面条的草稿箱

无原创，纯转发

Search: #人机协作

  1. 面条的草稿箱

    "计划模式"已死：一位开发者从失败产品中学到的教训今年早些时候，Ayman Nadeem 坚信计划（Planning）将成为 AI 编程中最重要的环节，并据此打造了一款桌面编码应用 Nuanced

    "计划模式"已死：一位开发者从失败产品中学到的教训

    今年早些时候，Ayman Nadeem 坚信计划（Planning）将成为 AI 编程中最重要的环节，并据此打造了一款桌面编码应用 Nuanced。其核心理念是：AI 生成代码的速度远超人类理解的速度，开发者需要一个"计划优先"的工作流——先在持久化的规格文档中厘清意图，再交给 Agent 实现。

    然而，这个产品失败了。她总结了四个关键原因：

    1. 混淆了"计划过程"和"计划文档"
    用户需要的是思考的空间，而不是一份冗长的规格说明书。早期用户对生成的 Spec 兴趣寥寥。

    2. 模型能力飞速提升
    随着模型越来越擅长理解代码库并自主做出合理决策，需要人类显式指导的地方越来越少。模型的进步直接削弱了精细计划的必要性。

    3. AI 生成的长文本令人痛苦
    规格文档虽然信息量大，但因为是 AI 生成的——节奏呆板、结构过度——读起来让人眼神涣散。为此又做了"Spec Tour"来引导阅读，结果只是增加了更多复杂性。

    4. 割裂了本应连续的过程
    "聊天→提问→生成规格→审查→批准→实现→审查代码"的线性流程违反了真实的思维方式。现实中，计划和构建是交织进行的，强迫用户"想完再做"反而制造了障碍。

    她观察到，当前 AI 编码工具的趋势正在从线性的 计划→批准→执行 转向迭代的 理解→行动→检查→澄清→调整→再行动。计划并没有消失，只是不再需要以"一份叫计划的文档"的形式存在。

    最终的反思是：帮助人类理解复杂系统这个问题依然没有被解决，尤其当并行 Agent 数量从几个增长到数百个时。Agent 需要学会识别最关键的决策点，把人类的注意力引导到最有价值的地方。

    🔗 https://www.aymannadeem.com/artificial/intelligence,/developer/tools/2026/09/24/plan-mode-is-dead.html

    #AI编程 #开发者工具 #Agent工作流 #人机协作
    Ayman Nadeem
    Plan mode is dead
    Plan mode is dead
    Earlier this year, I believed planning was going to become the most important part of building software with AI.

    AI编程开发者工具Agent工作流人机协作

  2. 面条的草稿箱

    代码不再是瓶颈：Anthropic 发布的「AI 原生软件工程（SDLC）实战手册」随着 Claude Code 等 Agent 编码工具的普及，编写代码的时间被大幅压缩至数小时

    代码不再是瓶颈：Anthropic 发布的「AI 原生软件工程（SDLC）实战手册」

    随着 Claude Code 等 Agent 编码工具的普及，编写代码的时间被大幅压缩至数小时。然而，传统的软件开发生命周期（SDLC）仍按“人类速度”运行——繁复的需求对齐、人工逐行 Code Review 和层层审批，反而成为了团队新的生产力瓶颈。

    Anthropic 官方近期梳理了一套完整的 AI-Native SDLC 转型框架，将传统的线性研发流程重构为以 Markdown 产物驱动的自治闭环：

    ---

    🔄 六大阶段的关键演进

    1. 规划（Plan）｜意图即代码
    • 告别漫长繁琐的 PRD 编写，业务人员通过与 Claude 头脑风暴直接生成 intent.md（意图文件）。
    • 机器可读、人类可审，提交至 Git 即可直接驱动下一阶段。

    2. 设计（Design）｜需求与设计合二为一
    • 结合团队沉淀的规范库（Skills），Claude 基于 intent.md 快速产出 spec.md。
    • 安全、合规与 UX 约束在生成设计时即刻生效，而非等到几周后的评审会议才被发现。

    3. 构建（Build）｜计划驱动与组织记忆
    • Plan Mode：必须先生成并确认 plan.md 才能落代码，杜绝 Agent 盲目编码。
    • 团队记忆库：通过 CLAUDE.md 和 Skills 固化团队规约；借助 Hooks 建立不可逾越的确定性防线。
    • 并行作战：配合 Git Worktree 和专有子 Agent（Subagents），单名工程师可同时调度多个任务。

