第 263 期 - 硬件之美 En
封面图用于记录我假期在家三天玩的硬件小玩具，从一堆材料中锡焊、点胶、调试，终于快到最后一步了，屏幕调试过程中烧屏了，只能等快递到了继续整，很好玩。
记录每周看到的接地气的潮流技术，筛选后发布于此，觉得不错可关注此周刊，方便获取更新通知
新文章发布
你不知道的大模型训练：原理、路径与新实践
https://tw93.fun/2026-04-03/llm.html
至今写得耗时最长的一篇文章，好在搞懂了大模型训练皮毛，里面门道和我研究前相差太大了，非常建议从事 AI 应用或者对 AI 有兴趣的任何小伙伴阅读，应该能够让你看懂以及看个够。
产品发布
Waza 我的工程师分身 Skill
https://github.com/tw93/waka
把我自己常用的 Skill Release 成一个新玩意叫 Waza，在日语中是 技（わざ） 的意思，常用于武术领域的招式，第一次开源一个没有代码只有 md 的产品，在没有 AI 的年代对于程序员而言是很羞耻的。
之前 Superpowers 出来的时候，我安装一次就卸载了，感觉太重了，不是很适合我，会有不少人给我推荐 “你知道 Superpowers 吗？这个都不用那你就不潮流了，非常牛逼”，后面发现了 gstack，好了不少，但还是太多了，还是不习惯，我期待简单好用，同时清楚它在做什么。
所以我按自己的习惯做了 Waza，对我而言装上这一套就够了，其他 skill 不用再折腾，不多不少刚好够用，后面有新的迭代可以持续优化下去。8 个 skill 对应我认为在 AI 时代一个好的工程师应该具备的 8 个能力：
1、会思考，AI 写代码很快，但方向错了越快越远，好的工程师在动手前会先质疑问题本身，压测方案，脑子里有清晰的架构再让 AI 去执行，/think 就是把这个习惯固定下来。
2、会设计，做产品不只是把功能实现了，AI 生成的东西很容易千篇一律，好的工程师对交付物有审美要求，出来的东西要有明确的设计方向，/design 做的就是这件事。
3、会排查，AI 改 bug 最容易陷入”改了试试”的循环，好的工程师遇到问题会系统化定位，确认根因再动手修，一次到位，这个习惯我沉淀成了 /hunt。
4、会检查，AI 生成的代码更需要人来把关，合并前先审一遍 diff，能自动修的修掉，需要判断的归拢到一起，用证据验证而不是凭感觉收工，这个是 /check。
5、会阅读，好的工程师习惯读一手资料而不是二手总结，把 URL 或 PDF 转成干净的 Markdown 直接进工作流，/read 做的就是这件事。
6、会写作，技术再强，写不清楚别人就接收不到，好的工程师能把学到的、想表达的东西清晰地传递给对应的受众，/write 帮你把这一步做好。
7、会学习，AI 时代技术迭代更快，进入一个陌生领域不是刷几篇文章就完了，而是收集、消化、提纲、初稿、打磨、发布，用输出驱动学习，/learn 就是这套流程。
8、会维护，好的工程师不只关注业务代码，工具链本身也需要体检，CLAUDE.md、rules、hooks、MCP 这些配置感觉不对的时候跑一下 /health 就知道问题在哪。
产品更新
Kaku 0.9 版本发布了很好用
https://github.com/tw93/kaku
发布了几个有意思的功能，相信可以帮助到你。
1、自然语言生成命令：输入 # <描述> 后按回车，自动生成的命令注入回提示符
2、Option+Click 移动光标：点击当前行任意位置即可将光标移动到该位置
3、 窗口置顶：通过 Window 菜单将窗口固定在最前，随时可切换开关
潮流工具
Claude HUD 这个工具帮你看到你的 Claude 使用量
https://github.com/jarrodwatts/claude-hud
功能有点儿过于全了，我简单配置后，支持了如下的效果，使用起来不错，有兴趣可以试试，不过代码感觉有点复杂，有空我会优化一下这个功能，极简就好。
