一、背景

在工作中，我们埋点数据的调试和验证一直是一个痛点。传统的抓包方案（如 Charles、Fiddler）虽然能够抓取 HTTPS 流量，但对于使用 Protocol Buffers 编码的埋点数据，只能看到二进制内容，无法直接阅读和解析。

前面提到，AI 在测试用例生成、代码审查这些场景已经越来越成熟，甚至逐渐成为需求迭代中的“标配环节”。

最近，下面这几个更偏“日常工作流”的使用方式我也越来越得心应手。

上周五干了件有点逆天的事情，记录一下。

事情是这样的，有一个活动页面，从上到下展示商品，大概五六个商品。设计的时候对排序有特殊要求，于是开发随便做了个按商品名称排序，结果上线之后才发现低估了粉丝的狂热度。页面上线后，排在后面的粉丝表达了强烈不满，要求排序前置。于是，产品临时决定按照销量排序。

openclaw越来越出圈地爆火，很多人对这种爆火感到非常诧异，最近我看到一条评论这样写道：

很多人以为是什么颠覆性的东西，完全不知道skills就是上下文工程，上下文工程就是prompt工程，prompt工程就是注意力机制

我们团队运营着一个小型卡牌对战游戏，每隔一段时间都需要对技能强度进行平衡性调整。问题在于：对哪些技能进行改动，以及改动多少数值，不仅影响玩家体验，也影响游戏生态。核心玩家的反馈固然重要，但仅凭玩家意见难以保证科学性和客观性。下面分享我们的一套实践策略。

最近，OpenClaw 非常火。各种“AI自动操作电脑”、“AI自己干活”的视频和文章刷屏，看得人热血沸腾。作为一个长期喜欢折腾的人，我也认真体验了一番。下面讲讲我的真实感受。