    4. 测试（Test）｜让 AI 自查自纠
    • 反馈闭环：为 Agent 配备自动化测试与 UI 视觉对比工具，要求“跑通测试才算 Done”，并禁止 AI 擅自修改测试用例以掩盖 Bug。
    • Continuous Evals：在 CI 中引入 Agent 评估套件，像测代码一样回归测试提示词与配置。

    5. 部署（Deploy）｜双向审查与严格卡点
    • AI 参与 PR 自动化多维度评审，并支持直接根据 @claude 评论修复代码；人类工程师重点聚焦于“业务意图”与“系统风险”。
    • 生产门禁：AI 的自主权终止于生产部署关卡，核心发布动作仍由 Hooks 拦截并等待人工最终授权。

    6. 运维（Maintain）｜自主闭环的起点
    • 当监控指标（如 CI 失败率、5xx 错误）出现统计学异常时，自动化脚本唤醒 Claude 进行故障诊断并生成修复 PR 或新的 intent.md。
    • 结合即时通讯工具（Claude Tag），实现告警自动排查、知识沉淀与自主闭环。

    ---

    核心总结：AI 原生 SDLC 的本质，是把研发流程从“人写代码、人走流程”，升级为“AI 负责闭环执行、人类把控关键治理与评判”的全新协作范式。

    🔗 原文链接：https://claude.com/blog/the-ai-native-sdlc-playbook

    #AI开发 #SDLC #ClaudeCode #软件工程 #人工智能
    Claude
    The AI-native SDLC playbook
    The AI-native SDLC playbook
    Anthropic's stage-by-stage playbook for the AI-native SDLC: how teams plan, design, build, test, deploy, and maintain software with Claude.

    AI开发SDLCClaudeCode软件工程人工智能

  3. 面条的草稿箱

    开源模型实现端到端自我提升：Ornith-1.5 正式发布Ornith 正式推出了 Ornith-1.5 模型家族，将此前的“自我脚手架（Self-Scaffolding）”机制拓展为完整的端到端自我进化闭环

    开源模型实现端到端自我提升：Ornith-1.5 正式发布

    Ornith 正式推出了 Ornith-1.5 模型家族，将此前的“自我脚手架（Self-Scaffolding）”机制拓展为完整的端到端自我进化闭环。模型不再单纯依赖人工标注数据，而是能够自主生成新任务、构建评估脚手架，并通过强化学习（GRPO）持续进行自我迭代与能力突破。

    ---

    核心技术亮点：自我驱动的学习闭环

    在每个训练周期中，Ornith-1.5 协同优化三个关键环节：

    1. 自主出题（Task Generation）：根据历史解决记录，生成处于能力边界前沿、有效且具有多样性的新挑战。
    2. 构建脚手架（Scaffold Construction）：自主设计解题策略、工具链和评估环境，并加入防作弊与对齐奖励机制。
    3. 策略优化（GRPO RL）：通过解答方案的反馈，联合优化出题质量、脚手架有效性与模型解题策略，实现能力螺旋上升。

    ---

    三种规格模型与性能表现

    Ornith-1.5 覆盖了大中小三种参数规格，在代码生成、复杂推理与 Agent 任务上均有亮眼表现：

    • Ornith-1.5-397B（旗舰 MoE）：
    在 Terminal-Bench 2.1 取得 86.1 分，DeepSWE 取得 56.0 分，整体性能比肩 Claude Opus 4.8，并全面超越同体量的开源模型（如 DeepSeek-V4-Flash 与 GLM-5.2）。

    • Ornith-1.5-35B（轻量 MoE，单 Token 仅激活 3B）：
    在 Agent 编程和代码基准（如 SWE-Bench Verified）上大幅领先同量级对手，甚至显著超越了多款 30B 级别的稠密模型。

    • Ornith-1.5-9B（端侧 Dense）：
    专为边缘设备优化，提供手机端量化版本（支持 iPhone 与 Android），在紧凑体积下展现出越级打怪的推理与代码能力。

    ---

    🔗 阅读原文：https://ornith.ai/ornith_1_5.html

    #人工智能 #开源大模型 #强化学习 #AI编程
    Ornith
    Ornith-1.5: From Self-Scaffolding to Self-Improvement
    Ornith-1.5: From Self-Scaffolding to Self-Improvement
    Introducing Ornith-1.5, an open-source model family that extends self-scaffolding into an end-to-end self-improvement loop.

