【2025年度总结】从代码萌新到万粉博主:AI赋能下的破局与生长

【2025年度总结】从代码萌新到万粉博主:AI赋能下的破局与生长

目录

摘要

📅 前言:起跑与遇见

🚀 第一章:技术筑基 —— 稳扎稳打的创作历程

1.1 从Java速通到前端尝鲜

1.2 啃下C++与Linux这块硬骨头

🤖 第二章:AI破局 —— 拥抱时代的个人成长

2.1 智能体开发:站在巨人的肩膀上

2.2 AI提效编程:手搓系统的降维打击

🌟 第三章:万粉达成 —— 社区与生活的融合

3.1 突破万粉:感恩同行

3.2 博客与生活的平衡术

🔭 结语:2026,行而不辍


摘要

2024年4月敲下第一个字,2025年突破万粉大关。这一年,我从Java图形化编程的“速通”起步,在Linux终端里探索,结束C++的理论学习。更在A佬、小智佬等前辈的指引下,不仅点亮了“智能体开发”的新技能树,还用AI重塑了我的编程与创作流。这是关于技术、AI与成长的2025。

📅 前言:起跑与遇见

回望2024年4月27日,我怀着忐忑敲下了键盘的第一个字,发表了第一篇博客,正式加入了ZEEKLOG大家庭。那时的我未曾想到,这个决定会开启一段如此精彩的旅程。

从2024的懵懂起步,到2025的充实飞跃,这一路上我并非独行。有幸结识了 A佬、小智佬、凯子佬、Kevin佬、银佬、“水獭”叔等众多大神,在他们的视野与格局引领下,我的2025年不再单调,而是充满了技术碰撞的火花与AI时代的红利。

🚀 第一章:技术筑基 —— 稳扎稳打的创作历程

1.1 从Java速通到前端尝鲜

2025年的创作始于一场“硬仗”。面对寒假前的JAVA课程设计,我选择了“速通”Java图形化编程。1月17日,我写下了新年的第一篇技术复盘——《深入浅出:AWT事件监听器及其应用》。这篇文章不仅是对课设的总结,更像是一个信号:即使是老技术,只要用心钻研,也能开出新花。

寒假期间,我不满足于后端的逻辑,一时兴起涉猎了HTML和CSS。从黑白的控制台到多彩的网页,我对“前端”有了感性的认知,也为后续的全栈思维埋下了种子。

1.2 啃下C++与Linux这块硬骨头

随着在比特大家庭的学习深入,我给自己的C++理论学习画上了一个圆满的句号。紧接着,我推开了操作系统的大门,开启了Linux之旅。

正如我在博客《Linux 指令初探:开启终端世界的大门》中所写,那个只有黑底白字的终端世界,让我真正理解了计算机的脉搏。

🤖 第二章:AI破局 —— 拥抱时代的个人成长

2.1 智能体开发:站在巨人的肩膀上

如果说基础编程是练内功,那么AI智能体(Agent)开发就是我的“屠龙刀”。

A佬 的深度带领下,我不仅是AI智能体的使用者,更成为了创造者。从精心打磨每一个Prompt(提示词),到设计复杂的工作流(Workflow),我仿佛打开了新世界的大门。这一年,我跟随A佬参加了多场智能体开发比赛,并取得了不错的成绩。这不仅是荣誉,更是对我“技术+AI”融合能力的肯定。

2.2 AI提效编程:手搓系统的降维打击

2025年是AI大模型井喷的一年,DeepSeek、GPT-4o、Claude等优秀模型如雨后春笋般破土而出。我没有犹豫,直接拥抱了AI编程

在“AI提效群”中,由A佬和小智佬牵头,我吸取了大量前辈的AI利用经验。这种提效是立竿见影的——我利用AI辅助编程,基于若依(RuoYi)框架,手搓了图书管理系统学生管理系统。曾经需要耗费数周的重复造轮子工作,现在变得丝滑顺畅。

🌟 第三章:万粉达成 —— 社区与生活的融合

3.1 突破万粉:感恩同行

这一年,我的ZEEKLOG粉丝数突破了10,000大关。 看着后台不断跳动的数字,我深知这不仅是一个数据,更是上万次点击背后的信任。感谢每一位粉丝的支持,感谢你们愿意停下来阅读我的文字。

特别感谢 A佬 的指导和带领,是他让我看到了技术博主更高的天花板;也感谢技术群里的每一位伙伴,是你们活跃的氛围让我保持了持续输入的动力。

3.2 博客与生活的平衡术

很多人问我,如何在繁重的学业/工作之余保持高频更新?我的答案是:借助AI,但不依赖AI。

  • 润色与框架:我利用AI润色博客内容,快速搭建文章框架,将原本需要2小时的构思时间缩短为30分钟。
  • 核心与思考:但我坚持保留核心的技术复盘和个人感悟,AI是我的副驾驶,但方向盘始终在我手中。

这种模式让我实现了生活与博客的“双赢”——既没有因为写作耽误主业,又通过输出倒逼了高质量的输入。

🔭 结语:2026,行而不辍

2025年,是打基础的一年,也是借力AI起飞的一年。 这一年,我从传统的代码世界走到了AI的前沿阵地;从一个默默无闻的记录者,变成了拥有万粉的分享者。

2026年的剧本还没有写好,但我相信,只要保持对技术的热爱,保持对AI的敏感度,未来依旧可期。

山高路远,看世界,也找自己。明年见!

