Warp University 精华指南:40 个官方教程视频一篇看完

原站(warp.dev/university)已随 Warp 文档改版下线,各课页面靠 Wayback 存档还原,视频仍在 Warp 官方 YouTube 频道在线。本篇的结构与原目录一一对应:

官方简介:让你在 Warp 的 AI 编码环境里快速上手所需的一切。本类另有一课《Warp VS Claude Code》,已单独成篇。

2.1 Warp 一分钟总览(Zach,CEO)

Warp 创始人兼 CEO Zach 的最短介绍:打开 Warp 看到的是一个命令行界面,但它是一个 Agentic Development Environment(智能体开发环境)——主要交互方式是「让 agent 去做事」。同时它也是正常终端:输入 ls、pwd 就是跑命令;输入英文自然语言(比如「describe my open git changes」)就会启动 agent 流程,agent 自己跑命令、收集上下文,然后回答你。

2.2 用好项目规则文件 warp.md

项目规则文件让你不必每次重新解释项目背景——写一次,Warp 永远带着这份上下文,大项目更不容易幻觉、LLM 更聚焦。

• 上手:运行 /init,Warp 在项目根生成 warp.md 起步文件;/open project rules 可在侧边编辑器打开;
• 示例结构(讲者的 Astro + React + Firebase + Vercel 项目):标准 markdown 标题分节——常用命令(npm run dev/npm run build/npm install,给 Warp 可复现的跑法)→ 架构总览(应用做什么、含流程图和组件交互图)→ 关键架构细节(前端 Astro、后端 serverless API 路由、数据库 Firebase、部署 Vercel)→ 项目结构(组件/类型/工具/配置在哪);
• 技巧①保持精简:warp.md 全文会被前置到每个 prompt 里,越长越吃 token 预算、每次请求越贵——只写真正重要的;
• 技巧②当活文档维护:/init 只是基线,真正的价值在迭代——比如补上团队 git 工作流(从 main 分支拉、描述性命名、早开 draft PR、合并时 squash);项目长大就持续喂入偏好;
• 技巧③子目录可以有自己的规则文件:大 monorepo 不必塞一个大文档,cd 进子目录再跑一次 /init 即可;
• 技巧④定期优化:文件变大(如超 500 行)后过一遍 prompt 优化器,去重、去交叠、瘦身。

2.3 Agent Profiles:同一任务,两种性格

Agent profile 配置 agent 在不同场景下的行为。讲者用同一个项目考验两种 profile:构建一个 NFL 比赛预测应用(爬取近 10 年 NFL 数据 → 处理成比分/球队/球员等结构化统计 → 预测新赛季胜场;prompt 里给足了数据源、技术约束、依赖、CLI 命令、实现细节和交付物)。

讲者的结论:策略型有条理、透明、可配置,但要求你保持投入——环境变量或数据源不对就会卡住;YOLO 型冲得快,适合只求结果的 vibe coding,但牺牲了结构、测试和检查点。他特意强调:策略型没跑完不等于它更差,只是不适合这个场景——若是正确性和清晰度优先的生产代码库,他绝对选策略型。

2.4 Warp CLI(Beta):把 Warp 的 agent 带到任何地方

Warp CLI 的软启动(soft launch)公告:把 Warp 的 agent 带进任何环境——你在 Warp 里攒下的保存提示(saved prompts)、Warp Drive 对象、agent profiles 和 MCP servers,现在哪都能用。三个示例:

PSA:这是 Beta,当前只招小批测试者,目标是收集「什么好用、缺什么」的反馈。

2.5 让 Warp 的 UI 更清爽

不少人觉得 Warp 的 UI 太满、太重。官方给的减法清单:

• 命令面板搜 "disable"(Mac ⌘P / Win·Linux Ctrl+Shift+P):可关自动建议(inline suggestions)、块分隔线、语音输入麦克风图标、active AI 幽灵提示、补全菜单、Vim 状态栏、标签页彩色指示器、非活动分屏变暗……输入 disable 挨个看弹出什么就行,光这一步就能清掉一大片;
• 换主题:讲者偏好简洁冷静的灰调主题;
• 切回 classic prompt:universal prompt 是为 AI 功能设计的(斜杠命令、语音、图片、上下文、agent 模式),不需要就换 classic,更接近纯终端;prompt 定制器还能精确勾选显示哪些 chip(比如只留文件路径);
• 标签栏悬停才显示;
• 终极选项:整体关掉 AI——大量 UI 元素本来就是为 AI 工作流存在的,关掉后 Warp 变回干净无 AI 的传统终端(代价当然是失去 AI 功能)。

2.6 定制 Warp(Zach 的个人清单)

