一桩 600 亿美元的收购触发”变更控制权”条款

SpaceX 在 8月14日 以全股票交易完成对 Anysphere 的收购，Cursor 在此笔交易中的估值达到 600 亿美元。根据监管文件，Anysphere 的普通股与优先股转换为约 3.89289 亿股 SpaceX A 类股。这笔收购最早于今年 6 月由 SpaceX 宣布，8 月正式完成交割。

OpenAI 表示，其与 Cursor 的协议中包含一项”变更控制权”条款（change-of-control clause），在所有权发生变更后给予 OpenAI 一个有限的取消窗口。OpenAI 称 11月12日 是合同允许的最晚通知日期，因此选择在当天停止供应，以留给开发者尽可能长的过渡时间。

OpenAI 的顾虑：马斯克系公司过往违约

OpenAI 在声明中解释，无法确信 SpaceX 会遵循其服务条款使用技术，并援引了与马斯克旗下公司过往的两次纠纷作为依据：一是在马斯克收购 Twitter（现并入 SpaceX）后，该公司被指违反了与 OpenAI 的合同条款；二是 xAI 在今年早些时候曾承认违反了 OpenAI 的服务条款。

OpenAI 还特别提到即将推出的 Astra 模型，称随着模型能力增强，有必要确保其按条款使用。马斯克对此回应称”我根本不在乎”（I couldn’t care less），并批评了 OpenAI 的领导层。这一纠纷的背景是双方长期的公开对立——今年早些时候，美国联邦陪审团在马斯克针对 OpenAI 高达 1500 亿美元的诉讼中裁定其败诉，理由是提起诉讼的时间过晚。

Cursor：OpenAI 模型仅占约 5% 流量

Cursor 联合创始人 Michael Truell（现为 SpaceX 高管）在社交平台表示，OpenAI 的模型目前约占 Cursor 平台流量的 5%，公司正在与 OpenAI 团队沟通解决分歧。他提到，Cursor 曾是 OpenAI 最早的客户之一，双方多年来密切合作，并一直将 OpenAI 平台视为业务所依赖的”中立基础设施”。

值得关注的是，Cursor 并未将自身绑定在单一模型上。其当前仍向用户提供 Anthropic 的 Claude 系列、Google 的 Gemini 系列以及 SpaceXAI 的 Grok 系列。在 OpenAI 宣布断供后，Anthropic 表示将增加 Claude 模型在 Cursor 内的算力支持，以弥补可能出现的供给缺口。

对开发者意味着什么

在 11月12日 之前，开发者通过 Cursor 使用 OpenAI 现有模型不受影响，但 OpenAI 明确表示不会向 Cursor 提供未来模型。对于重度依赖 GPT 系列编程的用户，需要在这一期限前规划迁移方案，或转向 OpenAI 自家的 Codex（已包含在 ChatGPT Plus 的 20 美元订阅中）。

研究机构 Gartner 预测，2026 年全球终端用户在人工智能模型与平台上的支出将达到 642.52 亿美元，高于 2025 年的 393.11 亿美元，同比增长 63.4%。在支出快速攀升的同时，模型供应商正日益将访问权限作为竞争杠杆。分析人士指出，当模型能力越强，厂商对大规模使用方的合规控制就越严格，原本标榜”中立”的第三方平台可能成为行业竞争中的附带牺牲品。

相比预览版每次调用只产出单条片段、几乎无法细化，1.1 Flash 新增了多项”控制”能力：场景延伸允许在已有片段后追加最多 10 秒新画面，单条序列累计上限 40 秒；首尾影格插值让创作者给定起始与结束两张画面，由模型生成中间运动；参考影片输入最长 3 秒，用于保持多段生成之间的视觉一致；360p 草稿模式可低成本快速试错，最终再以 1080p 或 4K 升频输出。模型同时处理文字、图片、音讯与视频输入。

