在测试领域，流量录制一直是一个“听起来很美好，但落地往往困难重重”的方向。

我体验了一段时间 Keploy 后，发现它可能是目前少数真正把“录制 → 回归”链路打通的工具，但目前网络上它好像有点低调，因此我专门写一篇文章。

上篇文章说到，我最近用 stdio 的本地 mcp 方式实现了各种基建与 AI 之间的连接，例如查数据库、调接口等等。

这篇文章分享一下出现问题(如接口报错等)时让 AI 直接来排查原因的实践。我可以很明确地说，现在 AI 的能力已经非常强大，这条路是完全走得通的，而且效果很好，超出预期。

这几个月在做一些高频的日常工作流程时，我有意沉淀成 skill，过程中踩了不少坑，其中最核心的一个问题，其实不是技术，而是——权限。

这篇主要分享一下我是怎么做权限控制，搭建一套“自己可控”的 MCP + skill 体系的。

其他行业我不知道，在计算机行业，AI 已经成为了最热的关键词，什么话题都可以沾上 AI。

本文只谈大语言模型。

我认为在当前，对 AI 的使用，正在经历一个明显的拐点：

很多人现在都把本地 AI CLI 用起来了：

• Claude CLI
• Codex
• 自己用比如 LangGraph 做的工具

然而，这些 CLI，默认是「只能自己使用」的。

如果想要把这些工具共享给团队共同使用，该怎么办？

最近行业开始了大裁员，我一个比较优秀的同事也在其中。与这位同事共事两年，从他身上我学到了很多。

无论生活还是工作，我都是一个想法很多的人。然而，有时候想做的事情很多，却始终没有迈开第一步，总觉得要等"准备好了"、“时机对了”、“资源够了"再开始。