CodeAlpha (@RealCodedAlpha) header
CodeAlpha (@RealCodedAlpha) profile picture

🤖 Ex-Big Tech Dev|AI Coding & Agent Workflow 🛠 Codex · Claude Code · Skills · AI-native 开发实战 📚 分享真实项目、Workflow、踩坑与方法论 📈 AI Infrastructure|美股研究

United States
Joined December 2019
To be honest! Which code editor do you prefer?🖥️
130
分享一个我经常使用的命令行: npx ccusage@latest 如果你平时同时在用多个 AI Coding Agent,这条命令很好用,建议收藏! ccusage 目前已经支持一大批主流 Coding Agent / CLI, 包括:Codex、Claude Code、OpenCode、Gemini CLI、 GitHub Copilot CLI、Kimi、Qwen、Amp、Droid 等。 而且最方便的是:不用全局安装,直接在终端运行: npx ccusage@latest 它就会自动读取本机已经存在的 Usage Logs,把检测到 的不同 Coding Agent 使用情况汇总到一起,包括: Token Usage、Estimated Cost、使用过的 Models、 Session 消耗 我平时最常看的其实是每天的 Usage: npx ccusage@latest daily 想换时间维度也很简单: # 每周 npx ccusage@latest weekly # 每月 npx ccusage@latest monthly # 每个 Session npx ccusage@latest session 如果只想看某一个 Agent,也可以直接指定: # Codex npx ccusage@latest codex daily # Claude Code npx ccusage@latest claude daily # Gemini CLI npx ccusage@latest gemini daily # OpenCode npx ccusage@latest opencode daily 还可以进一步拆到具体 Model: npx ccusage@latest daily --breakdown 这样就能看到不同模型分别消耗了多少 Token。 我觉得这个工具真正解决了现在 AI Coding Workflow 越来越碎的问题。 你可能今天用 Codex,另一个项目用 Claude Code, 偶尔又切 Gemini CLI、OpenCode 或其他 Agent。 最后连一个很简单的问题都不好回答: 我今天到底烧了多少 Token? ccusage 相当于直接在 Terminal 里给这些 Coding Agent 做了一个统一的本地使用情况仪表盘! 如果你平时也是多个Agent 混着用,这条命令可以收一下!
1
1
166
Replying to @elonmusk
Are you kidding me 🤣
22
4,904
I turned Anthropic’s CEO into a Codex Pet. Now every time I use GPT-5.6 Sol Extra High, he just stands in the prompt box staring at me like: “You put me inside Codex… and you’re still not using Claude Code?”
1
340
Replying to @ns123abc
Are you kidding me?
2
3,864
我高估它了!😅
1
2
96
现在用 Coding Agent,最累的部分是你得一直盯着它 Agent 确实写了很多代码,但整个任务能不能继续往前走,往往还是取决于你有没有坐在电脑前。 Romain Huet 这次演示的新 Codex,开始处理这些代码之外的工作。 一个任务可以拆给多个 subagents,有的负责 Debug,有的做前端,有的补文档。 Codex 可以自己打开浏览器检查结果,操作 iPhone Simulator,根据截图和视觉批注继续修改。 任务做到一半,人离开电脑,也可以在手机上查看进度,或者通过 SSH 连接远程 devbox 接着处理。 代码完成后,它还能继续创建 PR、检查 CI、处理 review comments,最后把是否合并的决定交还给开发者。 看完整段演示,我的理解是: Coding Agent 过去主要帮我们减少写代码的时间。 新 Codex 想进一步减少的,是等待、切换工具、重复检查,以及不停催着 Agent 继续下一步的时间。 这对经常使用 Codex、Claude Code 或 Cursor 的人来说,应该很熟悉。 我们想要的是,在目标和边界明确之后,它能把一个开发任务持续推进到可以检查、可以交付的状态。 开发者依然需要做判断,哪些需求值得做,结果是否正确,风险能不能接受,代码最终要不要合并,这些责任不会消失。 只是以后,我们可能不需要再全程守在 Agent 旁边,手动推动每一步了。 如果这套工作流真的稳定下来,一个人能够同时推进的事情,会比现在多很多!