一个很极简 AI 友好的 markdown 文档生成器
https://docmd.io
偶然发现了 docmd，给开发者用的极简零配置文档生成器，可以把 Markdown 转换为快速、清爽的静态文档，具备自动路由、内置搜索和 AI 方便使用的上下文能力。
买了一个 140W 的充电器好用的
买了一个 140W 的充电器，大小合适，终于从之前 45W 解脱了，有 4 个口，这样出门就方便多了，这个显示屏显示功率我很喜欢了。
|
|
|
随便写写
想和大伙聊聊，在 AI 时代我是如何深入学习一个技术领域的。
之前没有 AI 之前更多是看书、翻这个领域有名的国内外人的所有博客，然后摘抄记录到笔记本，这种速度挺慢，但是很有学习的乐趣，比如当时学习 WebGL 就是这种感觉，可能学懂一个东西差不多要半年空闲时间，慢但快乐。
现在有了 AI 之后，其实我很讨厌网上那种 3 分钟教你看完百年孤独，也讨厌一切短剧和倍速看电视剧的方式，更多还是挑好的看，吃好一点。
不过最近写你不知道的 Claude Code 和 Agent 系列，除了自己懂的部分外，其实还有大量不太清楚的领域，好在之前收藏了不少文章，刚好借助这一块清库存，全部搞懂输出出去，一直认为，很多时候，不在于看了多少东西，听了多少东西，输入了多少东西，其实用处不大，更加看重你输出了多少东西，这个才是你自己的。
然后我上上周启动了一个深坑挑战自己，研究大模型的训练流程，确保非专业的人也听得懂，探索了 2 周，刚好这个经验可以分享给大伙，当然成文也差不多好了，最近会发出。
我会把这个学习过程当做写代码一样的组织，第一步收集高质量的资料，比如与之相关的近几年的精品论文，各大模型厂商发布的关键模型的博客，X 上模型负责人发表的一些文章，以及斯坦福等高校的近两年关于这一块的课程学习，还有经典的手搓一个大模型的代码仓库等等，这些都是我的一个资料来源过程，我会借助工具自动化全部下载、转 md、清洗，梳理，弄好结构化分门别类到我这次研究的仓库。
然后对于自己看得懂的内容就全部看一遍，把不好的删掉，好的留下，对于看不懂的内容，直接借助 Claude 帮我的理解，更复杂一点的直接翻译成中文去阅读，对于代码本地可以跑的就跑起来，不能跑的那种就去看结构，总之会有一个大概的认识和知晓技术原理，这个阶段可以去掉原有一半可能没有用的内容。
到了这个阶段，其实你对这个领域有一个大概的认知了，就可以给这篇文章开始写一个大纲，以及大纲应该结合的来源内容，这里均可以用 markdown 很多表达，你要讲什么，或者说你想讲什么更想让读者知道，一定一定，文章是写给你给给看的人看的，需要知晓对方的认知水平，和汇报其实差不多。
然后接下来就是苦力活加之前内容的复习过程，和大学时候考试前复习很像，把每一章的内容填充完整，这样下来，你会得到一篇非常长而且有点啰嗦的文章。
这个时候 AI 就可以帮太忙，你可以让他帮你不改变你原有的内容意思你的语气的情况下，帮我去掉无用的啰嗦内容，以及连贯不到位的内容，或者是这一块缺少的内容，还需要补充什么知识的地方，借助 AI 继续去完善补充，这里又可以学到很多原来遗漏的东西。
最后整理好以后，可以继续自己读一遍，而非让 AI 读一遍，这里 AI 只是工具，千万不要把你的脑袋被 AI 代替了，这就没有啥意思来，自己读的过程中可以对文章继续修改调优，这里和写代码又非常像了，自测那种感觉，修复问题修问题，最后读了 2 遍以后，基本感觉完美了，然后就可以发出来给大伙看看。
有小伙伴肯定是担心自己写的东西没有人看，就不太喜欢发出来，或者说就不写了，其实只要你的内容有意义，自然就有读者，而非是你偷懒的理由。
花 10min 写完这个碎碎念，结束，欢迎交流你是如何学习一个新领域的，下面视频就是我后面要发的那篇你不知道的大模型训练文章的学习仓库，挺有意思，就录了一个视频给大伙看看我的工业化学习方式。