• 主题:⌘P 输入 theme 打开主题选择器,即点即换;
• 输入框位置(Warp 独有):三种模式——输入随命令下移到底部(传统终端式)、固定钉在底部(聊天式,Warp 最初的形态)、固定钉在顶部(命令在下方滚动;Zach 自己不用,但「对脖子友好」);
• AI 设置(⌘P → settings → AI):可整体关 AI(不推荐,「AI 才是 Warp 强大的原因」);最重要的是 agent 自主度设置和模型选择——代码 diff、读文件、规划、命令执行四类权限逐项可调;默认模型当时是 Claude 4 Sonnet,规划模型默认 o3;Zach 的偏好:命令执行很宽松、diff 逐个看、读文件总是允许、不用规划;还有命令 deny list、MCP server 权限同样可配;
• 代码库索引:第一次 cd 进代码库时 Warp 会提示建索引,设置里也能看全部已索引代码库、手动加新目录——想在编码上发挥 Warp 全力就把索引建上;
• Teams 标签页:邀请队友,配合 Warp Drive 存放和共享 prompts、模板命令、notebooks、环境变量等;
• 外观与键位:appearance 里改字体、应用图标(「很好玩」);键位绑定可自定义,有肌肉记忆的必调;命令编辑器可开 Vim 模式。

2.7 发起一个编码任务(用 Warp 修 Warp 的 bug,上)

很「meta」的演示:用 Warp 修 Warp 开发版里的真 bug——设置里的「在输入框显示模型选择器」勾选项没有生效。流程要点:

• 先截图记录 bug 现象;
• 用语音下 prompt(点麦克风图标,首次点击后可配置热键)——比打长 prompt 快得多;prompt 里明确要求:修复设置不生效的 bug,并监听设置变化,勾选/取消勾选时输入框要即时更新;
• 给 Warp 上下文的几种方式:附截图;引用文件或符号(这里引用了相关文件 universal developer input);也可以直接贴 URL;通常不引用文件也行——Warp 会索引代码库并用多种搜索工具自己找。

2.8 编辑 agent 写的代码(用 Warp 修 Warp 的 bug,下)

接上一课:agent 启动后先列任务清单,交替使用 grep 和代码库 embedding 语义搜索找相关文件,理解 bug 后开始出 diff。这课的重点是 Warp 对 diff 的三种处理——这也是讲者说 Warp 与其他终端型编码方案相比独特的地方:

• 接受:diff 没问题直接 apply;
• 重新提示(refine,⌘R):用一条新 prompt 让 AI 重做这个 diff;
• 直接编辑:Warp 内置代码编辑器,点 edit 进入真正的编辑视图手改。

确认方向对了以后点「快进」不再逐个审批。自主度可以按单个 agent 调,也可在设置(⌘P → settings → AI)全局配。最后 agent 自动跑编译命令验证通过(Rust 编译要等一会),讲者 Ctrl+C 掐掉后续的格式化,自己跑起程序验证:勾选项现在生效了——纯靠 prompt 修好了 bug,全程可见、可编辑、可控。

官方简介:由构建者本人讲述的 Warp 功能与用例。

3.1 用好代码审查面板(Jess,开发者布道师)

Jess 用自己周末一小时糊出来的小项目 AI Observe(可视化 AI 模型如何计算 token:文本怎么切分、一次请求用多少、对成本和用量意味着什么)演示:悬停文字是黑字配深灰底,看不清——让 Warp 修。

• 直接开口 + 附图 → agent 生成 diff。但大改动文件多,不想来回上翻找——这就是代码审查面板的用武之地:点左上「view changes」按钮或输入框里的 git dirty chip 打开(注意:得在 git 仓库里才有);
• 面板能看到:本次开放改动涉及几个文件、增删多少行、所有 diff、以及按文件的结构化清单(带每个文件的改动行数);
• 想深入就在 Warp 内置编辑器里直接打开文件——轻量编辑器,带语法高亮、查找替换和基础编辑;手改配色保存后,改动立刻反映在 diff 面板和应用里;
• 接着让 Warp 把这个悬停效果组件化、全应用统一——并把刚才的 diff 作为上下文附进 prompt(它会像引用文献一样引用这个 diff);agent 生成了 tooltip 组件,鼠标事件处理正确、UI 和配色保持一致;
• 满意后直接从面板 commit + push,面板归零;还能一键看当前分支与 main 的差异。

