Search: #AI编程

面条的草稿箱

1. 5 天前

   聪明人的分工：让昂贵模型做规划，便宜模型去执行
   
   知名开源开发者 shadcn 刚刚开源了一个全新项目——improve。
   
   这是一个非常巧妙的 Agent Skill，它的核心理念是：用你最聪明（也最昂贵）的 AI 模型来做高杠杆的脑力劳动（审计代码、写技术方案），然后把脏活累活（编写代码、跑测试）交给更便宜的 AI 模型去执行。
   
   这个工具本身绝对不会直接修改你的一行代码，它的产出就是一份清晰、可执行的 Markdown 格式实施方案。
   
   💡 它是如何工作的？
   
   1. 项目审计 (/improve)：高阶模型会深度扫描并分析你的代码库，指出潜在的 Bug、性能瓶颈、安全隐患或技术债，并产出一份按“投入产出比”排序的发现清单。
   2. 制定方案 (plans/)：当你挑选出需要解决的问题后，高阶模型会针对每个问题输出一份极其详尽的方案（Plan）。这些方案是“自包含”的，带有明确的验证命令、执行边界和异常中止条件（STOP conditions）。
   3. 分发执行 (/improve execute <plan>)：你可以把这些高可读性的方案直接扔给任何便宜的轻量级 AI Agent。轻量级模型只需像个机械的执行者一样，按照步骤修改代码、运行测试，最后向你提交 Pull Request。
   
   🚀 核心指令一览
   
   • /improve：全局审计并输出优化点。
   • /improve quick：快速扫描重点。
   • /improve deep：对每个包、每个分类进行详尽审计。
   • /improve plan <description>：跳过审计，直接为指定任务编写执行方案。
   • /improve execute <plan>：派发给便宜的执行器模型并审核其成果。
   
   安装方式
   
   项目支持 Agent Skills 规范：
   
   

   npx skills add shadcn/improve
   

   
   
   https://github.com/shadcn/improve
   
   #AI开发 #智能代理 #软件工程 #GitHub开源 #shadcn

   Agent Skills

   

   Agent Skills Overview - Agent Skills

   A standardized way to give AI agents new capabilities and expertise.

2. 17:04 · 2026年5月29日 · 周五

   慢即是快：如何利用 AI 写出更高质量的代码
   
   很多人认为，AI 编程的意义在于“快”——以最快的速度堆砌出勉强能运行的代码，然后匆忙合并发布。但这种“快”往往伴随着低质量和技术债。
   
   实际上，大语言模型（LLM）非常灵活，我们完全可以反其道而行之：利用 AI，用更慢的速度写出质量更高的代码。
   
   以下是这种“慢速 AI 编程”的核心思路：
   
   • 让 AI 成为挑剔的 Review 助手：LLM 极其擅长寻找 Bug。你可以通过设置特定的“技能（Skills）”，让多个不同的模型（如 Claude 和 GPT）同时对你的 PR 进行审查并给 Bug 分级，通过交叉验证有效降低误报率。
   • 主导修复与取舍：根据 AI 反馈的 Bug 列表，优先引导 AI 修复高危和中度漏洞。如果发现架构设计有根本性问题，甚至可以果断放弃现有的 PR 重新构思。
   • 把“修 Bug”当成探索之旅：这种工作流虽然不会提升你的“开发速度”，但常常会帮你揪出代码库中早已存在的历史遗留 Bug。在解决这些问题的过程中，你会编写更多单测，深入理解系统的边缘情况。
   
   这并不是那种吹嘘“10倍效率”的浮躁开发方式，而是一种更健康的编程状态：借力 AI，更严谨、更方法论地对待每一行代码，让代码库保持健康。
   
   下次使用 AI 时，不妨慢下来，试着问问它：“我的这段代码可能会在哪里崩溃？”
   
   https://nolanlawson.com/2026/05/25/using-ai-to-write-better-code-more-slowly/
   
   #AI编程 #代码质量 #软件工程 #程序员

   Read the Tea Leaves

   Using AI to write better code more slowly

   A lot of people seem convinced that the point of AI coding is to write low-quality code as fast as possible. Spew out barely-passable slop, open massive PRs, and merge them unvetted. Ship it! But t…