3
4
2,615
看完 Charlie Guo 用 GPT-5.6 + Codex 做卡牌游戏,我对前几天那篇文章里的判断更确定了! 他没有先写一份很长的 PRD,也没有把任务拆成几十个 tickets。 只是给了 Codex 一个相对开放的目标,GPT-5.6 就开始自己设计玩法、编写代码、生成美术,并交付了一个可以运行的版本。 之后再追加关卡、机制、配乐和美术要求,它也能继续沿着原来的项目往下推进,甚至会自己判断什么时候需要调用 sub-agents,把不同任务并行完成。 这段演示真正值得看的是,它展示了一种新的协作方式: 你不再需要提前规定模型每一步该怎么思考、怎么拆任务、怎么执行。 你需要把真正重要的事情说清楚,然后让模型在工具和项目环境中持续推进。 这也正是我在这篇文章里想讲清楚的问题: 《GPT-5.6 Prompt 到底该怎么写?OpenAI 官方指南,一篇讲透!》 很多人升级模型之后,仍然沿用过去那套很长、很重、充满过程控制的 Prompt。 模型变了,Prompt 的重心也应该跟着改变。 Charlie 的演示给出了一个很直观的答案,而文章里我把背后的官方建议、改写方法和可直接复用的 Prompt 框架完整整理了出来。 正在使用 GPT-5.6、Codex,或者准备搭建 Agent Workflow 的人,可以把视频和文章放在一起看。
11
43
190
62,384
之前有不少朋友在问 ChatCut 的使用成本,这里顺便说明一下! 其实插件本身不用额外付费,ChatCut 官方也讲了,如果 你已经在付 Codex 的钱,这个插件就是免费送的。 正常剪视频、加字幕、调时间线这些操作,都不用另外花 钱,就用你 Codex 原本的额度就行。基本编辑走的就是 Codex 的用量。 只有当你要生成新的素材,比如让它出 AI 视频、音乐、 图片或者旁白的时候,才会消耗 ChatCut 自己credits。 他们家有 $25 一个月起的计划,主要是给重度生成用的。 轻度用的话,基础编辑应该够了。建议先拿 3-5 分钟的短视频试试,装完记得新建一个 Task 再验证! 后面我跑完真实视频案例,会再分享完整的 workflow,大家可以先试着装上玩玩!
ChatCut 这两天很火,但我发现很多人第一步就卡住了: 在 Codex 的 Plugin 目录里,怎么搜都搜不到 ChatCut。 原因是ChatCut 目前不是让你直接在默认目录里搜索安装,而是让 ChatGPT / Codex 按照官方教程自动完成配置。 正确方法如下👇 打开 ChatGPT Desktop App,进入一个新的 Codex Task,然后复制发送下面这句话: “请阅读 chatcut.io/chatgpt 并为我安装 ChatCut 插件。安装完成后,请完成必要的设置,并创建一个启用了 ChatCut 工具的新任务。.” 接下来,Codex 会按照官方教程处理: 安装 ChatCut Plugin → 添加官方 Marketplace → 配置所需 MCP → 打开 ChatCut 登录授权 → 验证安装状态 → 创建一个加载了 ChatCut Tools 的新 Task 不需要自己去 GitHub 找仓库,也不需要手动复制一长串终端命令。 不过有 4 个坑一定要注意。 1. 必须使用 ChatGPT Desktop App Windows 和 macOS 桌面版都可以。 浏览器和手机端无法完成本地 Plugin 安装。 2. 建议在 Codex 里运行,Work 和 Codex 都可能支持 Plugin,但这个任务涉及:本地 CLI、Plugin 安装、MCP 配置、本地视频文件、后续 FFmpeg 验证、所以直接使用 Codex 最稳。 3. 安装完成后,必须新建 Task,这是最多人忽略的一步。Plugin、Skills 和 MCP Tools 会在新会话启动时加载。所以安装完成后,不要继续留在原来的 Task 里测试。 原来的 Task 看不到 ChatCut Tools,不代表安装失败。 4. 第一次使用需要完成登录授权 安装过程中出现 ChatCut 登录或 OAuth 授权页面是正常的。 完成授权以后,再进入新 Task 测试。 进入新的 Task 后,可以复制下面这段进行验证: “请确认 ChatCut 插件、技能及 MCP 工具在此任务中可用。创建一个名为“ChatCut First Test”的项目,但不要生成任何付费或消耗额度的资产。首先列出当前可用的 ChatCut 功能,包括视频导入、转录、字幕、时间轴编辑和导出。.” 建议先用一段 3–5 分钟的视频测试,不要一上来就上传一小时的课程、播客或访谈。 ChatCut 真正值得关注的地方是它把转录、语音清理、内容剪辑、字幕、Motion Graphics、B-roll、旁白、音乐和多轨 Timeline,接进了 Codex 的 Agent Workflow。 以后剪视频的流程可能会变成:你描述想要什么成片,Codex 负责理解需求,ChatCut 负责操作真实 Timeline! 先收藏,等我跑完真实视频测试,再分享一套: ChatCut + Codex 双语字幕与视频内容生产 Workflow!