Google 给出的性能数据是：360p 草稿的生成速度比 720p 最快快约 60%，成本仅为其约三分之一。默认分辨率为 720p，1080p 与 4K 通过升频实现。

在应用侧，Google 引用了两家企业客户的反馈。GMI Cloud 行销副总裁 Louisa Guo 表示，Omni Flash 的”准确性”对制作教育与讲解类内容尤为关键；Runway 首席创意官 Jamie Umpherson 称，该模型能自然融入既有的”提示词、图片或视频起步，再生成或编辑”的工作流。

新模型代号 gemini-omni-1.1-flash，取代了早前的 gemini-omni-flash-preview。Google 提示，基于预览端点的开发者应尽早迁移，因为预览模型通常在正式版上线后被弃用。

值得关注的是，1.1 Flash 支持带状态的多轮交互（stateful session），开发者可在同一会话中规划分镜、以 360p 草稿迭代、仅对通过品质门槛的片段做高清渲染。这意味着生成式视频正从”一次生成”走向”可组合、可编辑”的元件，便于嵌入自动化视频生产流水线。不过 4K 为升频而非原生渲染，长片仍需自行拼接，实际落地仍需额外评测与治理。

一年时间从 15 万到 30 万

ChatGPT for Teachers 最初于 2025 年上线，首批覆盖接近 15 万名教师及职工。OpenAI 表示，本轮扩张完成后，公司已与超过 100 个 K–12 教育机构建立合作，覆盖 30 个州、逾 30 万名教育工作者与职工，向他们提供免费访问权限和相关培训。

新加入的这批学区中，包含了全美 20 个规模最大的公立学区中的五分之一。据报道，具体名单涉及巴尔的摩市公立学校、沃思堡独立学区、弗里斯科独立学区、洛杉矶县教育办公室、弗吉尼亚海滩市公立学校以及休斯顿独立学区等。

OpenAI 同时明确了免费政策的时限：ChatGPT for Teachers 对经过身份验证的美国 K–12 教育工作者免费开放至 2028 年 6 月。产品的使用对象仅限管理者、教职人员和教育工作者，不面向学生开放。

隐私协议是这次扩张的另一半重点

与规模扩张同步公布的，是一份覆盖 16 个州的全国性数据隐私协议。OpenAI 称其为行业内首例，目的是给各学区提供一套统一框架，用来评估 ChatGPT for Teachers 是否符合本地的学生数据隐私要求。

这份协议采用学生数据隐私联盟（Student Data Privacy Consortium）的框架，已签署的通用条款覆盖伊利诺伊、艾奥瓦、缅因、马萨诸塞、密苏里、内布拉斯加、新罕布什尔、新泽西、纽约、俄亥俄、罗得岛、田纳西、得克萨斯、佛蒙特、弗吉尼亚和华盛顿 16 个州，加利福尼亚州则由一份单独协议覆盖。

对学区来说，这套框架解决的是一个现实卡点。此前每个学区都需要与厂商单独谈判数据协议，法务和隐私审查动辄拖上数月。统一协议意味着参与州内的学区可以走一条被认可的既有路径完成评估和采纳。

产品层面，OpenAI 强调 ChatGPT for Teachers 在设计时就配备了教育级的隐私、安全与管理控制能力：工作区内共享的数据默认不用于训练模型；学校和学区管理者可以把教师纳入统一管理的工作区，通过基于角色的权限控制来支撑《家庭教育权利与隐私法案》（FERPA）的合规要求。

OpenAI 教育业务副总裁 Leah Belsky 表示：”教育一直在帮助年轻人为他们将要继承的世界做准备。在 AI 时代，学生需要的是那些能帮他们建立判断力、信心和主动性的教师与学校。我们与教育工作者合作的目标，是给教师留出时间、提供培训，并让他们拥有一个可以互相学习的社群，而他们也帮助我们与最了解学生的人一起把产品做出来。”

