停止将代码复制粘贴到 ChatGPT：而是构建你自己的 AI 助手
ChatGPT 功能强大，但它是孤立的。它根本不知道你实际在做什么。它不了解你的代码库、你的工具或团队的规范。你最终只能反复重复同样的工作流。这看起来是不是很熟悉？
在这种工作流中，你充当了桥梁的角色：手动从各种工具中收集信息，将其喂给 ChatGPT，然后获取它通用的建议，再自行思考如何将其应用到你的具体情况中。这并没有提升你的生产力，只是增加了额外的步骤。
要获得更大的成功，你真正需要的是一个能够做到以下几点的工具：
- 理解你的部署：“为什么暂存环境部署失败了？”并从 Netlify 获取真正的答案
- 连接代码与用户行为：“用户是如何与我们上周发布的功能进行交互的？”从 PostHog 和 GitHub 拉取真实数据
- 主动标记安全问题：“在上一个冲刺（sprint）中引入了哪些漏洞？”直接查询 Snyk
- 采取行动，而不仅仅是提供建议：“将最新更改部署到暂存环境”，并真正触发部署过程
这就是我们所说的“持续 AI”（Continuous AI）：当 AI 助手在你的环境中、使用你的工具、遵循你团队的规则进行工作时。
你可以使用 Continue 的 cn 命令行工具 (CLI) 和我们新的实战手册，在今天就开始构建它们。
实战手册：真正的解决方案，而非玩具级示例
我们发布了三本实战手册，旨在解决开发者每天面临的实际问题：
PostHog + GitHub：产品感知型开发
场景：你上周发布了一个新功能。真的有人在使用吗？他们使用的方式和你预期的一样吗？
通常情况下，你需要检查 PostHog，尝试将事件与你合并的 PR 进行关联，甚至可能要翻遍提交记录来回忆究竟发布了什么。这涉及大量的手动排查工作。
使用该智能体：询问“用户是如何参与上周的搜索改进的？”你的助手会查询 PostHog 获取相关事件，拉取相关的 GitHub PR，并为你提供全貌——将行为数据与代码变更连接起来。
你看到的不仅仅是参与度下降了，你还能看到它具体是在修改了搜索防抖（debounce）时间的代码变更之后下降的。
Snyk：安全优先的开发
场景：发布了一个新的 CVE 漏洞。你有易受攻击的依赖项吗？哪些仓库受到了影响？补救路径是什么？
通常情况下，你需要检查 Snyk 的仪表板，逐个查看每个项目，阅读漏洞详情，然后开始在你的仓库中搜寻以了解影响范围。
使用该智能体：询问“本月引入了哪些高危漏洞？”你的助手会跨项目查询 Snyk，识别受影响的代码，甚至可以根据你的代码库模式建议补救策略。
更好的是，你可以配置规则，让你的助手在建议任何依赖项更新之前自动运行安全检查。安全成为你工作流的一部分，而不是一个独立的审计步骤。
Netlify：持续部署
场景：你准备好发布了。你需要检查上次部署状态，触发新的构建，并监控直到它上线。
通常情况下，你需要打开 Netlify 的仪表板，等待加载，找到你的站点，检查部署，点击触发按钮，然后不断刷新以查看何时完成。
使用该智能体：输入 cn "Deploy my latest changes to staging"。你的助手触发构建，监控进度，并在上线时通知你。一切都在你的终端内完成，无需打开浏览器。
使用 cn 构建：让你的 AI 助手驻留在终端中
cn CLI 运行在你工作的终端中。没有浏览器标签页，没有上下文切换，没有复制粘贴。只需：
bash
cn "Help me to improve page load times"
然后你就可以与了解你环境的助手进行对话了。
它是可配置的，而非通用型的
你构建的每个智能体都具备：
自定义指令：定义助手如何思考问题。希望它始终考虑性能？遵循 TDD（测试驱动开发）？在建议功能前检查分析数据？配置一次即可。
强制规则：真正的护栏。“在部署到生产环境之前始终运行测试。”“检查每个 PR 中的安全漏洞。”你的助手会始终如一地遵循这些规则。
安全密钥：将 API 密钥存储在 Continue Hub 中。你的助手可以访问 PostHog、GitHub、Snyk、Netlify 等任何你需要的地方，而无需硬编码凭据。