7
9
1
54
14,641
Wow,刚把 Codex 用量跑得差不多,官方又要重置了! 而且这次还临时取消了 5 小时限制。 这两天有大项目要跑的,确实可以放开一点用了!
Morning. The last 48 hours of Codex and ChatGPT Work have been intense! Three important updates: - Temporarily removing the 5 hour usage limit restriction for all Plus, Business and Pro plans - Rolling out changes that will make GPT 5.6 Sol more efficient across the board and that will be reflected in less usage being used so that it can take you further. Exact impact to be quantified and shared - We hit 6M active users, and are landing a usage reset in the next hour Go do things
1
2
7,345
WTF,GPT-5.6 才刚发布,很多人连 Prompt 都还没摸透,GPT-6 的消息又来了! 最新爆料里,最值得关注的不是模型编号,而是这两个变化: Context Window 可能直接提升到 1.5M+、 OpenAI 可能会更换新的 Pre-training Base,重点增强 、Agent 和 Reasoning、 还有消息称,新模型最快可能在 8 月出现。 当然,目前这些都还没有得到 OpenAI 官方确认,发布时间、10T 规模和具体型号都只能先当传闻看。 GPT-5.6 你还没用熟,GPT-6 就要来了。 你现在更需要更大的 Context,还是更强的 Agent 能力?
🚨 New GPT-5.7/GPT-6 leak just surfaced OpenAI appears to be prepping the next major leap: • Targeting release in August • 1.5M+ context window • Brand new pre-train foundation beyond the old base, rumours of 10T scale • Expected substantial agentic/reasoning gains to compete with Mythos/Fable tier and improve upon sol. Are you looking forward to this model being released?
3
8
11,083
你可能一直在用旧方法 Prompt GPT-5.6。OpenAI 其实已经发布了最新版官方指南。 这份指南里,OpenAI 已经把任务描述、约束条件、工具调用、输出格式,以及常见误区讲得很清楚。 我把整份官方文档读完,整理成了一篇中文通俗版: 1. GPT-5.6 到底变了什么? 2. Prompt 应该怎么写、 3. 官方推荐的结构、 4. 可以直接复制的模板和案例、 5. 哪些旧方法已经不适用了、 不用自己啃开发者文档,看这一篇就够了👇
4
48
291
118,438
WTF,Codex APP 刚上线了一个完全没必要,但我已经玩了十分钟的新功能:Pets 😂 等 Codex 工作的时候,会有一只小宠物在旁边陪着你! 可以切换不同角色、随时隐藏,甚至还能创建自己的 Pet。 对效率可能没什么帮助,但确实让 Codex 突然变得更有意思了。 你会选哪一只?
1
2
1,141
Claude Code 官方讲了一个很重要的概念:Loop! 我读完后,感觉不是要精通使用所有的命令,应该是一套更实用的 Agent 任务设计方法! 很多人用 Agent 卡住,任务一开始就没设计好。 比如你只说:“帮我优化这个页面。” Agent 很容易改完一点就说完成,或者反复修同一个问题,最后还是要你一轮轮追问。 更好的做法,是在任务开始前先写清楚 5 件事: 任务什么时候开始、 Agent 要重复做哪些动作、 什么结果算完成、 最多允许尝试几次、 失败后应该怎么交付结果、 我的使用心得就是设计一个模板 请完成这个任务:()、目标:( )、验收标准:()、每轮必须执行:()、最多尝试:()次, 如果成功:总结改了什么,说明如何验证通过! 如果失败:停止继续修改,说明卡在哪里,列出已经尝试过的方法,给出下一步建议! 举个例子:优化首页加载速度。 目标:Lighthouse Performance 达到 90+。 每轮必须执行:修改代码、运行 npm run build、重新跑 Lighthouse、 记录分数变化、最多尝试 5 次。 如果达不到 90:停止继续改,告诉我主要瓶颈、尝试过的方案、下一步最可能有效的方向。 这就是 Loop 的价值,它让 Agent 在一个有边界的范围里:执行 → 检查 → 修正 → 再检查 → 达标停止! 如果你现在已经在用 Agent 工具,可以先从一个很小的地方开始 把你平时最重复、最容易漏、最不想手动检查的步骤,写成固定规则。 这一步比继续堆 Prompt 更有用!