    人工智能开源大模型强化学习AI编程

  4. 面条的草稿箱

    Vercel 推出 AI Agent 开发框架 Eve：像写 Next.js 一样构建智能体Vercel 刚刚发布了全新的 AI Agent 开发框架 —— Eve

    Vercel 推出 AI Agent 开发框架 Eve：像写 Next.js 一样构建智能体

    Vercel 刚刚发布了全新的 AI Agent 开发框架 —— Eve。官方将其定位为“智能体领域的 Next.js”，旨在为开发者提供一套开箱即用的 AI 智能体开发、部署与运行基础设施。

    以下是 Eve 的核心特性：

    • 极简的目录即 Agent 结构：使用 Markdown 撰写角色指令和技能（如 instructions.md），使用 TypeScript 编写工具函数（如 tools/），无需繁琐的注册与配置，直接运行即可启动。
    • 天然持久化支持 (Durable by default)：基于 Vercel Workflows，智能体运行中的每一步都会自动保存状态。在等待用户输入或长时间任务时，智能体会自动“挂起”，并在需要时无缝恢复，完全不用担心进程中断。
    • 隔离的沙箱环境 (Sandboxed compute)：为智能体提供独立的虚拟化运行环境，支持安全地运行代码、读写文件或执行 Bash 命令。
    • 多渠道轻松连接：一份代码即可多端部署，轻松接入 Slack、Discord、Teams、Web 网页以及各种自定义 API。
    • 企业级功能支持：内置人机协同（Human-in-the-loop）审批流、子智能体协作（Subagents）、定时任务（Schedules）以及自动化测试评估（Evaluations）。

    Eve 将复杂的 AI 基础设施进行了高度抽象与整合，让开发者可以专注于智能体本身的业务逻辑，告别零散工具的拼凑。

    详情点击官网了解：https://vercel.com/eve

    #Vercel #AIAgent #Eve #前端开发 #人工智能
    Vercel
    eve – The Agent Framework - Vercel
    eve – The Agent Framework - Vercel
    Like Next.js for web apps, but for agents. Markdown for instructions and skills, TypeScript for tools. Durable by default.

    VercelAIAgentEve前端开发人工智能

  5. 面条的草稿箱

    Linear 发布 Agent 交互指南（AIG）：定义人机协作的新契约AI Agent 正在重塑软件的规划、构建、审查和部署方式

    Linear 发布 Agent 交互指南（AIG）：定义人机协作的新契约

    AI Agent 正在重塑软件的规划、构建、审查和部署方式。当 Agent 大量产出工作成果时，人类的角色也随之转变——价值重心转移到编排输入、构建上下文和审查输出上。

    这种转变需要一套全新的人机交互契约。Linear 提出了 Agent Interaction Guidelines（AIG），为设计更自然融入人类工作流的 Agent 交互制定了基础原则。

    六大核心原则

    1. Agent 必须表明身份
    当人类与 Agent 协同工作时，Agent 必须清晰标识自己的身份，绝不能被误认为是真人。

    2. Agent 应原生融入平台
    Agent 应通过平台已有的 UI 模式和标准操作来工作，而非另起炉灶。

    3. Agent 应即时反馈
    沉默会带来不确定性。Agent 被调用后应立即提供反馈（如"思考中"指示器），让用户知道请求已被接收。

    4. Agent 应透明展示内部状态
    无论是思考、等待输入、执行还是完成，Agent 都应清晰展示当前状态。用户可以随时检视其推理过程、工具调用和决策逻辑。

    5. Agent 应尊重退出指令
    当被要求停止时，Agent 必须立即退出，且只有收到明确信号后才能重新介入。

    6. Agent 不能承担最终责任
    Agent 可以执行任务，但最终责任始终归属于人类。需要建立清晰的人机委托模型。

    ---

    AIG 是一份持续演进的开放文档，Linear 邀请社区共同参与完善。

    🔗 https://linear.app/developers/aig

    #AI_Agent #人机交互 #Linear #设计原则 #AIG

    AI_Agent人机交互Linear设计原则AIG

1px