技术成长时间线

在聊天窗口里做架构设计与代码建议；把代码粘进对话保存状态——「我现在有这些代码，之前完成了什么，现在需要你帮我完成什么」式的用法。

公司内部使用 Claude Code：内置 OpenAI 与 Claude 模型，可读取仓库中的部分内容（当时有权限限制）。本质上仍是聊天窗口来回的用法。

自建的聊天机器人：通过读缓存获取聊天记录原始数据，提取入库，形成可搜索、可问答的小系统。

回国后直接用 Claude Code 做产品：完全不了解领域也直接上手去做，效果还可以。

发现 OpenCode 高度工程化、容易理解。研究其基础用法、工作流、自定义工作流，并深入技能（skills）体系——从工程上从零到一去理解。

理解 MCP 本质上类似一个服务。用 AI 搭建了自己的 MCP Server，用途是搜索与爬虫。

第三方爬虫服务计费高昂、承担不起。自写爬虫脚本：聚合各类免费资源，分层伪装（浏览器指纹等）。成本大幅下降（约 2/25，待核实），效率提升 40×+。

Opus 负责设计与终审把关，DeepSeek Flash 0731 负责写代码与 Research，KIMI 套餐作主力。强模型做调度——调度过程会暴露每一步隐藏的问题。

Spec 驱动开发：先定义 design spec（需求、边界、取舍、技术选择），再据 spec 写出详细 plan，最后照 plan 执行。spec 能解释 plan，执行中发现问题可回溯修改，形成闭环。

长运行 agent 助手：自动执行周期任务——监控各部署项目运行状态、每天 Hacker News 日报（翻译+总结）、监控大厂 AI 岗位并匹配职业机会。

下一阶段：深入理解 harness 后从零构建、再优化，做出自己的 harness。探索期积累的原始技术素材将成为奠基。

工作需求：编程能力需要有足够的能力。由此触发补基础计划，与 agent 实践线并行推进。

系统补编程基础。目前进行中——与左侧 agent 实践线构成双线并行。

独立第三条线，尚未正式开始。计划与 agent 实践、CS50 并行，形成三条独立轨道。

本地部署聚合多个网络搜索引擎的元搜索引擎，作为 agent 的检索基础设施。

用 LiteLLM 聚合不同模型供应商。官方无服务端——自己在 Linux 服务器上搭建服务并注册使用。

订阅成本分析（Pro $20 / Max $100–200 / iOS 每档 +$50，官网退款难）；Handoff 文件化——设计稿存文件后新窗口执行，避免指数级上下文携带；上下文窗口压缩 1M → 500K 够用。

200 元/月 ≈ 10 亿 token（一周约两亿），非常实惠。实测作为主架构够用，下一步用作主力模型。

目标：经济、可控、低维护的前端开发方式。已发现一类特别适合 agent 开发、能保持设计一致性的前端技术栈（待展开）；同时评估是否需要后端系统。

个人博客中的时间线页面：记录 agent 相关技术与能力的成长轨迹。每个节点可点击跳转对应文章——用真实文章为时间线的真实性背书。

把探索期积累的大量原始技术素材（爬虫、网关、成本优化、SDD……）整理成系列文章，作为时间线节点的链接目标。