3. 18:03 · 2026年5月11日 · 周一

   Flue：构建下一代 AI Agent 的 TypeScript 架构框架
   
   Flue 提出了一个核心公式：Agent = Model + Harness。它不仅仅是一个简单的 SDK，而是一个专为构建自主 Agent 设计的“可编程治理框架”（Harness），旨在让开发者能够轻松打造像 Claude Code 或 Codex 这样具备规划、环境感知和执行能力的强力工具。
   
   核心特性：
   
   • 高度可编程： 使用 TypeScript 编写 Agent 逻辑，支持定义复杂的技能（Skills）、工作流和多 Session 管理。
   • 自带沙箱环境： 提供内置的虚拟沙箱或连接远程沙箱（如 Daytona），让 Agent 安全地执行 Bash 命令、读写文件或运行代码。
   • 安全与隐私： 采用精细的权限控制，确保敏感的 API Token 不会被模型或沙箱环境直接接触。
   • 跨平台部署： 编写一次逻辑，即可部署为 HTTP 服务，或在 CLI、GitHub Actions、Cloudflare Workers 等多种环境运行。
   
   与其使用通用的成品 AI 工具，Flue 鼓励开发者根据特定的产品需求、数据和工作流，构建完全属于自己的定制化 Agent。
   
   https://flueframework.com/
   
   #AI #Agent #TypeScript #开发工具 #开源项目

   Flue

   

   Flue — The Agent Harness Framework

   Agent = Model + Harness. Build autonomous agents and powerful AI workflows with Flue's programmable TypeScript harness. Write once, deploy anywhere.

4. 16:44 · 2026年4月11日 · 周六

   Paseo：随时随地指挥你的 AI 编程助手
   
   想要在离开工位时也能继续推进代码进度？Paseo 是一款开源、自托管的 AI 编程 Agent 调度平台，让你能够从手机、桌面或终端轻松管理和运行 AI 助手。
   
   主要功能亮点：
   
   • 全平台覆盖：支持 iOS、Android、桌面端及 Web，甚至可以直接通过 CLI 脚本化运行，实现多端无缝衔接。
   • 集成主流 Agent：完美支持 Claude Code、Codex 和 OpenCode 等主流 AI 编程助手，保留原有的技能和配置。
   • 隐私与安全：代码始终保留在你的本地机器上，支持端到端加密中继，确保远程连接时的代码安全。
   • 本地语音交互：内置完全本地化的语音识别与合成技术，无需将语音数据上传云端即可实现指令下达。
   • 开发者友好：支持键盘快捷键优先操作、Git 工作流隔离（Worktrees）以及全方位的命令行支持。
   
   Paseo 是一款纯粹的开源工具，不直接调用推理 API，而是作为官方 CLI 的透明调度层，既自由又强大。
   
   https://paseo.sh/
   
   #AI编程 #开源项目 #Paseo #开发者工具 #人工智能

   Paseo

   

   Paseo – Run Claude Code, Codex, Copilot, OpenCode from anywhere

   Self-hosted daemon for Claude Code, Codex, Copilot, OpenCode, and Pi. Agents run on your machine with your full dev environment. Connect from phone, desktop, or web.

5. 16:45 · 2026年4月10日 · 周五

   让 AI 像顶级设计师一样编程：GetDesign.md 设计规范库
   
   如果你正在使用 AI 助手（如 Cursor、Claude 或 Bolt）进行前端开发，那么这个网站值得加入收藏夹。GetDesign.md 汇集了包括 Apple、Stripe、Linear、Notion 以及 SpaceX 在内的 60 多种知名品牌的设计系统灵感。
   
   它的核心价值在于“AI 友好”：你可以直接将这些精炼的 DESIGN.md 文件丢给 AI 编程助手，AI 就能迅速理解其设计语言、配色方案和排版逻辑，从而帮你构建出风格统一、质感高级的 UI 界面。
   
   无论你是想要打造极简的工具软件，还是具有视觉冲击力的官网，这里都是一个绝佳的 UI 风格武器库。
   
   https://getdesign.md/
   
   #设计系统 #AI工具 #前端开发 #UI设计 #生产力工具

   getdesign.md

   

   getdesign.md — DESIGN.md collection for AI coding agents

   Browse independent design system analyses from popular websites. Drop one into your project as design reference for your coding agent.

6. 08:53 · 2026年4月6日 · 周一

   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

   linear.app

   

   Agent Interaction Guidelines (AIG) – Linear Developers

   Foundational principles and practices for designing agent interactions that integrate more naturally into human workflows.

