工具与信息¶

参考文档¶

开发工具大全.md、搜索引擎.md、自然语言编程规范.md、提示词工程.md

知识地图¶

• 概念：先理解这个模块为什么存在。
• 工具：再看它通过哪些工具落地。
• 场景：最后判断什么时候该用，什么时候不该用。

核心整理¶

AI Coding 工具有 CLI、IDE 插件、AI 编辑器和 Workflow 平台。搜索能力是开发基本功。科研信息获取要找关键词、查一手资料、追引用链。产品和设计意识帮助技术实现连接真实需求。

我在整理这部分时的重点是把工具放回工程场景，而不是孤立记名词。一个工具出现，通常是为了解决某种复杂度：协作复杂度、上下文复杂度、运行环境复杂度、系统规模复杂度或信息获取复杂度。

学习笔记¶

1. 先读 Why，确认它解决的问题。
2. 再读 What，建立概念边界。
3. 再读 How，补命令、API、配置和实践。
4. 最后用一个小 demo 验证。

实践清单¶

• 用自己的话解释本模块核心概念。
• 找一个最小 demo 跑通。
• 记录一个踩坑点。
• 把相关命令或配置写成可复用片段。
• 回看飞书原文，补齐遗漏的术语。

飞书思考题¶

飞书原文未在本模块设置集中独立的思考题，因此本节只保留原文知识整理，不额外添加题目。

AI Coding 工具¶

飞书文档把工具分成 CLI、插件、IDE、Workflow。我的理解：

• CLI：适合工程任务，能读项目、跑命令、改文件。
• 插件：适合补全和局部解释。
• AI IDE：适合多文件生成和代码库理解。
• Workflow：适合自动化流程和低代码 AI 应用。

工具不是越强越好，而是要匹配任务。如果任务是修测试失败，CLI 很合适；如果只是写一段函数，插件补全就够了。

搜索能力¶

搜索是开发基本功。技巧：

• 用英文关键词。
• 加官方文档限定。
• 搜完整报错。
• 加版本号。
• 对比多个来源。
• 看日期。

优先级：官方文档 > 标准规范 > 源码/issue > 高质量博客 > 视频教程。

用 AI 辅助搜索¶

AI 适合生成关键词、解释概念、总结资料、比较方案。但事实要自己验证。

可以这样问：

请把这个问题拆成 5 个英文搜索关键词，并说明每个关键词应该优先查什么官方资料。

科研信息获取¶

基本流程：

1. 明确问题。
2. 提取关键词。
3. 查综述。
4. 查高引用论文。
5. 追引用链。
6. 记录方法、实验和局限。

读论文先看 abstract、contribution、method、experiment、limitation。

设计与产品意识¶

软件不是只有代码。设计关注用户是否能理解和完成任务；产品关注这个功能是否值得做；项目管理关注如何按时交付。

快速评估一个界面：

• 第一眼知道它做什么吗？
• 主要操作明显吗？
• 错误有反馈吗？
• 移动端能用吗？
• 信息层级清楚吗？

排版工具¶

• Markdown/飞书：团队文档和笔记。
• LaTeX：论文和复杂公式。
• Typst：更现代的排版选择。
• Overleaf：在线协作 LaTeX。

自然语言编程规范¶

Spec 驱动开发强调把自然语言写成可执行规范。好的 spec 包含背景、目标、非目标、数据模型、接口、边界情况和验收标准。

知识卡片¶

一手资料¶

技术学习优先查官方文档、标准和源码。二手教程适合入门，但可能过时。

搜索词¶

好的搜索词通常包含技术名、错误关键词、版本号和目标平台。完整自然语言不一定比关键词好。

产品意识¶

工程实现前先问：谁用、为什么用、怎样算成功。否则功能可能正确但没有价值。