教师实际用它做什么

OpenAI 披露的使用数据显示，2026 年 1 月 1 日至 7 月 16 日期间，教育工作者围绕节省时间类任务发送了超过 190 万条消息。其中约 90 万条与成绩单和学业进展报告有关，约 80 万条涉及课程规划，另有各超过 10 万条分别用于代课方案和教师评估材料。

配套培训方面，OpenAI 在暑期举办的 AI Skills Jams 活动中，93% 的参与者表示离场时带走了可以反复使用的东西，96% 的人计划在 30 天内应用所学内容。具体案例包括费尔法克斯一位音乐教师制作出贯穿全年的教学规划资源，以及琼斯伯勒一位四年级教师把冗长的课程方案压缩成 30 至 40 分钟的聚焦课时。

OpenAI 还与美国教师联合会（American Federation of Teachers）合作推进一项为期五年的计划——国家 AI 教学学院，投入 2300 万美元，目标是让 40 万名 K–12 教育工作者掌握实用 AI 技能。

竞争与争议同时存在

这条赛道并非 OpenAI 独占。今年 7 月，Anthropic 也启动了面向教育工作者的计划，免费开放 Claude 的付费功能。

争议同样存在。一些教育研究者提醒，AI 工具需要在偏见、准确性以及对批判性思维的影响等维度接受评估，而隐私协议并未涉及教学质量本身，也无法回答 AI 对学生长期学习效果的影响。工会主导的培训计划也受到审视：批评者指出，接受来自科技公司的大额资金，存在把商业系统推入公立教育体系的风险；美国教师联合会则坚持课程内容完全由教师主导。

OpenAI 在公布扩张的同时还发布了一份关于 AI 如何用于持续教育的新报告。从这轮动作看，AI 进入课堂的方式正在从教师个人零散尝试，转向以学区为单位、带治理框架和采购路径的规模化部署——而配套的评估标准与教学效果验证，显然还没有跟上同样的速度。

从软件到专用硬件

Relay 由两位前 Nothing 员工创立：曾任 Nothing AI 与服务负责人的 Cookie Xu，以及硬件产品经理 Raymond Zhu。两人称在 Nothing 工作时常用 Wispr Flow 的转写软件「打字」，但办公室里总难把握音量——太小 Mac 听不清，太大又怕同事听见。他们认为，需要的是专用硬件。

Relay 软件目前仅支持 macOS，后续计划登陆 Windows、iOS 与 Android。默认热键为 Fn，在任意文本框按住即可触发语音听写。底层的语音转文字由 Google 的 Gemini 模型驱动。

不只是转写

Relay 还能执行带上下文的动作，称为「Skills」：例如让它在 Slack 给同事发消息，它会自行打开应用、找到接收人并拟好文本；也能在 Google 日历建日程。软件内置 WhatsApp、Gmail 等预设技能，也支持自定义与接入其他应用。

这类自动化需要广泛的系统权限：Relay 要调用麦克风，并可在每次激活时截取屏幕快照来执行动作。公司称数据存储在用户设备本地，可手动编辑或删除；发往处理时虽经 Relay 服务器中转至 Google，但 Relay 不保留数据。这与微软 Recall 等功能类似，授权 AI「看见」系统总伴随隐私与安全权衡。

一支像字母 Q 的麦克风

Relay Q 是一支圆柱形设备，顶端带麦克风，按住顶端即可触发电脑或手机上的 Relay，也可把按钮从圆柱取下夹在衣领。从顶部看，麦克风形似字母 Q，故名。双击可发送消息；即便贴近嘴小声说，也能拾音。它配充电底座，另有面向 iPhone 或 Qi2 设备的 MagSafe 握把，计划与硬件在 2027 年第一季度一同上线移动端。

价格上，Relay Q 售价 150 美元，含一年软件；之后软件每月 15 美元。不买硬件也能使用软件。该产品目前主要面向海外 macOS 用户，中国内地上市时间以官方渠道为准。