3.2 你应该知道的 10 个编码功能

官方简介:覆盖规划、构建、调试、交付的端到端工作流。

4.1 配置 Figma 远程 MCP:从设计稿到网站

• 远程 MCP:server 跑在别处,Warp 直接连——贴一段 JSON,Warp 弹 OAuth 登录,用 Figma 账号登一次就完事;不用自己管进程和 token;
• Figma MCP 让 AI 编码工具直接从 Figma 文件取上下文,降低幻觉:截图(高层关系)、设计系统规则(组件/变量/样式,让生成代码匹配设计系统)、get_code(从 Figma 文件返回代码)、内容元数据(文本/图片/图层名,帮 AI 填出真实的数据模型);
• 实战:prompt 里给设计细节、技术要求和具体指示,Figma 里右键「copy link to selection」引用设计稿;Warp 调 MCP 取元数据、截图和代码后开始出 diff,不到 5 分钟网站就在本地跑起来了——结构还原得相当好,但缺 logo 和图片,按 Warp 的指示下载到它建的 assets 目录后再来一轮迭代补图;
• 讲者插播的亮点:持久输入(persistent input)——中途发现忘传 Misho logo、Warp 正打算自己造一个占位,他把图上传到 assets 后告诉 Warp,agent 就在流程中途调整、找到并用上了这张图;
• 最终结果仍有毛边,但「20 分钟内做到这样」;OAuth 支持也让 Sentry、GitHub、Linear 等其他 MCP server 的接入变简单了。

4.2 用 Warp 配置 Ollama:本地跑大模型

• 先摸家底:本地跑 LLM 很吃硬件。Mac 有统一内存(讲者 64GB),能装更大的模型但性能弱一些;Nvidia 显卡(讲者是 32GB 显存的 RTX 5090)性能极强,但模型可能塞不进显存;
• Ollama 上手:免费、纯命令行可用,用法类似 Docker/npm 这类基于注册表的工具——ollama run 模型名 即跑;选模型看官网标的参数量,对照自己的配置;
• 两个模型的对比:OpenAI 的 gpt-oss 20B——很强,至少要 16GB 显存(上下文还要另算),亮点是工具调用能力(桌面版内置联网搜索演示;除非启用 turbo 模式,否则需登录 Ollama 防滥用——模型本身仍在本地跑);Qwen3 8B——快得多,但输出质量明显不如。结论:别迷信榜单,亲手试才知道哪个适合你——有的模型不用聪明只要快,有的强在代码、有的强在创意写作;
• 选型术语速成:thinking(先大段思考再答,适合复杂问题)、tools(给模型外部工具,如联网搜索)、vision(看图)、embedding(把文本转成便于自然语言搜索的数学表示;在 LLM 本体之外)、参数量 xB(越大越聪明也越吃算力,粗略估算 1B 参数 ≈ 1GB 显存)、量化(牺牲一点质量换内存;Ollama 默认 4-bit,是优化与性能损失之间的好折中)。总原则:选提供你要的功能、且仅此而已的模型;
• 接入你的应用:大多数应用用的是 OpenAI 兼容端点,几乎不用重构——让 Warp 找到初始化 OpenAI client 的代码,换 base URL(用 Ollama 默认值)、API key 随便填、在 chat completion 处指定模型名即可;Ollama 会自动拉起模型、闲置时自动后台休眠(本地优先的应用很省资源;也可用轮询或关掉 TTL 绕过);
• 定制模型:temperature、系统提示、top_p 都能调——pull 模型后另存为新模型;小技巧:让 Warp 替你写 Modelfile(比如「YouTube 标题生成器」),能得到细致得多的系统提示。

4.3 让 Warp 讲解陌生代码库(百万行 Rust 实测)

场景:想给 Warp 新加的 agents 弹窗加个按钮,但不知道这块代码怎么运作、在哪。于是问 Warp:「解释 agent popup 的代码结构、位置、渲染与调用方式,我要完整的数据流,以便加一个新按钮。」背景是 Warp 自己的代码库——超一百万行 Rust + 自研 UI 框架,不是玩具题。

• agent 的搜索策略是「几种搜索交替用」:先用语义搜索(向量化 embedding)圈定大概位置(找到了 agent management popup 文件),再用 grep 按具体字符串精确检索;
• 读到一个约一万行的大文件(讲者:「说来惭愧」)时,它拆成小块只读相关部分——聪明的做法;然后迭代地「搜符号 → 读文件」;
• 产出:弹窗在哪定义、在哪渲染进工作区、关联哪些 action,每块代码都有讲解,连 tab bar 怎么渲染、弹窗从哪里挂上去都说清了,最后还给出「怎么开始做你说的那个按钮」的建议。

4.4 在 REPL 里用自然语言写 Postgres 命令

一个「藏得比较深」的功能:在长时间运行的交互式终端程序(REPL)里也能用 Warp 的 AI。演示用 Postgres,但 Node、Python、GDB、MySQL 一样适用。