Read more

从 Copilot 到工程化 Agent 执行框架:基于OpenCode + OpenSpec 的企业级 AI Coding 落地实践

从 Copilot 到工程化 Agent 执行框架:基于OpenCode + OpenSpec 的企业级 AI Coding 落地实践

引言:AI Coding 进入规范驱动自动化时代         当前,许多开发者在使用 AI 编程助手时正普遍面临—个痛点:在处理大型项目时, AI 似乎会“遗忘”上下文,导致代码回归、引入新 Bug 或生成不符合项目规范的混乱代码。正如研发同学反复出现的挫败感:  “代码库越大, AI 弄得越乱”。         这种被称为“Vibe Coding”的模式,是 AI 辅助工程必要的、但也是原始的第—步。它更像—种不可预测的艺术,而非可重复、可扩展的科学。要真正释放 AI 的生产力,我们必须迎来—次范式的进化:从凭感觉的“Vibe Coding” ,转向由规范驱动的(Spec-Driven Development)专业化 AI 工程新范式。         本文将深入探讨如何将强大的

从机器人控制到AIGC:流匹配策略梯度(FPO)的跨界应用全景图

从机器人控制到AIGC:流匹配策略梯度(FPO)的跨界应用全景图 在机器人抓取一个易碎物品时,传统策略可能会僵硬地执行单一轨迹,而融合流匹配思想的智能系统却能像人类一样自然地调整手指力度和角度——这种差异背后,是强化学习领域正在发生的范式迁移。当策略优化遇上流匹配(Flow Matching),我们获得的不仅是更灵活的动作生成能力,更打开了跨领域技术融合的全新可能。 1. 流匹配策略梯度的核心突破 传统策略梯度方法在连续控制任务中长期依赖高斯分布建模动作空间,这种单峰特性在面对需要多解决策的场景时显得力不从心。想象一个装配机器人面对零件偏差时的场景:可能需要同时保留"微调位置"和"更换夹具"两种应对策略,而高斯分布会强迫算法在二者中做出非此即彼的选择。 FPO通过三个关键创新解决了这一根本局限: 多模态策略表示 流模型通过ODE定义的连续变换,可以将简单噪声分布转化为复杂的目标分布。下表对比了不同策略表示的能力差异: 特性高斯策略扩散策略FPO流策略多模态表示× 流匹配替代似然计算 用条件流匹配损失(CFM)重构策略梯度更新: # 传统PPO的似然比计算 ra

圣女司幼幽-造相Z-Turbo开源镜像评测:对比Stable Diffusion本地部署的易用性优势

圣女司幼幽-造相Z-Turbo开源镜像评测:对比Stable Diffusion本地部署的易用性优势 想体验AI绘画的魅力,但被Stable Diffusion复杂的本地部署劝退?今天,我们来评测一个能让你“开箱即用”的解决方案——圣女司幼幽-造相Z-Turbo开源镜像。这个基于Z-Image-Turbo LoRA模型打造的镜像,究竟在易用性上带来了哪些革命性的提升?它和传统本地部署方式相比,优势在哪里?这篇文章将带你一探究竟。 1. 从“折腾”到“开箱即用”:两种部署方式的直观对比 在深入评测之前,我们先来快速了解一下两种方式的根本区别。这能帮你立刻明白,为什么这个镜像值得关注。 1.1 传统本地部署:技术爱好者的“闯关游戏” 如果你尝试过在个人电脑上部署Stable Diffusion,可能会对以下步骤记忆犹新: * 环境搭建:安装Python、配置CUDA、安装PyTorch,版本兼容性问题层出不穷。 * 模型管理:手动下载数GB的基础模型和各类LoRA模型,文件路径配置复杂。 * WebUI启动:通过命令行启动,需要处理端口占用、依赖缺失等各种报错。 *

GitHub Awesome Copilot 项目深度解析:社区驱动的 AI 编程助手增强工具库

GitHub Awesome Copilot 项目深度解析:社区驱动的 AI 编程助手增强工具库

概要 GitHub Awesome Copilot 是一个由社区驱动的开源项目,专注于为 GitHub Copilot 提供丰富的自定义增强工具。该项目汇集了全球开发者贡献的指令、提示词、配置和代理,旨在帮助用户最大化利用 GitHub Copilot 的 AI 编程能力。通过提供模块化的自定义组件,该项目将 Copilot 从一个通用的代码生成工具,升级为能够适应特定领域、工作流和最佳实践的智能编程伙伴。随着 AI 编程助手技术的快速发展,此类社区项目在推动工具实用性和普及性方面扮演着关键角色,特别是在个性化、专业化场景的支持上。 整体架构流程 Awesome GitHub Copilot 项目采用模块化、分层式的架构设计,确保各类自定义组件能够独立管理又相互协作。整体架构流程可分为五个核心层次: 1. 资源层(Resource Layer):作为基础层,包含所有原始的自定义组件文件,如提示词文件(.prompt.md)、指令文件(.instructions.md)