同类玩家已不少

用可穿戴设备换取更准语音输入的思路并不新：去年创业公司 Sandbar 推出 Stream Ring，随后 Pebble 展示 Index 01，两者都是让人低声「说」给戒指听的智能指环，眼下已开始向首批买家发货。Relay 曾考虑做指环，最终因市面上智能指环已很多而作罢。

Relay 的转写在准确度上尚不如 Google 在 Pixel 11 系列上的 Rambler 功能，偶有漏字、标点出错，但能理解口误并重说、自动剪去无关内容，也会按你的习惯（如不给熟人消息加句号）调整。在专用硬件到来前，部分延迟与精度问题或得以改善。

在账号权限范围内运作

OpenAI 在公告中说明，管理员插件运行在既有的账号权限框架之内，不会突破企业已设定的安全边界。管理员可以基于工作区的使用与活动数据，向 ChatGPT Work 或 Codex 提问，并直接生成报表。

具体能力分为四类：一是掌握采用与使用情况，查看 ChatGPT Work 与 Codex 在各团队中的活跃度与额度消耗，识别哪些成员或小组临近额度上限；二是管理成员与群组，完成增删成员、调整群组，以及日常的入职、离职和团队变更；三是管理访问与权限，查看实际生效的权限、诊断访问异常，并按角色或群组控制功能与模型的开放范围；四是管理用量上限与支出申请，调整成员、群组或工作区的限额，结合当前用量审批或驳回申请。

一场月度复盘演示

在 OpenAI 给出的演示中，公司市场拓展团队（GTM）成员 Aarti Bagul 以「准备月度 AI 推广复盘」为例：她先询问 ChatGPT Work，过去 30 天各团队的采用率与额度消耗变化，再请系统生成突出变化的图表；随后分析趋势、要求进一步拆解，并在对话里直接批准用量申请，最后让 ChatGPT 生成一份演示文稿并分享到 Slack 频道。

OpenAI 列举了该插件可支撑的场景：把重复的行政管理流程自动化、借助现有管控手段扩大管理规模，以及为内部 IT 运营提供支撑。该插件目前已上架 ChatGPT Work 的插件目录。

对中国企业的参考价值

需要指出的是，ChatGPT Work 与 Codex 目前尚未向中国内地用户开放，国内企业暂无法直接试用这款插件。不过，把「管理动作」封装进对话、用自然语言完成账号与额度治理，正成为企业级人工智能工具的通用方向。对正在推进大模型落地的中国公司而言，这类「对话式 IT 治理」思路，同样值得在自有平台上借鉴。

一所 400 人学校的拼盘式方案

案例来自康涅狄格州的私立学校 Cheshire Academy，寄宿与日校并行，9 到 12 年级共约 400 名学生。校方并不强制教师使用 AI，但图书馆员兼技术协调员 George Aiello 表示，”绝大多数”教师都以某种方式用上了。

工具是一个拼盘：既有 ChatGPT、Perplexity 这类通用聊天机器人，也有 MagicSchool 这类专门面向教育者的平台。这种分散状态是有意为之——学校在顾问建议下，选择培训教师掌握通用方法，而不是指定某一款产品。培训内容包括怎么写出有用的提示词，同时反复强调技术边界：模型会生成错误的、带偏见的回答。

如今教师主要把生成式 AI 用在备课环节，让模型帮忙规划课程、生成评分量规。也有人想用它给学生写反馈，但因为质量、个性化程度和隐私三方面的顾虑，目前没人真的动手。

一位法语老师的反向用法

教法语的 Miriam Przybyla-Baum 属于另一类。她自己几乎不用 AI——教了近 30 年，课堂素材早就攒够了。但在 ChatGPT 问世多年之前，她就发现学生拿谷歌翻译抄近道。