• 进入 REPL 后按 ⌘I 呼出生成输入框,打字或说话都行,你的英文会被翻译成当前 REPL 的语言;
• 「show me all tables」→ 翻成 \dt;一次要求看 users 表和 teams 表也没问题;
• 关键在于:它一边执行一边学习表结构和输出的数据,所以最后能翻译出相当复杂的查询——「最近 90 天从公共邮箱(Gmail/Yahoo/Hotmail)注册、且所在团队超过两人的用户」,一条带多重条件的 SQL 直接生成、一跑就中(命中 1 人;演示用的是假数据)。

4.5 分析云端日志(Cloud Run 实战)

Warp 不只写代码——云服务器、Docker、Kubernetes 这类后端/生产工作同样能 prompt。演示(语音下达):「用 warp-server-staging 这个 gcloud 项目,拉 warp-server Cloud Run 实例最近 10 分钟的日志,按 info/warning/error 分级,生成直方图和报告,并指出最值得排查的错误。」

• agent 自己拼出了那条讲者「绝不想手写」的取日志命令——Warp 里随时可以点开看每一步的真实输出;
• 它决定写一个小 Python 程序来处理数据,先把日志存文件,过程中还自己调试自己的问题,最后清理临时文件;
• 结果:1,000 条日志,980 条 info、11 条 warning、9 条 error,最需要关注的问题指向 Gemini AI 相关错误。讲者的总结:「你基本可以让 Warp 做任何事,这是它最酷的地方。」

4.6 替换一个 UI 元素(linear 工单 → 上线)

任务来自一张真实 Linear 工单:把 UI 里的「星光(sparkle)图标」换成「agent 图标」。完整流程:

再次强调背景:这是在超百万行 Rust、完全自研 UX 框架的代码库上完成的,「agent 能做到这些非常了不起」。回顾:理解 Linear 工单 → 看图识图标 → 出计划 → 建分支 → 改代码 → 迭代到编译通过;本可以继续让它发 PR,但演示到此为止。

4.7 同时开多个 agent:一边写码一边查日志一边盯 PR

三个 agent 并行的多任务演示:

• 任务 A(编码):修 Warp 的输入框 UI——未聚焦的分屏里输入框太抢眼,要求去掉边框和背景;语音下 prompt、引用相关文件、附截图、贴 Linear 工单、要求先出计划;
• 任务 B(团队管理):用保存的 workflow 查同事 Alok(Warp 第一位工程师、工程经理)名下积压的 PR——结果 26 个开放 PR,有些很老、需要立刻处理,「得找他聊聊」;
• 任务 C(日志排查):用另一个保存 prompt 总结云日志(这类 saved prompt 不只自己能用,可共享给全团队),选 warp-server-staging 项目,按 error/warning/info 分级汇总最近 10 分钟,又发现了 Gemini API 相关错误——「得跟进」;
• 调度中枢:侧边的任务面板列出所有运行中的任务,随时切换;任务 A 的 agent 通过 MCP 读了 Linear 工单、读了引用文件、给出计划并自动切好了分支——确认计划后让它改码并用 markdown 输出改动;最后运行验证:只有聚焦的分屏才有输入框背景,「正是我要的」。

官方简介:用强大的 MCP 集成扩展你的工作流。MCP(Model Context Protocol)是 Anthropic 提出的协议,让 agent 以标准方式访问外部数据源与工具。六课分别接入六种服务:

5.1 Linear MCP:接入工单系统(含通用配置法)

• 没配 MCP 时:问「列出指派给我的 Linear 任务」,agent 无从回答;
• 配置入口:Warp Drive → 个人区 → MCP servers,或 ⌘P 打开 MCP 面板;点 add,粘贴该服务的 JSON,save 即保存并启动;
• 再问同一个问题:agent 调用 MCP 工具拿到答案。中途有个小插曲——先找错了用户(讲者注册邮箱不同),但 agent 自我纠正找到了正确账号,抓回全部工单;
• 运维要点:server 可随时 stop/edit;启动报错时可以「view raw logs」——Warp 直接开一个终端会话 tail 该 server 的日志;server 会一直跑到你手动停止,关闭再打开 Warp 也会保持运行状态。

5.2 Puppeteer MCP:让 agent 替你逛亚马逊

浏览器自动化:配好后可用 puppeteer_navigate、fill、screenshot、evaluate 等端点。演示全程语音(Warp 用 Whisper 转写):「去亚马逊搜白色女式 T 恤,抓标题/价格/链接,逐个打开商品页汇总评论,按价格+评价质量给我推荐。」Puppeteer 自主完成整个流程——导航、填搜索框、用截图和 JS 选择器抓数据、点进每个商品刮评论(亚马逊和 Warp 并排开着,讲者全程没碰)——最后给出排序清单,推荐 8 美元、4.5 星、评论说「合身、面料软」的那件。适合商品调研、竞品分析和一切你不想手动重复的网页抓取。