7. 08:13 · 2026年3月13日 · 周五

   AI 时代怎么招工程师：Augment 的「AI-native」人才标准
   
   当 AI agent 能写出大部分代码后，工程师的价值开始上移：不再以“写得快、写得多”为核心，而是以判断力、系统设计与协同能力决定产出质量。
   
   Augment 重新梳理了面向 AI-native（与 AI 共同工作）团队的招聘标准，核心变化可以概括为一句话：人从“作者”变成“架构师与编辑”——定义意图、做取舍、设护栏、把好质量关。
   
   工程师工作重心的迁移
   
   • 传统工程：写代码、实现方案、解决问题、看个人产出
   • AI-native 工程：明确意图与权衡、编排 agent、选择正确问题、看系统级结果
   
   他们认为最重要的 6 个能力维度
   
   1. 产品与结果品味（Product & Outcome Taste）：能否在代码变“更便宜”时，避免做出“最贵的错误”——把方向做错。
   2. 系统与架构判断（System & Architectural Judgment）：代码能跑不难，难的是“能在生产环境长期稳定地跑”。
   3. Agent 杠杆（Agent Leverage）：能否把 AI 变成真实吞吐量：拆解任务、引导偏航、验证结果（agent 很快，但也可能自信地出错）。
   4. 沟通与协作（Communication & Collaboration）：实现更快后，“达成清晰”更关键；要能把意图讲清楚、促成共识。
   5. 主人翁意识与领导力（Ownership & Leadership）：对结果负责而非只做任务；主动清除阻碍交付的障碍。
   6. 学习速度与实验心态（Learning Velocity & Experimental Mindset）：工具三个月就变一轮，持续实验与快速迭代成为工作常态。
   
   一个显著的信号是：“纯粹的编码能力”不再是最主要的区分项——依然重要，但不再决定上限。
   
   从理念到招聘：看“可观察信号”
   
   他们强调，框架必须能落到面试里，转成可评估的行为证据，例如：
   
   • 能否快速澄清模糊问题、定义清晰目标？
   • 能否提前识别架构风险，而不是上线后救火？
   • 能否有效指挥并验证 AI 生成的工作？
   
   未来重点招的 4 类画像
   
   • AI-native 系统工程师：基础设施与架构判断强，保证“地基”稳。
   • AI-native 产品工程师：产品品味与用户理解强，确保“做对事”。
   • AI-native 应用 AI 工程师：懂模型与应用构建，提升 agent 能力与工作流。
   • AI-native 早期工程师（Early Professional）：学习速度优先，快速适应工具与流程变化。
   
   这套标准也不只用于招聘，还会反向影响绩效、成长与职业发展：如果真正重视判断力、杠杆与学习速度，就应该在各个环节都体现出来。
   
   原文链接：https://www.augmentcode.com/blog/how-we-hire-ai-native-engineers-now
   
   #AI招聘 #工程师能力 #AI代理 #架构设计 #学习型组织

   Augmentcode

   

   How we hire AI-native engineers now: our criteria

   The most powerful AI software development platform with the industry-leading context engine.

8. 08:19 · 2026年2月12日 · 周四

   GitHub Agentic Workflows：用自然语言写 GitHub Actions 的“智能工作流”
   
   GitHub 开源项目 gh-aw（GitHub Agentic Workflows），主打一个思路：用自然语言 Markdown 编写“代理式（agentic）工作流”，然后直接在 GitHub Actions 里运行，让 AI 代你完成仓库中的重复性任务。
   
   它提供的核心价值包括：
   
   • 更低门槛的工作流编写方式：用 Markdown 描述要做什么，而不是从零写复杂的 YAML/脚本
   • 更强调安全的执行模型（Guardrails）：默认只读权限；写入操作需要通过经过清洗的 safe-outputs；并配套多层防护（输入净化、工具白名单、编译期校验、网络隔离、供应链安全等）
   • 完善的文档与上手路径：官方提供 Quick Start 与完整文档，方便快速跑通示例并理解整体机制
   • 生态配套：
   • AWF（Agent Workflow Firewall）：限制与记录代理的网络访问（出站控制）
   • MCP Gateway：统一转发 MCP（Model Context Protocol）服务调用，便于集中管理访问
   
   适合关注 AI + DevOps、希望把“AI 介入仓库日常操作”做得更可控、更工程化的团队参考与尝试（同时也要保持必要的人类监督）。
   
   原链接：https://github.com/github/gh-aw
   
   #GitHubActions #AI自动化 #工作流 #安全工程 #开源项目

   GitHub

   

   GitHub - github/gh-aw: GitHub Agentic Workflows

   GitHub Agentic Workflows. Contribute to github/gh-aw development by creating an account on GitHub.