模型灵活性：针对不同任务使用不同模型。快速模型用于简单查询，强大模型用于复杂推理。你可以在速度和能力之间控制权衡。你可以查看我们的 推荐模型 获取更多信息。
它使用 MCP：工具集成的标准协议
模型上下文协议 (MCP) 是你的助手连接工具的方式。它不是专有 API，也不是厂商锁定，而是一个开放标准。
这意味着：
- 你的助手可以连接到任何支持 MCP 的工具
- 你可以为内部工具编写自定义 MCP 服务器
- 随着越来越多的工具采用该标准，生态系统会不断壮大
它是可共享且可版本化的
一旦你构建了一个助手并为你的团队工作流进行了配置，就可以将其共享。整个团队使用同一个智能体，遵循相同的规则并拥有相同的访问权限。
需要更新助手处理部署的方式吗？只需更改一次配置。每个人都会受益，因为它已成为团队基础设施的一部分。
它实际是如何工作的
让我们演示一下如何构建 PostHog + GitHub 智能体，因为它展示了这种方法的强大之处：
1. 从实战手册开始
按照 PostHog + GitHub 实战手册 操作。它将引导你完成：
- 安装必要的 MCP 服务器
- 配置对 PostHog 和 GitHub 的访问
- 在 Continue Hub 中创建你的第一个智能体
你将在大约 10 分钟内拥有一个可用的助手。
2. 测试基本功能
bash
cn "What are the top events in PostHog this week?"
尝试提问的其他问题：
- “显示主仓库中最近的 PR”
- “昨天有多少用户触发了 'search_query' 事件？”
你的助手会查询实际工具并为你提供真实数据。
3. 根据你的工作流进行自定义
现在将其个性化。编辑智能体配置以添加规则：
- “分析功能使用情况时，始终将 PostHog 事件与引入该功能的 GitHub PR 相关联”
- “如果某个功能的参与度较低，请检查 GitHub Issues 中是否有任何已提交的 Bug”
- “提出改进建议时，同时考虑用户行为和代码复杂度”
这些规则编码了你团队的机构知识。每个使用该智能体的开发者都能从你发现的模式中受益。
4. 使用更多工具进行扩展
你最初的智能体连接了 PostHog 和 GitHub，但你的工作流涉及更多工具。添加 MCP 服务器以连接：
- Sentry (错误追踪)
- Linear (任务管理)
- 你的 CI/CD 系统
- 你的内部 API
随着你连接的基础设施越来越多，你的助手能力会变得越来越强。
为何这很重要：从个人生产力到团队基础设施
当你停止使用 ChatGPT 并开始构建智能体时，会发生以下变化：
对于个人开发者：不再有上下文切换。在终端中提问，并获得理解你实际环境的答案。
对于团队：共享的助手可以编码你的规范和标准。新开发者可以立即受益于机构知识。
对于组织：尊重安全策略、遵循工作流并与现有工具集成的 AI 辅助。
这不仅仅是关于拥有一个会写代码的聊天机器人。这关乎构建能够放大团队工作效率的系统。
你今天就能构建的内容
这三本实战手册仅仅是个开始：
产品开发：连接分析、功能标志和仓库。询问“哪些功能表现不佳？”并获得结合使用数据与代码复杂度的答案。
安全审计：连接漏洞扫描器、依赖项检查器和 CI/CD 流水线。询问“我们准备好发布了吗？”并获得全面的安全审查。
卓越运营：连接部署工具、监控系统和事故管理。询问“生产环境状态如何？”并获取整个堆栈的实时洞察。
模式是相同的：确定你使用的工具，通过 MCP 连接它们，配置助手的行为，然后你就会发现自己处于一个全新的工作维度。
停止喂养 ChatGPT，开始构建基础设施
你花在将上下文复制到 ChatGPT 上的每一分钟，都是你没有用来发布代码的时间。每一次你向通用 AI 解释团队规范时，你都在加固一种知识，这种知识应该留在你的系统中，而不是仅仅存在于你的脑海中。
是时候构建更好的基础设施了。
从实战手册开始：
安装 CLI，按照手册操作，享受能够理解你环境的 AI 助手的便利。
当你构建出有趣的东西时，请告诉我们。我们一直很想了解我们的用户正在做哪些酷炫的事情。