5.3 Context7 MCP:把最新文档喂给 agent

Context7 给 agent 实时的全网文档访问。演示:让几年前的旧 Astro 站点「更新到最新最佳实践」——MCP 调 get-library-docs 拉取 Astro 5 最新文档,Warp 跨多个文件更新:Tailwind import 语法、TypeScript 配置、构建设置优化、无障碍规则。省下数小时翻 changelog 和博客的时间;复活老项目、迁移框架大版本时尤其有用。

5.4 Sentry MCP:从线上报错直达修复补丁

用 Sentry 官方演示项目 Empower Plant(带真 bug 的假电商植物商店,React 前端 + 多种后端)实测:本地跑起应用、访问网站触发几个报错,去 Sentry 面板复制想修的 TypeError 的 issue 链接,prompt Warp「诊断这个 Sentry 错误、指出代码来源、生成修复」。MCP 调 get_issue_details 拉回堆栈,Warp 扫代码库定位问题——对一个数组调用了 toUpperCase——并生成修复。没有 Sentry MCP,AI 拿不到这些需要鉴权的报错细节,上下文更少、修复更弱;有了它,一步拿到准确诊断 + 可用补丁。

5.5 Figma MCP(token 版):设计稿变代码脚手架

与 4.1 的远程版不同,这课走个人访问令牌:Figma 账号设置 → security → 生成 personal access token(给全量只读权限)→ 在 Warp 的 MCP 面板粘贴 Figma JSON 配置 + token。演示用 Warp 重设计的首页设计稿:Figma 里选中分组、右键 copy link to selection;Warp Drive 里存了一条「Figma mockup」prompt——要求按设计重建代码、保留原有分区/间距/字号/配色和通用最佳实践。运行后 MCP 调 get_figma_data、下载设计图,逐个生成 HTML/CSS 文件并在浏览器预览。对照之下还原度惊人:头部、功能卡片、代码生成区都在,缺一些渐变和 footer,但作为起点非常好——对想跳过样板代码直接进迭代的 PM、设计师和开发者是巨大的时间节省。

5.6 GitHub MCP:PR 汇总 + TODO 变 issue

• Token:GitHub → settings → developer settings → personal access tokens;开 repo 全部权限 + read:user。讲者提醒:scope 尽量少给,写权限太大有误提交、误覆盖的风险;
• 工作流①:汇总所有开放 PR——在 Warp 内部仓库里跑一条 prompt,让 agent 总结全部开放 PR 的讨论与未决问题;背后依次调用 list_pull_requests、get_pull_request_comments、get_pull_request_reviews,产出干净摘要,且每个 PR 带可点击链接;
• 工作流②:TODO 注释变 issue——Warp Drive 里的保存 prompt:扫描仓库全部 TODO 注释,对每条调用 create_issue;完成后得到新 issue 清单,每条含原始 TODO 文本和回到代码的链接;
• 讲者估算:这两个工作流各比手动省 20–30 分钟。

官方简介:用自定义规则引导 AI agent、固化最佳实践、保住代码安全。五课都很短(17 秒到 41 秒),每课一个立刻可抄的规则思路:

6.1 用规则串起相关仓库

把「哪些项目彼此关联、都放在哪」写成全局规则。Warp 自己有三个互相关联的仓库:Warp Server(服务端)、Warp Internal(客户端应用)、Warp Proto APIs(两者通信的 API schema)。规则里描述了这三个仓库和「改 schema 时怎么同步更新类型」的做法——之后 agent 一更新 schema,就知道要 cd 进 warp server 更新类型,再到客户端做同样的事。

6.2 用规则固化编码最佳实践

起步建议:让 agent 格式化并检查自己的产出,再写上个人偏好(比如 TypeScript 里用 type 而不是 interface)——帮 agent 第一次就写对、返工前先自查。讲者还用「海明威测试」提升代码注释质量(海明威以简洁著称),让 JSDoc 保持好读。

6.3 用规则写死技术栈偏好

17 秒讲透一件事:不写规则,让 AI「搭个 web 应用」,它会伸手去拿五年前的 React + Express 老套路。把偏好写下来——讲者的版本:网站用 Astro、桌面应用用 SvelteKit——下次搭脚手架它就记得。

6.4 用规则声明环境偏好

例子:Claude 这类 agent 默认用 npm,但讲者管理带 workspace 的大型 web 项目偏好 pnpm——写条规则「优先 pnpm,或沿用项目现有的包管理器」,更新依赖时它就先用 pnpm。同理可声明 Python 环境总是用 Miniconda、桌面应用默认走 Tauri CLI。

6.5 用规则防泄密

告诉 agent:展示代码块或请求命令时永远不要暴露 secrets——结对编程或直播写码时尤其保命。再叠加 Warp 的 secret redaction 功能:在编码 agent 看到输出之前就自动把敏感信息打码。

