一套开源镜头卡库的实战笔记：我们怎么把 video-shotcraft 接进动效短片
本文揭秘如何将开源动效库 video-shotcraft 深度集成进自研动效短片系统：不套模板、不手绘帧，而是通过移植35张“配方卡”+可参数化镜头组件，实现信息清晰表达与电影感运镜的统一。详述四天攻坚五大技术坑（零Props契约、帧精度时长约束、音频授权风险等），并阐明其与“一键成片”的本质差异——数据真实、画面可控、审美可维护。（239字）
AI 编程总返工？我开源了一个给 AI“立工程规矩“的框架
Hello Dev 是面向AI辅助开发的开源工程框架（MIT协议），通过15阶段流程、grill-me需求拷问与ui-ux-pro-max设计引擎，解决AI编程返工率高、交付不可控痛点。支持WorkBuddy/Claude Code/Codex，确保“构建正确的东西”而非仅“写得快”。
GitHub Actions 工作流 CI/CD 触发器与执行顺序
本文详解GitHub Actions的CI/CD触发机制与执行顺序：`on`决定何时触发（push、PR、定时等），`steps`定义Job内串行执行顺序，`needs`明确Job间依赖关系，失败处理则由状态码、`if`和`continue-on-error`控制。四者协同，构建可靠自动化流水线。（239字）
第一份证据由谁签发？——给 Agent 信任系统一个不垄断起点的答案
凡是靠证据说话的系统，都躲不开一个问题：第一份证据由谁签发？"谁证明证明者"可以无限回退。中心化的做法是指定一个机构当起点——起点从此成了它的财产。本文给出另一种答案：把信任做成标准件，锚位由规范保证、锚在证据轴之外，嵌进谁家就是谁家的纪元——像 git init，每个项目各有第一笔提交，互不裁判。附后门自检：我们标不了别人的创世纪。
测试工程师必备：代码一键生成业务流程图Skill
日常做测试，遇到复杂业务时，我很依赖后端提供的业务设计流程图。 有了流程图，我可以快速吃透内部实现逻辑，更有针对性地设计测试用例，甚至在前期就能识别出流程隐患，推动开发提前修复，避免问题流入测试阶段打乱整体迭代节奏。 但在 AI 普及之前，流程图需要开发手动绘制，耗时成本高，很多时候很难拿到完整的文档。 现在借助 AI，直接基于源码生成业务逻辑图就变得简单很多。 基于这个真实工作场景，我封装了一款 Skill，可以读取项目代码，快速输出模块与业务流程图。 测试同学如果拥有代码权限，可以直接自行生成；没有权限的话，也可以把这个 Skill 交给开发同事协助产出。 基于代码生成流程图，对测试有哪些
测试报告也能自动写？用 Agent Skills 搞定质量周报
本文介绍如何用三个AI Agent Skill自动化质量周报：①数据聚合（统一拉取JIRA/CI/覆盖率/Git等多源数据）；②趋势分析（对比历史，识别Bug激增、覆盖率骤降等风险）；③报告生成（输出结构化Markdown周报）。全流程耗时从2小时压缩至20分钟，释放测试人员精力聚焦分析与决策。
用 Agent Skills 重构测试流程：从用例生成到缺陷定位
本文介绍如何用Agent Skills重构支付网关回归测试流程：将传统断点式人工流程（需求→用例→执行→排查→Bug）拆解为四大可复用能力单元——需求拆解、用例生成、失败归因、缺陷定位，并通过CI流水线自动串联。实测周期从5天压缩至1.5天，关键在于把隐性经验封装为标准化、可复用、可验证的AI技能，实现“人只做最终判断”。
AI 编程工具用了一年，我把「怎么用好它们」总结成 6 条心法
本文总结AI编程实践中的6条核心心法：强调上下文（尤其项目级CLAUDE.md）比工具选择更重要；按探索、设计、实现等阶段匹配不同工具形态；重视会话资产沉淀；建立人机边界感——AI做机械事，人做决策与设计；坚持“少而精”，主力+备用2–3个工具足矣。克制，才是高效关键。（239字）