9. 11:03 · 2026年2月11日 · 周三

   Entire：把 AI 编程对话“写进”每一次 Git 提交
   
   用 AI 写代码时，最容易丢的不是代码，而是“为什么这么写”的上下文。Entire 提供一个思路：在你正常的 git 工作流里，把每次 AI agent 会话自动记录下来，并与对应的 commit 绑定，形成可搜索的历史记录。
   
   它能做什么？
   
   • 自动捕获会话：在每次 push 时记录 AI agent 的会话内容，并和提交一起关联。
   • 不改变你的工作方式：通过 CLI 接入现有工具链，尽量减少上下文切换。
   • 支持多种 agent：目前支持 Claude Code、Google Gemini；OpenAI Codex 等集成在路上。
   • 把“意图”留在仓库里：官方强调记录会直接存进 git 历史，不依赖额外托管服务或外部数据库。
   
   安装方式（官网给出的命令）
   
   • curl -fsSL https://entire.io/install.sh | bash
   
   适合希望团队更容易复盘决策、追踪 AI 产出过程、减少重复踩坑的工程项目。
   
   原链接：http://entire.io/
   
   #Git #AI编程 #开发工具 #工程效率 #CLI

   Entire

   

   Entire · A new developer platform is coming

   We are going beyond repositories, building a developer platform where agents and humans can collaborate, interact, and grow. The birth of a new galaxy in this universe draws near.

10. 22:31 · 2026年2月10日 · 周二

    Stripe「Minions」：一键生成、端到端交付的无人值守编码代理
    
    Stripe 在内部打造了一套名为 Minions 的编码代理：从接到任务到产出可评审的 PR，全程几乎无需人类介入。现在，Stripe 每周有超过 1000 个合并的 PR 是由 Minions 从头到尾生成的（人类负责 Review，但不写代码）。
    
    为什么要自研？
    
    在 Stripe 这种超大规模、强约束的工程环境里，“从零写个原型”和“在成熟巨型代码库里安全改动”完全不是一回事：
    
    • 代码库规模巨大（数亿行），栈也相对小众：大量后端是 Ruby + Sorbet，还有大量 Stripe 自研库，LLM 天然不熟
    • 业务风险极高：Stripe 的代码承载着 每年超过 1 万亿美元 的支付规模，并受金融合规与监管约束
    • 既要让代理“会写”，也要让它“按规矩写、能跑通、能过 CI”，并与既有研发流程深度结合
    
    工程师怎么用？
    
    最常见的入口是 Slack：
    
    • 在讨论线程里 @Slack App 就能发起 Minion，它会读取整个线程与相关链接作为上下文
    • 也集成到内部系统里：文档平台、Feature Flag、工单系统等
    例如 CI 发现 flaky tests，会生成工单，直接提供按钮让 Minion 去修
    
    完成后，Minion 会：
    
    • 创建分支 → 推送 → 跑 CI → 按模板生成 PR
    
    如果效果不理想，人类可以补充指令让它再改；即使不完美，也常常是很好的“可用起点”。
    
    Minions 背后怎么运作（要点版）
    
    Stripe 的思路是：把“创意生成”交给 LLM，把“必须可靠执行的步骤”交给确定性工具链。
    
    • 运行环境：在隔离的 devbox 中执行（10 秒内可启动，预热并预载代码与服务），与生产与公网隔离，便于并行
    • Agent 框架：基于 Block 的开源编码代理 goose 的 fork，并做了强定制
    • 规则与上下文：读取各类 agent rule 文件，但多为“按目录条件生效”，避免全局死规则拖累
    • 工具调用：接入 MCP（函数调用通用协议），并建设内部 MCP 服务 Toolshed，提供 400+ 工具（文档、工单、构建状态、Sourcegraph 搜索等）
    • 反馈与质量闸门：
    • 首先跑本地启发式 lint/检查（通常 <5 秒）
    • 再跑选择性的 CI（Stripe 有 300 万+ 测试），部分失败可自动修复
    • 为控制成本与等待时间：最多两轮 CI，强调“能本地提前发现就不要拖到 CI”
    