3
3
8
1,488
OMG! 这张图我看了很久,感觉还挺复杂的! 我大学那会儿学编程,真就是从 HTML、CSS、JavaScript 一层一层爬上来的。 那时候写个页面,CSS 崩了能调半天、JS 一个 this 指向问题,能查一晚上! 后来出来工作,又继续写 React、Vue、小程序、Next.js、Node.js、Express、Koa、Python…… 回头看,真的花了很多时间在“很基础、很琐碎、很痛苦”的东西上。 以前我会觉得,这些时间是不是有点浪费? 但现在看到很多 AI 开发者,可能连代码结构都没怎么理解过,直接让 Claude / Codex 生成一个完整项目,我反而有点说不出来的感觉。 一方面,我觉得他们挺幸运的,因为现在做东西的门槛确实低太多了。 以前要看英文文档、看报错、改半天配置,现在一句话就能生成一堆代码! 但另一方面,我也会想:如果一个人没真正被 CSS 折磨过,没被 JS 坑过,没经历过 React 状态混乱、接口联调崩掉、线上 bug 找不到原因,他真的能判断 AI 写出来的代码靠谱吗? 我现在越来越觉得,AI 时代最缺的可能不是“会写代码的人”。 新手当然可以直接用 AI,这没问题,但如果完全不懂基础,很多时候不是在开发,而是在赌博! 项目能跑,不代表你真的知道它为什么能跑。 AI 改好了,不代表你知道它改对了没有,所以这张图最讽刺的地方不是新开发者直接跳过了 HTML、CSS、JS。是他们可能很快就能做出一个项目,但很久都不知道自己到底在做什么! 我现在不太敢说传统学习路径一定是对的,但我越来越确定一件事:以前那些看起来很慢的基础,到了 AI Coding 时代,反而变成了判断力! 你们怎么看待这张图片的含义?
1
1
159
Holy Shit! 这张来自 Anthropic 工程师的 Fable 5 loop engineering 笔记,比很多 Prompt 教程更值得研究! Anthropic 工程师这张图,其实讲透了下一阶段 AI Workflow 的核心:Loop Engineering! 核心意思很简单:不要只想着写一个更强的 Prompt,要给 AI 设计一套能自我修正的工作流! 图里最重要的是两个 loop: 第一个是 Self-correction loop。 AI 执行任务后,不要马上相信结果,先给它一个明确目标,再给一个 rubric 验收标准。 流程大概是:Task → Execute → Verify → Fix → Pass 关键点是:最好用一个独立 verifier 检查结果,而不是让同一个上下文里的模型自己给自己打分。 因为模型很容易“看起来完成了”,但其实还有漏洞! 比如:代码能跑,但 build 过不了; 字幕文件生成了,但没真正烧进视频; 文章结构完整,但数据没验证; 推文很顺,但全是空话! 第二个是 Memory loop 失败之后,不是简单重写 Prompt,而是要复盘: Fail → Investigate → Verify → Distill → Consult 也就是:失败了,找原因、确认根因、提炼成规则、 下次任务前自动读取。 这才是真正有价值的 memory,保存“下次别再踩坑”的规则。 我觉得这张图最值得抄的结构是: Task → Rubric → Execute → Verify → Fix → Memory 放到 Codex / Claude Code 里,就是: task.md 写清楚任务、rubric.md 写验收标准、Codex 负责执行、跑 test / build / review、Claude Code 或新 session 做 verifier,失败就修,经验写进memory/rules.md 单个 Prompt 再强,也很难保证稳定交付,但一套 loop 跑顺之后,AI 更像一个可控的执行系统。 如果你也在折腾 Codex、Claude Code、Skills 或 Agent Workflow,这张图值得认真看一遍! 关注我,后面继续分享可落地的 AI Coding / Agent Workflow 案例!
1
8
1
44
4,151