Zed 是一款由前 Atom 及 Tree-sitter 团队打造的跨平台代码编辑器。它采用 Rust 语言编写，核心定位在于极致性能、原生 AI 集成以及多人实时协作。

Zed is a minimal code editor crafted for speed and collaboration with humans and AI.

得益于 Rust 语言的底层优势和自研的 GPU 加速框架 GPUI，Zed 在响应速度上远超基于 Electron 的编辑器。
在处理中等规模项目时，Zed 的内存占用通常仅为 VS Code 的十分之一左右（约 100MB vs 1GB+）。
Zed 充分利用多核 CPU 和 GPU 渲染，使得输入延迟和 UI 刷新达到了原生应用的最佳水准。

Zed集成了很多AI开发功能，包括代码智能补全、编辑预测、Agent开发模式。
除了登录账号订阅Zed官方的AI服务外，用户还可以通过BYOK模式使用自己的OpenAI、Gemini或Claude API密钥（也可以直接使用Github Copilot订阅）。
Zed也支持和Claude Code、Gemini CLI与Codex CLI集成。

虽然插件生态尚处于早期阶段，但 Zed 通过原生支持 LSP（语言服务协议），已实现对 Python、Rust、TypeScript 等主流语言的完美支持。

对于追求极致流畅度、且希望在开发流中深度使用 AI 的开发者来说，Zed 无疑是目前 VS Code 最强有力的挑战者。

【由 ChatGPT 辅助翻译】

原文链接

发布时间: 2025-12-26

uv 安装包的速度比 pip 快一个数量级。通常的解释是“它是用 Rust 写的”。这确实没错，但并不能解释太多。毕竟，也有大量用 Rust 编写的工具，并没有表现出显著的速度优势。真正有意思的问题在于：究竟是哪些设计决策带来了这种差异。

Charlie Marsh 在 Jane Street 的一次演讲（Jane Street talk）以及一篇来自 Xebia 的工程深度解析（Xebia engineering deep-dive）已经很好地覆盖了技术细节。更值得关注的，是其中的设计选择：哪些标准让“快速路径”成为可能，uv 放弃了哪些 pip 所支持的特性，以及哪些优化其实完全不依赖 Rust。

前段时间突发奇想，从更理论的角度审视AI智能体，于是和Gemini进行了一番对话。

我的提问是：从系统论、控制论、信息论的视角，深度探讨AI智能体

以下是Gemini的回答：

这是一个非常深刻且宏大的视角。系统论（Systems Theory）、控制论（Cybernetics）和信息论（Information Theory），也就是经典的“老三论”（SCI），是研究复杂系统的基石。

将AI智能体（AI Agent）置于这三个维度下审视，我们不再将其视为单纯的代码或大模型，而是一个 “在开放环境中，通过信息交互维持自身有序性，并利用反馈机制实现目标的复杂系统”。

以下是基于这三个维度的深度探讨：

VS Code 的 Github Copilot 拓展最近的更新带来了对 Claude Skills 的实验性支持，我简单尝试了一下，使用 Claude 官方的前端设计 Skill开发了一个赛博朋克风格的个人网站。 项目初始化和代码编辑全程由 AI 自动完成，我只是手工批准了一些关键步骤。
仓库地址
感言：AI生成的网页终于不是千篇一律的渐变紫背景了。

【由 ChatGPT 辅助翻译】

来源 URL：https://addyo.substack.com/p/my-llm-coding-workflow-going-into
发布时间：2025-12-18T15:30:46+00:00

AI 编码助手在今年成为了颠覆性的工具，但要真正发挥它们的威力，需要技巧与结构化的方法。 这些工具显著提升了 LLM 在真实世界编码中的能力，许多开发者（包括我自己）都积极拥抱了它们。

以 Anthropic 为例，工程师对 Claude Code 的采用程度之高，以至于 今天 Claude Code 约 90% 的代码是由 Claude Code 自己编写的。然而，将 LLM 用于编程并不是一键魔法式的体验——它“困难且不直观”，要获得优秀的结果需要学习新的模式。批判性思维依然至关重要。经过一年多的项目实践，我逐渐收敛出一种与许多资深开发者相似的工作流：把 LLM 当作一个强大的结对程序员，而不是具备自主判断力的实体——它需要清晰的指令、充分的上下文以及持续的监督。

在本文中，我将分享我在迈向 2026 时如何规划、编码并与 AI 协作，总结我个人经验以及社区集体学习中沉淀下来的技巧与最佳实践。这是一种更有纪律性的 “AI 辅助工程（AI-assisted engineering）” 方法——在积极利用 AI 的同时，依然自豪地对最终产出的软件负责。