官方简介:掌握提示的艺术,拿到更快、更准、更有用的 AI 响应。前五课各给一个「比直觉写法更好」的提示模式,最后一课讲怎么把提示沉淀成团队资产:

7.1 调试应用的更好提示:让测试当裁判

给项目写 REST API 的负担很重,泛泛地要「测试套件」只会得到平庸结果。更好的提示要点名要什么:单元测试 + 安全测试——生成后一条命令就能跑,提交或部署前过一遍。更关键的一步:把这条测试命令写进 rules 文件,让 Warp 把这些测试当作「它写的代码值不值得采纳」的事实标准(source of truth)。

7.2 数据库优化:让 AI 产出优先级矩阵

「优化这条数据库查询」可以意味着一百万件事:更安全?更快?更好读?这课的长提示(「会为你省大量时间」)一次到位:遍历整个代码库找出所有用到 SQL 的地方 → 用 SQL 自带的 EXPLAIN 从源头拿性能数据 → 排查常见慢因(N+1、缺索引等)→ 最后输出一张优先级矩阵,把所有发现的优化项按影响、风险、工作量作图。「数据库是整个 Web 栈的心脏,别省这条提示。」

7.3 像高级工程师那样审 PR

大 PR 全是文字墙。直接说「总结这个 PR」的问题在于:你拿不到全貌,还把检查工作全托付给 AI——很危险。更好的提示让 AI 生成索引 + 优先级清单:给你一条高效导航大 PR 的路线,同时标出那些可以放心交给 AI 抓的明显红旗。补充技巧:用弱一点的模型时,利用结构化输出保证返回格式。落点是一句忠告:「AI 很好用,但进入你应用的工作,永远要自己检查。」

7.4 让 UI 真的长得像设计稿

AI 做设计的通病:你脑中有非常具体的画面,越描述细节越走样——设计和人一样需要视觉理解。两步提示法:第一步给 AI 一个「UI 工程师」的身份设定,让它产出一份结构化的 markdown 完整规格;第二步拿着规格再提要求(比如「用 React + Tailwind 实现」),产物就会接近最终形态得多。要点:写明你熟悉的技术栈,完成后检查它的工作——不会完美,但比原来近得多。

7.5 一条提示搞定生产级 Docker 配置

「早该从一开始就放进 Docker」的经典时刻:写 Dockerfile 不难,配它才费时间。这条提示让 Warp 分析整个项目后一次产出:多阶段构建、小镜像体积的 Dockerfile + 忽略大文件的 .dockerignore + 编排开发/生产环境所需容器的 docker-compose。「你的下午保住了,回去干活吧。」

7.6 Saved Prompts:把 Git 工作流做成一键动作(Zach)

CEO Zach 展示他处理 PR 和 git commit 的三条常用 saved prompt——省时间、省打字,而且全团队共用:

官方简介:由构建者本人讲述的 Warp 功能与用例。这一章全是 Warp 员工在自家代码库上的真实工作记录——与内部文档《How Warp uses Warp to build Warp》(编码强制令)互为印证:

8.1 双人实录:用语义搜索跨仓库搞懂一个功能(Kevin & Lucy)

工程师 Kevin(此前做 Windows/Linux 移植)要接手 block sharing 功能的改进,但不熟这块代码;Lucy 恰好做过——正常流程她得给 Kevin 做一对一 onboarding、走一遍全部流程。这次改用 Warp 的 Context(代码库语义搜索)代替:

• 难点:block sharing 横跨两个代码库——Rust 客户端(用户在这里分享 block)+ Go 服务端(向查看者提供页面/组件)。Warp 的代码库上下文特意不局限于单一代码库——在 IDE 里做同类功能,作用域天然只有当前编辑器打开的项目,但很多端到端工作流要跨库改;
• Kevin 从 Warp Drive 里拿出团队共享的「端到端解释一个 Warp 功能」saved prompt,填入 block sharing;agent 严格按指示先搜客户端(找到渲染的文件)再搜服务端(找到 GraphQL 的处理);
• 语义搜索的价值:不用喂具体函数名、变量名——「有些文件和函数我自己根本不知道该搜什么词」;
• 产出的总结让 Lucy 逐段核对:客户端架构(share block 弹窗、标题生成、显示配置)、GraphQL 客户端集成——「完全正确」,所有文件链接都能点过去;
• 技术细节:索引过的代码库里文件一改,Warp 检测到就增量同步——只为改动的文件重新生成 embedding、快速更新,不会出现「agent 引用了过期文件或自己刚改过的文件」;
• Kevin 的结论:「比直接从代码开始好得多,我可以从这里开工了。」onboarding 时间大幅节省。

8.2 图片当上下文:从 Figma 截图到能跑的 UI(Adhwaith,agents 团队)

