LLM应用开发交流群日报

第 1 版 / 头版

HEADLINE · 08:45 → 14:40 主线报道

扔掉复杂技能树，这群人给Codex开出极简药方

从冗余的外部插件到极简的原生信任，群友在一天内把 Codex 的工作流彻底剥茧抽丝。所有人最终收敛于同一个结论：一个需求澄清提示词加上有边界的子智能体拆解，足以应对日常开发。但当大家为效率狂欢时，一段关于长期依赖 AI 导致丧失自信的独白，把这场技术讨论推向了更深层的自我审视。

CAST@void空山冷眼审视者@十点钟就睡@只有你不在的a10先锋破局者@张凯翔@胡飞@polong@刚刚@既寿永昌办事处情绪引爆点@Arthas@浮小云灵魂发问者

第 2 版 / 简报

08:45 引子

极简主义原生派登场

清晨的讨论由一句对复杂插件的否定开场。在系统架构足够清晰的前提下，各种花哨的 skills 被判定为多余。这一反共识的论断迅速得到了呼应，两人共同确立了「纯原生能力」的基调，为后续剥离冗余工具的讨论埋下伏笔。

void空山 · 十点钟就睡

「如果系统本身架构很清晰，规范，什么鸟skills都不需要，codex本身就能干的很好」

— void空山 · 08:45

09:28 共识

工具收敛于需求澄清

随着更多开发者加入，曾经被认为必须的 write-plan 步骤被彻底推翻。原因在于上下文窗口的扩大让大部分需求能在单次对话中完成。讨论最终收敛到一个极其克制的最佳实践：仅用 grill-me 提示词完成需求澄清，随后交由子智能体执行验收。长周期的接力开发模式被宣告终结。

只有你不在的a10 · 张凯翔 · void空山

「不管是多少的工作，100，200，他用subagent一拆，也不影响主干」

— 只有你不在的a10 · 09:28

11:12 落地

大模型可视化的工程化解

一场关于智能体如何与前端地图联动的求助，让早上的理论探讨遭遇了真实的工程挑战。面对「既要给用户看文本，又要给前端渲染提供结构化数据」的双重需求，群友迅速将抽象问题拆解为具体的传输协议与组件渲染方案，把看似复杂的前沿场景降维成了经典的 WebSocket 通讯问题。

胡飞 · polong · 刚刚

「模型生成的是给用户看的，前端可视化又需要结构化数据，等于一次问答，需要两套数据」

— 胡飞 · 11:12

13:57 激化

技术人与决策层的认知错位

午后的情绪突然从理性的工程探讨转向无奈的职场吐槽。起因是高层使用消费级 AI 搜索出的一知半解的结论，轻易否定了专业团队在内网自研的功能。这种脱离一线却掌握评判权的错位，让「让领导强制买一个 Claude 去试试」成为了群里最强烈的呼声，揭示了当前企业内部 AI 落地最棘手的人心阻力。

既寿永昌办事处 · Arthas · 刚刚

「在高位的人不懂实际情况，知道AI好，但没有判断力」

— Arthas · 13:57

14:40 收束

效率狂欢后的自我怀疑

临近傍晚，一段长文打破了技术的狂欢。长期完全依赖 AI 编程的人在独立写作时，第一反应竟是将文章复制粘贴给 AI 审查，因为已经无法信任自己的逻辑。这种技术反噬人类主体性的隐秘恐惧，精准击中了群里所有重度用户。「注意精神卫生」这句话被疯狂接龙，成为这一天讨论的黑色幽默式注脚。