如果你对我更多的工作流细节感兴趣，可以参考《The AI-Native Software Engineer》；若不想深入了解，我们直接进入我学到的一些经验教训。

最近读到一篇介绍 Pydantic 生态的文章，提到 pydantic-settings 库除了可以简化应用配置外，还可以用来创建命令行应用。在参阅了相关文档后，我完成了一个简单的示例，体验相当不错。

为什么我不看好豆包手机

想象一下你拥有一台自带 AI 助手的手机，想让它帮你用微信发送最近拍摄的合同照片给张总。

我最近使用 Github Copilot Agent 模式的频率大幅增加，在接近月底的时候已经达到了 80%的高级请求使用额度，有必要准备一个备用的 AI 开发工具。
目前比较流行的终端 AI 开发工具非 Claude Code 莫属了（OpenAI 的 Codex 我有使用过，有点倾向于埋头几分钟进行一堆更改，可控性没有 Claude Code 高），但国内环境使用 Claude 模型比较困难，此时可以选择在 Claude Code 中使用国产模型，比如GLM 4.6和MinMax M2，只需要修改 claude code 的默认配置就好了。。

.claude/settings.json

1
2
3
4
5
6
7
8
9
10
11
12
13

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://api.minimaxi.com/anthropic",
    "ANTHROPIC_AUTH_TOKEN": "Your API Key",
    "API_TIMEOUT_MS": "3000000",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1,
    "ANTHROPIC_MODEL": "MiniMax-M2",
    "ANTHROPIC_SMALL_FAST_MODEL": "MiniMax-M2",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "MiniMax-M2",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "MiniMax-M2",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "MiniMax-M2"
  }
}

引言

Python 3.13 版本引入了 (No-GIL 模式)，彻底解决了长期存在的并发性能瓶颈问题。随着Python 3.14的发布，Non-GIL 模式更加稳定。本文通过一个计算密集型任务的实际测试，对比 GIL 模式和 No-GIL 模式的性能差异，展示 Python 3.14 在多线程场景下的显著提升。

测试环境

• 操作系统: Ubuntu 24.04 (WSL 环境)
• Python 版本:
  • GIL 模式: Python 3.14
  • No-GIL 模式: Python 3.14t (Thread-Free)
• 执行工具: uv (高性能 Python 包安装器和解析器)
• 硬件配置: ThinkBook 14 , i5-13500H (2.60 GHz), 32GB RAM

测试方案设计

我们设计了一个计算密集型任务：计算 1 到 1,000,000 的平方和。通过以下方式验证并行性能：

1. 任务分解:

   • 将数据集划分为与 CPU 核心数相等的块
   • 每个线程处理一个数据块

2. 计算函数:

1
2

def sum_of_squares(numbers: list[int]):
    return reduce(lambda x, y: x + y**2, numbers)

3. 并发框架:
   • 使用 ThreadPoolExecutor 实现线程池
   • 每次测试运行 10 次取平均值

测试代码实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

from concurrent.futures import ThreadPoolExecutor
from functools import reduce
from time import perf_counter
import os

def sum_of_squares(numbers: list[int]):
    """计算数字列表的平方和"""
    return reduce(lambda x, y: x + y**2, numbers)

if __name__ == "__main__":
    MAX_WORKERS = os.cpu_count()
    print(f"Using {MAX_WORKERS} threads")

    # 创建测试数据集 (1-1,000,000)
    numbers = list(range(1, 1000001))

    # 数据分块
    chunk_size = len(numbers) // MAX_WORKERS
    chunks = [numbers[i : i + chunk_size] for i in range(0, len(numbers), chunk_size)]

    total_time = 0
    with ThreadPoolExecutor(max_workers=MAX_WORKERS) as executor:
        for _ in range(10):  # 运行10次取平均
            start = perf_counter()
            results = list(executor.map(sum_of_squares, chunks))
            end = perf_counter()
            total_time += end - start

    average_time = total_time / 10
    print(f"Average time over 10 runs: {average_time:.4f} seconds")

Context7 是专为解决 AI 编码助手“知识滞后”痛点设计的革新工具，通过实时抓取最新、版本特定的官方网页与代码示例，直接注入 LLM 的上下文环境，彻底告别过时 API 调用与“幻觉代码”。其核心优势在于：

1. 精准性：基于 MCP 协议动态解析库版本，确保生成代码与开发环境完全匹配，减少 80% 以上的调试成本；
2. 高效性：仅需在提示中添加 use context7，即可自动调用最新网页，避免开发者反复切换工具验证信息；
3. 扩展性：支持超 6000 个主流库（如 React、Next.js、FastAPI），并兼容 Cursor、Claude、VS Code 等多平台，无缝融入现有开发流程。

对于追求代码质量与开发效率的团队及个人开发者，Context7 以免费开源的形式提供企业级网页管理能力，是 AI 编程时代不可或缺的“智能外脑”。