• 为什么图片:人有五感,文字只是主通道之一;「一图胜千言」对 agent 同样成立——「组件偏了几个像素」这种事用文字描述极其费劲,给图就懂。AI 训练自人类数据,人看图更快,agent 也是;
• 任务:设计师 Peter 画了「MCP 市场」的 mock(更可视化的 MCP server 安装流程,替代现在贴 JSON 的方式);Adhwaith 截图 → 点图标附为上下文 → 语音下要求:先做 UI、数据可以硬编码,并告诉它渲染逻辑在 collection.rs;
• 过程:agent 识别出图中组件(浏览器自动化、日历管理、云平台等分类,以及 Linear/GitHub/Stripe 三个 server 卡片),从代码库里挑好图标,建数据结构,列 todo 逐项执行;中途 Adhwaith 开了 fast-forward 自动接受 diff——他的经验:agent 交互的失败通常发生在开头(改错文件、理解错任务),开头确认对了,后面基本纯执行;
• diff 哲学:AI 模型做小 diff 更靠谱,迭代式应用比一把梭(one-shot)效果好;跨文件的语义操作也支持多个 hunk 一起给;
• 结果:跑起来的 Warp 里出现了预期的 MCP 市场界面,与 mock 一致;下一步是接后端、挂点击事件。「作为一个不爱抠 CSS 细节的人,这个本要一两天的枯燥任务 agent 大约 20 分钟完成」——彩蛋:图片上下文这个功能本身,也是他用 Warp 的 agent 造出来的;
• 工程细节:图片特别烧 token,为了不给用户埋「token 爆炸」的坑,Warp 在客户端智能压缩图片后才发给服务端和各家 LLM。

8.3 通知系统 + 多 agent 并行(Ben,产品工程师)

Ben 负责 Warp 的桌面通知与状态管理——他称之为「秘密武器」:Warp 是桌面应用,agent 完成或被阻塞时能主动通知你,这正是多任务并行的底座。演示里他同时推进多件事:

• 任务 A:语音(Wispr Flow 会自动整理成通顺句子)+ 剪贴板里的 PR 号,让 agent 找到「给 UDI 输入加快捷键」的 PR 并回滚(revert);随后又要求把快捷键改成 ⌘⇧I,并用 @ 上下文自动补全嵌套文件路径;
• 任务 B:查 Google Cloud——「我最近创建的 GCP 项目是哪个?」agent 自己拼 gcloud CLI 命令;追问计费信息时,他提前设的规则生效了:「涉及 G-Cloud 计费信息一律打码」(录视频防泄露),agent 打码了账号但告知计费已启用;
• 任务 C:在另一个仓库给 eval 测试运行器加一个新 eval(创建 Python hello world 并验证输出);agent 放错了文件,他点 refine 指定放进 code.rs——「其他都对」;
• 粘合这一切的机制:阻塞时的 toast 通知(带图标、详情和一键跳转快捷键)、任务总览面板(完成/取消/进行中一目了然)、先人审 diff 后 fast-forward 的节奏、agent 自己选 cargo check 之类的 CLI 来验证自己的工作;收尾让 agent 建分支提交,「像产品经理一样在任务之间跳」;
• 他的并行哲学:适合交给 agent 的,是那种「现在就能让 Slack 里某个同事开心」的小事——几分钟的代码审查代价,换掉原本按小时计的等待。

8.4 MCP 的「动态接入」:会话中途加 server 立刻可用(Andrew)

工程师 Andrew 的真实任务:旧输入格式里有个显示虚拟环境的 chip,新的 universal input 里没有——要补上。工单在 Linear 里,直接说「help me solve this ticket」时 Warp 不知道 ticket 是什么、去哪找(只能干瞪眼去试 GitHub)。于是:

• MCP 面板里 add + 粘贴 JSON,Linear MCP server 启动,带出一列读写工单的工具;
• 再加一条名为「check linear」的规则:告诉 agent「说到 ticket 就去 Linear 查」;
• 动态性是亮点:Warp 的 MCP 实现允许你在会话中途启动 server——下一条消息就能带上它的上下文,不用重开会话;
• 重新说一遍「help me solve this ticket」:agent 从 Linear 拿到工单上下文 → 看代码里其他 chip 怎么实现 → 把功能造出来;cargo run 验证,「一次就跑通了」,全程几乎不需要人的输入。

8.5 设计负责人亲自下场:用 Warp 造 Warp 的输入框(Dave)

Dave 是 Warp 的产品设计负责人。universal input(把原先藏在 agent 模式里的控件全部前置的输入框重设计)是他和设计师 Peter 在 Figma 里反复迭代出来的——「输入框是开发者一天到晚都在用的主界面,注定有争议、人人有意见」。设计内部通过了,但工程团队忙于 agent 响应质量和开发环境,腾不出人力。他的选择:「要不我自己 Warp 一下?」