    接下来
    
    这篇是系列 Part 1，主要讲“怎么用、能做什么”；Part 2 会深入实现细节。整体信号很明确：当“开发者注意力”成为稀缺资源时，无人值守、可并行的编码代理正在改变工程协作方式。
    
    原文链接：https://stripe.dev/blog/minions-stripes-one-shot-end-to-end-coding-agents
    
    #AI工程化 #编码代理 #开发者效率 #CI实践 #Stripe

    stripe.dev

    

    Minions: Stripe’s one-shot, end-to-end coding agents

    Minions are Stripe’s homegrown coding agents, responsible for more than a thousand pull requests merged each week. Though humans review the code, minions write it from start to finish. Learn how they work, and how we built them.

11. 10:19 · 2026年2月1日 · 周日

    VM0：用自然语言搭建 AI Agent，并在云端 24/7 运行
    
    VM0 主打的是「面向 AI Agent 的基础设施」，让你用自然语言定义工作流、在云端沙盒环境里持续运行，并且能完整观测每次执行过程。
    
    它能做什么
    
    • 一键运行 Agent：支持按需执行或定时调度，适合做日报、监控、内容汇总等自动化任务。
    • 自然语言构建工作流：在 Claude Code 里描述目标，协作编辑 AGENTS.md，快速拼出可执行的 Agent 指令与流程。
    • 云端隔离沙盒：本地开发、云端运行，环境隔离，适合让 Agent 长时间稳定跑任务。
    • 全链路可观测：实时日志、产物输出、执行回放（checkpoint），便于排查与迭代。
    
    示例场景（官网展示）
    
    • HackerNews 摘要 Agent：自动读 Top 文章，筛选 AI 相关内容并生成可发布的总结。
    • TikTok 达人筛选 Agent：搜索与筛选创作者，输出分析报告。
    • 日报 Agent：聚合多源数据与 API，总结后写入 Notion。
    • 博客生成 Agent：结合多个 API 自动产出内容。
    
    快速开始（官网命令）
    
    npm install -g @vm0/cli && vm0 onboard
    
    原链接：https://www.vm0.ai/
    
    #AI代理 #自动化工作流 #云端沙盒 #可观测性 #开发者工具

    www.vm0.ai

    

    VM0 - Your Trustworthy AI Teammate

    Zero connects to 100+ tools and does the work. Reports, triage, outreach, research. In Slack or on the web.

12. 11:11 · 2026年1月31日 · 周六

    Agent Trace：为 AI 写的代码建立“可追溯”标准
    
    Agent Trace 是一个开放规范，用来记录代码中哪些部分来自 AI、哪些来自人类，并把相关的模型信息、对话链接等“出处”一并纳入版本控制工作流中。它强调厂商中立，让不同工具都能读写同一套归因数据。
    
    核心想解决什么
    
    • 随着 Agent/代码助手产出越来越多代码，团队需要更清楚地知道：哪些改动是 AI 生成、用的是什么模型、对应哪次对话/会话。
    • 这不是法律意义的“所有权”或“版权”判定，而是工程层面的来源记录与可审计性。
    
    主要目标
    
    • 互操作性：任何兼容工具都能写入/读取归因记录
    • 细粒度：支持到**文件级、行号范围（line range）**的归因
    • 可扩展：允许各家在不破坏兼容的情况下增加自定义元数据
    • 人和 Agent 都能读懂：尽量不依赖特定 UI 才能理解
    
    不做什么（边界很明确）
    
    • 不处理代码法律归属、版权问题
    • 不追踪训练数据来源
    • 不做质量评估（不判断 AI 代码“好或坏”）
    • 不绑定任何界面或产品形态
    
    规范长什么样（概念速览）
    
    Agent Trace 的基本单位是 Trace Record（JSON 记录），典型字段包括：
    
    • version / id / timestamp：规范版本、记录 ID、时间戳
    • vcs：版本控制信息（如 git commit SHA；也支持 jj/hg/svn）
    • tool：生成该记录的工具及版本
    • files：文件列表；每个文件下按 conversation 分组
    • conversations.url：指向产生这段代码的对话链接
    • ranges：该对话贡献的行号范围（可选 content_hash 用于跨移动追踪）
    • metadata：自定义扩展字段（建议用反向域名避免冲突，如 dev.cursor）
    
    实现与落地
    
    • 规范本身不规定 traces 存哪：可以是本地文件、git notes、数据库等。
    • 提供了一个参考实现（含存储层、hook 集成），示范如何在文件变更时自动捕获归因信息。
    
    链接：https://agent-trace.dev/
    #AI编程 #代码归因 #工程规范 #可追溯性 #开发工具

    agent-trace.dev

    

    Agent Trace

    A standard format for tracking AI-generated code.