浮小云 · void空山 · 刚刚

「这就是大量使用 AI 的后果，它让你滋生自我怀疑，我已经不太相信自己，更相信 AI 了」

— 浮小云 · 14:40

「有价值的东西我一般只会要AI看看我还漏了什么，提提思路，不能让AI写，否则自己会变笨」

— void空山 · 14:40

第 3 版 / 议题与人物

今日议题

Codex极简流

抛弃复杂技能，仅靠澄清提示词和子智能体拆解完成任务。

AI落地认知战

技术人与管理层的认知鸿沟成为企业内部推进AI的核心阻力。

AI依赖症候群

长期重度使用AI导致对自身判断力产生怀疑，技术反噬主体性。

人物索引 · CAST

只有你不在的a10 先锋破局者输出极简开发流定论，终结多余工具争议

void空山冷眼审视者点透AI依赖症，坚守人类主体性底线

既寿永昌办事处情绪引爆点以职场血泪史点燃技术与管理冲突共鸣

浮小云灵魂发问者用亲身反思为技术狂欢画上警醒句号

实操干货 · INSIGHTS

Codex 极简开发提示词公式

无需复杂的 harness 或 skills，使用 /grill-me 触发深度澄清。公式：/grill-me 我想开发一个[系统名称]系统，主要客户是[目标客户]，目标和主要功能如下，帮我澄清需求细节直至你认为有足够的信息用于下一步研发工作。结尾可补充“保存到哪里”以完成落盘。

— void空山

大模型输出多端适配方案

当问答同时需要可视化展示与文字阅读时，需拆解为两套数据。大模型底座负责输出结构化 JSON 数据（含经纬度、意图、报表指标），前端通过 WebSocket 或 SSE 长连接接收，匹配解析后驱动地图或图表组件渲染。文字阅读体验可通过前端组件二次排版或另生成文本流实现。

— 刚刚, 十点钟就睡

RAGFlow 核心版本避坑警告

RAGFlow 0.24.2 至 0.25.5 版本存在严重 Bug，现象为“接口请求无上下文历史”。官方已确认该问题，目前涉及该版本范围的生产环境需警惕，建议暂缓升级或关注官方修复补丁。

— 既寿永昌办事处

Agent Teams Context 管理原则

构建多 Agent 团队时，主 Agent（main agent）绝对不能挂载外部 RAG 知识库，否则会导致严重的上下文污染（context hold不住）。正确做法是将 RAG 能力仅挂载在专门的子 Agent（subagent）上作为信息检索工具使用。

— 只有你不在的a10

Qwen3.7-Max API 价格与渠道

通义千问 Qwen3.7-Max 已上线阿里云百炼平台。输入价格每百万 Tokens 12元，输出价格每百万 Tokens 36元。官网同步上线为期一个月的限时 5 折优惠活动。Max 级别模型目前未开源。

— Jason Zhang

第 4 版 / 数据与附录

454

总消息

42

发言者

7789

总字数

5

故事节点

4

高光人物

2

问答

可复用 SOP

如何使用 Codex 的 grill-me 澄清需求并自动拆解任务

→ 在对话框输入提示词：/grill-me 我想开发一个 [具体系统名] 系统，主要要客户是 [具体画像]，目标和主要功能如下 [简述]，帮我澄清需求细节直至你认为有足够的信息用于下一步研发工作。
→ AI 将持续提问约一小时，提供多种技术选型供你选择，并逐步明确实体与关系（类似知识图谱构建）。
→ 在最后一轮对话中补充指令：加一句保存到哪里就行（如保存为 docs/requirements.md）。
→ 需求落盘后，Codex 会自动将其作为主干，通过 subagent 有边界地拆解代码任务并分发执行，无需人工编写 write-plan。

如何实现大模型与前端地图/报表的可视化联动

→ 大模型输出设计：要求模型根据用户意图（如定位北京），输出包含结构化信息的 JSON 数据（如 {"action": "locate", "coordinates": [116.4, 39.9], "intent": "city_intro", "content": "..."}）。
→ 通信链路搭建：前端通过 WebSocket (ws) 或 Server-Sent Events (SSE) 建立与后端的长连接，实时接收大模型生成的 JSON 块。
→ 前端组件渲染：前端监听 ws/sse 消息，解析 JSON 中的 action 字段。若是地图定位，调用地图组件 API 聚焦坐标；若是图表数据，驱动 ECharts 等库渲染。

群内问答 Q&A

如何解决大模型同时输出给用户看的文本和给前端渲染的结构化数据的需求冲突？

— 刚刚：听起来感觉就是大模型输出结构化数据，然后前端组件渲染就行

— 十点钟就睡：大模型生成JSON，然后客户端前端渲染出来

在 Codex 中使用多智能体团队时，如何避免子智能体之间互相冲突？

— 只有你不在的a10：他会拆的，有边界的拆。ai拆的很好，一般不会出现打架的情况

LLM应用开发交流群 · 2026年05月22日 · 08:45 → 00:19
今日 5 条主线 · 454 条消息 · 42 人参演 · 本地出版
本期完 · 明日续