于是她设计了两个反向作业。第一个：让大语言模型直接修改学生的作业，然后学生逐条审查这些修改，判断哪些是对的、哪些抹掉了自己的表达方式。第二个：让学生匿名互评彼此的 AI 辅助作业，并标注出哪些段落像是 AI 写的。

这套思路后来被全校采纳，红绿灯标签就是它的延伸。学校还在试点一个叫”学生 AI 委员会”（Student AI Council）的项目，让学生自己制作内容、主导关于健康使用 AI 的讨论，目的是推动他们反思 AI 应该怎么用、不应该怎么用。

MagicSchool 能干什么，值不值

MagicSchool 的卖点是一站式。它能跨学科、跨年级生成各种题目和作业，从测验到练习卷；带一个专门的评分量规生成器，输出可直接使用的表格；还能做演示文稿、教案和行政报告。

操作上是在同一个平台里为每项任务输入定制提示词。以出一份作业为例，教师可以指定学生年级、题目数量、题型（选择题还是简答题）等参数，并上传文档让题目与教材对齐。

价格方面，MagicSchool 分免费版与付费版。若要不限次使用和完整的系统记录，个人版年费略低于 100 美元。不过《麻省理工科技评论》也指出，Anthropic、谷歌、OpenAI 等公司的通用聊天机器人同样适合处理这类行政任务，Cheshire Academy 相当多的教师就是直接用通用工具，并没有转向专用平台。至于教师是否愿意用大模型生成学生要直接看到的文字，态度依然分裂——顾虑一是不认为 AI 能产出有效的教学材料和有帮助的反馈，二是担心准确性。

三条可迁移的经验

文章最后给出三点建议。

一是从学生的实际状态出发。学生一定会去试 AI，带回家的作业根本无法完全监管；网络和社交平台上关于 AI 能做什么、不能做什么的错误说法很多，与其封堵，不如把健康的使用策略讲清楚。

二是示范正确做法。AI 擅长自动化，但在精确度和文字个性上表现薄弱，生成会被别人看到的文字时尤其要留意。如果学生看到有权威的人在用敷衍的方式使用 AI，很可能把这当成自己偷工减料的理由。

三是”改，而不是替”。AI 适合用来头脑风暴教案和额外习题，对刚入行、题库还没攒起来的教师尤其有用；但由于模型会产生幻觉，直接拿输出当终稿，容易做出让学生困惑、甚至妨碍学习的作业。每一条引文、每一个公式、每一句陈述都得核对。

从 OpenAI 到联合国教科文组织都在鼓励课堂使用 AI，但多数教师依然搞不清具体该怎么办，有教师提到 AI 生成的文本有明显痕迹，比如破折号过多。红绿灯这套办法的价值不在技术含量，而在它把模糊的”可以酌情使用”翻译成了一眼能看懂的规则。

GoEnhance AI 是一个基于浏览器的多合一 AI 视频平台，把视频风格化、翻译配音、换脸、超分放大等功能集中到同一套工作流里。对需要把同一支片子投放到不同国家市场的创作者和营销团队，它主打的”视觉本地化”（visual localization）最为实用：导入一段视频，添加目标语言的新音轨，再运行口型同步，让画面中人物的嘴型与新语音对齐；如果还要为不同市场更换出镜者，可以用换脸功能替换画面人物，同时保留表情与机位。

核心能力一览

平台把多种生成式模型整合在同一界面，主要功能包括：

• 视频转视频：将已有素材转换为动漫、像素或卡通等新风格，原始运镜与节奏得以保留。
• 文字/图片生成视频：从一句描述或一张参考图起步，生成带运镜的短片。
• 角色一致性：用几张图和简短描述锁定主角外貌，跨场景保持发型、服装与五官一致。
• 换脸与口型同步：人脸替换覆盖图片与视频，对外语配音做唇形对齐。
• 超分放大：把低分辨率或带噪点的素材提升至 2K/4K 输出。

