，你要成为一个思考者，提出真正有张力的分析性问题。不是简单的“作者说了什么”，而是“如何调和文本中的矛盾”、或“隐藏了哪些未被发现的角度”。这是你论文的灵魂所在。
而论点（thesis）则是你的利剑，必须既有争议性，又有深度，能引发读者思考。如何让论点既不过于宽泛，也不缺乏支撑？这需要你细致分析证据，构筑有力论证。
引言部分，你不是在卖弄辞藻，而是在向读者展示为何你的问题值得探讨，铺设故事的背景，让读者明白“这篇文章能带来什么新的视角”。
正文段落则像一个个小故事，每段有主题句引领，有证据支撑，更要有你对证据的洞察，告诉读者为什么这些证据重要。段落间的过渡则是桥梁，让读者顺畅地跟随你的思路。
写作不是孤军奋战。考虑反驳意见，是你与潜在对手的对话，强化你的立场，也让论点更为坚实。不要害怕质疑，有时正是质疑让你的观点更闪光。
最后，结论不是简单的总结，而是带领读者回顾旅程，重新体会论点的重要性，并展望未来的可能性——“那么接下来呢？”这是留给读者的悬念，也是你写作的余韵。
这本写作指南不仅是技巧的汇聚，更是一场写作者的修炼，帮助你在迷雾中找到前进的灯塔。记住，写作是思考的过程，是你与世界对话的方式。掌握它，你就能讲好属于你的故事。
从零训练一个大模型需耗资数千万美元，调优开源模型才是理性选择。而中国模型如今已成为全球最优选。Qwen模型在Hugging Face下载量领先，热门榜单多由中国模型占据，第三方测试显示它们在推理能力和速度上不输西方对手。
硅谷多年担心“中国追赶论”已过时。中国开源基础模型不仅具备竞争力，更是全球AI基础设施的重要组成。西方开发者依赖它们，因为好用、免费且性能可靠。
全球AI技术栈正在收敛，关键代码如今大量来自中国。这意味着AI创新不再是地域之争，而是效率和开源驱动的生态演进。未来，谁掌握了开源基础模型，谁就掌握了AI发展的主动权。
一项最新研究对6款医疗相关模型进行了测试，针对4个常见住院病例反复提问，结果显示：
- 不同模型对同一问题给出截然不同的建议，比如50%建议立即重新用血液稀释剂，50%建议延迟观察。
- 同一模型多次回答一致性仅约60%，意味着回答反复翻转。
- 绝大多数模型未主动追问缺失信息，导致微小措辞差异引发方案分歧。
- 不同模型侧重风险不同，有的关注出血风险，有的担忧肾损伤或早期出院后的后果。
- 没有任何两款模型能在所有案例中保持答案一致。
研究指出，这些LLM更适合辅助“框架选项”，而非做出最终判断。临床医生应多模型对比、反复提问，且始终承担最终决策责任。
评论中专家普遍认为：
- 这反映了当前模型训练和架构的局限，尤其是通用型LLM缺乏专门医疗数据训练。
- 医学决策本身就带有不确定性，医生在复杂病例中也会反复权衡和调整方案。
- 提升AI稳定性必须依赖更精准的训练、外部数据支持（如检索增强生成）和可审计的推理过程。
- 研究诊断了变异性，但如何管理和利用这种变异性，是未来真正的挑战。
- 目前阶段，AI绝非临床决策的替代品，而是辅助工具。
医疗AI正处于“探索期”——它能够提出可参考的诊疗思路，但远未达到可完全信赖的成熟度。未来需要更多专门训练、更严谨验证和人机协同设计，才能真正提升临床安全与效果。