• 演示的小改动:git diff chip 高了一个像素(设计师看着难受),根因是变更文字的字号大了一个像素;
• 对设计师的价值:Warp 让他能看懂极复杂的代码库——百万行 Rust、有的文件两万行、完全自研的 UI 框架,「网上没有任何文档」;
• 流程:先问「git chip 的代码在哪」(他没参与实现,不熟悉这块代码)——agent 组合语义搜索和传统 find/grep,找到 display_chip.rs 里的主实现、渲染方法和配置显示位置的文件;再下指令「diff 变更文字字号大了 1px,调小 1px」——agent 发现当前是系统字号 -1,理解了目标是 -2,把所有相关实例全改了;
• 另开分屏切到终端模式跑 cargo run 本地构建验证:chip 高度终于对了,「作为设计师我太爽了」。

8.6 从一次返工里长出一条规则(Maggie)

Maggie 是 rules 功能的开发者之一(rules 属于 Warp Drive,为 agent 补充上下文)。她的真实任务:给自己在做的功能加 eval(测试用例)。先用自然语言问「怎么开始搞 agent 模式的 eval」——agent 找到了同事写过的 notebook 和文档,顺利起步。接着要加一个测 Rust 语法错误的 eval,让 agent 更新 Dockerfile 装 Rust——装法不合她的意(GCC 和 Python 都是 apt-get 装的,Rust 却用了别的方式)。她的处理很示范:

• stash 掉这次改动;
• 判断「以后还会加更多语言和包」——这不该是一次性纠正,而应沉淀成规则:「安装包一律用 apt-get,遵循 Python 和 GCC 的既有安装模式」;
• 让 agent 重来一遍——这次装 Rust 的代码正是她想要的。

她的感受:「能用自然语言直接向 agent 模式要上下文,这太不可思议了。」

术语表(增补)

Agentic Development Environment

Warp 对自身的定位:以「让 agent 做事」为主要交互方式的开发环境,同时保留完整终端能力。

warp.md / 项目规则

项目根(或子目录)的规则文件,全文前置进每个 prompt;/init 生成。

agent profile

一组可切换的 agent 行为配置:基础/规划模型 + diff、读文件、建计划、执行命令四类权限。

Warp Drive

存放与共享 saved prompts、rules、notebooks、环境变量等可复用对象的空间,支持团队共享。

saved prompt

存在 Warp Drive 里的可复用提示,可传参、可共享、可查运行记录,⌘P 直达。

MCP

Model Context Protocol,Anthropic 提出的协议,agent 借此以标准方式访问外部工具与数据(Linear、Sentry、Figma、GitHub、Puppeteer、Context7 等)。

代码库索引 / Context

为代码库建 embedding 索引以支持语义搜索;文件变更增量同步,可跨多个代码库。

refine(⌘R)

对 agent 给出的 diff 追加一条提示让它重做,而不是从头再来。

fast-forward

确认 agent 方向正确后,自动接受本会话后续 diff 的开关。

universal input / classic prompt

前者是为 AI 功能设计的新输入框(斜杠命令、语音、图片、上下文、agent 模式),后者是传统极简输入。

REPL

交互式解释环境(psql、Node、Python、GDB 等);Warp 的 ⌘I 能在其中把自然语言翻成该环境的命令。

quantization(量化)

压缩模型显存占用、略损质量的技术;Ollama 默认 4-bit。

eval

可重复运行的 AI 行为测试用例;Warp 内部拿它验证 agent 功能。

secret redaction

Warp 的自动打码:敏感信息在被编码 agent 看到之前就隐藏。

转录勘误说明

本篇 40 课讲解均基于 YouTube 自动字幕(ASR),整理时按上下文回正了少量语音识别错拼,主要包括:Olama→Ollama;Versel→Vercel;warp.mmd→warp.md;Cloud 4 Opus / cloud for sonnet→Claude 4 Opus / Claude 4 Sonnet;GPT5→GPT-5;Quen 3→Qwen3;Pyantic→Pydantic;NFL verse→nflverse;RTX 590→RTX 5090;ripple→REPL;Puppet 2→Puppeteer;OOTH→OAuth;MCB→MCP;GP→grep;Asher→Astro;spelt kit→SvelteKit;Minionda→Miniconda;Tori CLI→Tauri CLI;pmpp→pnpm;TT command→\dt;reax→regex;two uppercase→toUpperCase;raise condition→race condition;Whisper flow→Wispr Flow;Adwight→Adhwaith。个别无法确证的专名(如 4.1 中的品牌名「Misho」、2.5 中的主题名)按原音保留。除此之外未对原意做任何改动。