计费与中文支持

GoEnhance AI 采用代币（token）计费。免费套餐包含一定额度，可用于平台全部功能；付费套餐（标准版、专业版、超级版）提升代币上限、加快生成速度并开放商用授权。支付通过 Stripe，支持 Visa、Mastercard 与支付宝。平台提供”快速模式”（消耗代币换取 GPU 优先）与”放松模式”（在付费套餐的支持功能下可无限生成，但可能排队）。此外还提供按量计费的 API，便于把视频转视频、换脸等能力接入自有系统。

平台设有中文界面，并单独提供面向中文脚本的 AI 视频生成入口，可用于普通话、中英双语，或广告、教学、社媒短视频的本地化草稿。对需要批量产出多语言版本的内容团队而言，这类”从一张图或一个素材起步”的可视化工作流，比强制套用固定真人主播模板更灵活。

把合同、银行流水、病历这类私密文件直接丢进云端聊天机器人，已经成了很多人的习惯，但很少有人在意这些数据此后”漂”在哪里。XDA Developers 撰稿人 Nolen Jonker 在文中分享，随着对隐私和自托管了解加深，他基本停止了把私人文档上传给 Claude 等云端工具。他并不是不再需要 AI 辅助读文件，而是换了个更稳妥的本地方案——开源桌面应用 Cherry Studio。

一、装上 Cherry Studio

这是一款免费、开源、本地优先的 AI 工作台，支持 Windows、Mac 和 Linux。它能对接 OpenAI、Anthropic、Gemini、DeepSeek、通义千问等云端模型，也能通过 Ollama 或 LM Studio 接入本地模型（LM Studio 起一个服务约两分钟，就能搭起一套完全自托管的 AI 工作栈）。一个实用技巧：可以把同一句话同时发给多个模型，并排看回答差异。

二、把文件放进知识库

Cherry Studio 支持 PDF、Word、PowerPoint、Excel、纯文本、Markdown 和网页链接。导入后走 RAG（检索增强生成）：文档被切分建索引，提问时只把相关片段连同问题一起交给模型，因此能处理的资料量远超模型上下文窗口。要注意，只有用本地嵌入模型时检索才完全离线；若用云端嵌入器，建索引阶段文档仍会发出去，敏感材料务必搭配本地模型。

三、调用内置助手与 MCP 工具

它自带 300 多个预设助手（编辑、法务、医嘱摘要等），也能自建；还能把常用提示词存成”可复用提示”，配一个触发词就能一键调用。更关键的是支持 MCP（让模型调用外部工具的标准）：软件已预接好文件系统、网页搜索、GitHub、抓取、记忆等工具，开启文件系统后，直接让模型”读一下我 2025 报税文件夹”即可就地取数，不必每次手动导入。

注意事项

API 密钥、对话、附件、知识库与设置默认都留在本地，请求直达你配置的提供方，没有中间转发。但给模型开文件系统权限有风险，建议只在特定对话启用，且只给小文件夹的只读权限。

来源：XDA Developers

很多人想在自己电脑上跑大模型，第一反应就是得配一张昂贵的独立显卡。XDA Developers 撰稿人 Yash Patel 在文中分享，他只用一台搭载 AMD 锐龙 7 5000 系列处理器、16GB 内存与 AMD Radeon 核显的联想 IdeaPad Slim 3，就跑通了多个本地模型，日常写稿、写代码完全够用。他的体会是：只要选对模型、放低预期，核显机器照样能玩转本地 AI，而且所有提示词和文件都留在自己电脑上，不必担心隐私外泄。

一、先装一个轻量运行器

他用的开源工具是 KoboldCpp，专门用来加载 GGUF 格式的模型文件。它的好处是简单、可控：下载后把模型文件拖进去、按需调整参数，就能在本机直接对话，不需要复杂的部署流程，换模型也只需重新加载，不必关掉整个程序。

