标签： 自动化
-
本文记录我使用 Desktop Commander Remote MCP 将 ChatGPT 接入 Ubuntu 本地开发环境的实际过程，包括设备连接与验证、ChatGPT 插件安装、本地文件系统与终端访问，以及在 go-tour-i18n 项目中的真实开发体验。相比过去频繁在 ChatGPT 与终端之间复制命令和执行结果，Remote MCP 能明显减少人工中转，让 ChatGPT 直接读取仓库、检查 Git 状态并执行部分开发任务。同时也记录 Desktop Commander Tool calls 限额，以及 ChatGPT 在处理开发任务时可能自动调用 Codex、因此 Codex 额度并不只由手动使用产生这一实际情况。
-
A Tour of Go 法语版在约 9 小时内完成上线后，我没有立即开始下一门韩语，而是先继续完善新增 locale 的执行流程。这一轮优化不再重复讨论“如何建立一套标准流程”，而是进一步减少已经可以机械化的重复操作：新增 locale init 初始化能力、自动生成语言骨架与状态文件、完善首次 production 自动化与 production identity、精简命令执行成本，并建立 Deferred Issues 机制记录已经真实发现但暂缓处理的问题。目标不是减少 Quality Check、Final Review 或 production acceptance 等质量 gate，而是把人的时间更多留给真正需要判断的翻译质量和生产风险。
-
A Tour of Go 第三门社区语言 de-DE 已正式上线。从开始推进到完成 TranslationUnit 质量审核、Locale Surface Review、production 部署和最终验收，这一轮粗略投入约 16 小时。 但这 16 小时并不是从零开始完成一门语言的全部成本，而是建立在此前数百小时的项目开发、质量流程、服务器基础设施和第二门语言标准化工作之上的增量成本。de-DE 真正值得复盘的，是第三次完整执行以后又暴露出了哪些历史流程债、哪些人工操作已经可以交给工具，以及为什么下一门语言的目标可以进一步压缩到 8 小时以内。
-
针对 AI 工具使用分散导致效率不稳定的问题，本文构建了三层 AI 内容生产系统，将工作流划分为决策、执行与系统构建。利用 ChatGPT 负责选题与策略决策，通过 Codex 的工作模式实现内容批量优化与链接植入，再由开发者模式构建自动化工具。实践表明，分层协作有效降低了决策成本，减少了重复劳动，提升了内容生产的稳定性与收益。