二、按用途挑 4 款模型

1. Mistral 7B（Mistral-7B-Instruct-v0.3-Q8_0，8 位量化）：他用来头脑风暴、列提纲、扩展思路，是能力与核显负载之间最平衡的一款，适合写作前先理框架；
2. Phi-4 Mini（Phi-4-mini-instruct-Q6_K，6 位量化）：体积小、启动快，适合改写字句、总结短文、解释概念这类零碎活，随手就用；
3. Gemma 3 4B（gemma-3-4b-it-Q4_K_M，4 位量化）：需要多一点推理时用，比如拆解问题、比较方案、核对思路，资源占用也不高；
4. Qwen 3.5 4B（Qwen3.5-4B-UD-Q8_K_XL，8 位量化）：他主要的本地写代码助手，能写代码、修报错、解释代码段，小任务尤其顺手。

三、控制模型规模

他的经验是，3B 到 7B 区间的模型在速度与质量上最均衡；再大的模型（比如 12B 以上）也能跑，但明显变慢，往往不值当。按任务切模型，比死守一个大模型更省心。

注意事项

模型文件名里的 Q8_0、Q6_K、Q4_K_M 代表量化精度，位数越低体积越小、越省显存，但输出质量也会略降，可按自己机器灵活取舍。若从模型社区下载，记得确认文件来自可信来源。

来源：XDA Developers

AI 时代，学生和研究者该如何使用 AI 写程序？一种极端是假装 AI 不存在，坚持纯手写——这不利于为遍布 AI 的世界做准备。另一种极端是把活儿全交给 AI（即所谓 vibe coding）：只盯着测试是否通过，不再细读每一行代码。后者会带来「自我欺骗」——以为自己掌握了，其实没学到任何有价值的技能。作者打了个比方：认知技能像肌肉，练起来难，丢起来快。

中间路线：手写，AI 审查

折中方案被称为「匠心编程」（craft coding）。它的价值取向是围绕产品本身的质量，细到每个细节；开发者承诺理解代码库的每一处，AI 可以用，但只在有助于这一理想时才用。最凝练的实践口号是「手写，AI 审查」：以当下模型的能力，不要让 AI 去做任何事，只让它审查你写好的东西，你认同才采纳。最好的比喻，是把 AI 当成一位资深程序员的代码评审。

匠心编程的十条戒律

1. 不在 IDE 里用 AI，包括 LLM 自动补全；每一行字符都亲手敲。
2. 最好不把代码库交给 AI；需要时在网页界面里粘贴片段，若必须授权，也只用只读权限。
3. 不让 AI 运行任何东西；它给建议，你来执行。
4. 不把 AI 对话框里的代码直接复制粘贴，要自己敲一遍。
5. 能用普通搜索解决的事，不麻烦 AI。
6. 问 AI 之前，先读文档。
7. 只有自己实在解不出时才向 AI 求方案，并先给自己思考的时间。
8. 请 AI 审查前，自己先检查一遍。
9. 先运行代码排查问题，再让 AI 审查补漏。
10. 没看懂的建议，绝不采纳。

为什么值得这么做

作者以科研代码为例：论文里的实验代码一旦出错，整篇结论都可能失效，因此科学是匠心编程的典型场景。安全关键软件同样如此——在 AI 时代，纯手写的代码反而不够安全，开发者必须把 AI 审查纳入流程，否则攻防会变得极不对称。

当然，适度使用也无可厚非。作者坦言自己偷懒时也会写潦草代码、让 Claude 直接调试，但他提醒这有「技能退化」的风险。GitHub Copilot 近期从包月改为按量计费，一些重度 vibe coding 用户月费从 30 美元涨到 750 美元，也算一种侧面注脚。

结论很朴素：手写与 AI 审查之间，藏着一片明智的中间地带。只要保持思考、不把大脑闲置，答案就在那里。

来源：Peter Bloem（peterbloem.nl）