13. 08:51 · 2026年1月22日 · 周四

    Amp 宣布下线 Amp Tab：Tab 补全时代正在退场
    
    Amp 团队宣布将移除 Amp Tab（内联 Tab 补全功能），理由很直接：这不再符合他们看到的未来。
    
    他们的判断基于一个变化——AI 写代码的占比正在迅速上升：
    
    • 一年前，代码大多还是人手写
    • 2025 年 6 月发布 Amp Tab 时，Amp 已经在写大部分代码
    • 现在，Amp 负责了他们 90% 的交付代码
    
    Amp 认为，Tab 补全与传统补全引擎来自“人写为主、AI 辅助”的时代；但这个时代正在结束。越来越多用户的工作方式变成：几天不打开编辑器，也能持续交付代码。瓶颈不再是“写得快不快”，而是“把代码产出、落地得快不快”。
    
    因此，Amp 将把资源投入到“后补全时代”的方向：默认由智能体（agents）完成大部分编码工作，而不是在输入时做局部补全。
    
    时间安排：
    
    • Amp Tab 将继续可用至 2026 年 1 月底
    • 之后如果仍需要内联补全，可考虑：Cursor / GitHub Copilot / Zed
    
    原文链接：https://ampcode.com/news/tab-tab-dead
    
    #AI编程 #代码补全 #开发者工具 #智能体 #Amp

    Ampcode

    

    Tab, Tab, Dead

    We're removing Amp Tab. It is not part of the future we see.

14. 10:00 · 2026年1月18日 · 周日

    以“推理速度”交付：AI 编程把瓶颈从写代码变成了等模型
    
    这篇文章的核心观点很直接：AI 编程代理的能力跃迁后，作者交付软件的速度越来越不取决于“敲代码”，而更受限于两件事——模型推理时间（inference time）和少数真正需要深度思考的设计决策。
    
    作者回顾了今年的变化：从最初“有些提示能一次跑通就很惊喜”，到现在“默认就该一次跑通”。在这种前提下，他甚至不再逐行读代码，而是看执行/修改流，关注系统结构是否合理、关键组件在哪里、整体是否按预期运转。
    
    文章也给了不少可复用的工作方法：
    
    • 先从 CLI 做起：任何产品先做命令行版本，方便代理直接运行验证，形成闭环；核心逻辑稳了再上 UI（比如扩展、App）。
    • 关键决策是生态与依赖：语言/框架/依赖选对了，代理更容易一次完成；作者常用 TypeScript（Web）、Go（CLI）、Swift（macOS/iOS）。
    • 更偏向“对话式协作”，而不是复杂流程：先和模型聊清楚、让它探索代码、共创方案，满意后再让它开干；他认为“Plan mode”更像旧时代不得已的手段。
    • 对比 codex 与 Opus：codex 常会先长时间读代码再动手，虽然更慢但更稳，尤其适合大型功能和重构；Opus 更“急”，适合小改动但更容易漏上下文。
    • 迭代式构建，不依赖回滚：不喜欢 checkpoint/频繁 revert，更多是让模型继续改、继续朝更好的方向“绕山而上”。
    • 自动化与多项目并行：同时推进多个项目，用队列把想法排进去；瓶颈往往是人而不是编排系统。
    • 配置思路：提高工具输出 token 上限、合理设置自动压缩阈值，让模型能一次读更多文件；作者强调新压缩机制更可靠，甚至像一次“复查”。
    
    如果用一句话总结：当“写代码”越来越像可并行外包给代理的体力活，工程师的价值更集中在选型、架构、数据流、约束定义与验收标准上；而真正影响交付速度的，往往是推理等待时间和你是否想清楚要做什么。
    
    原链接：https://steipete.me/posts/2025/shipping-at-inference-speed
    #AI编程 #Codex #开发工作流 #效率工具 #软件工程

    steipete.me

    

    Shipping at Inference-Speed | Peter Steinberger

    Why I stopped reading code and started watching it stream by.

15. 17:21 · 2026年1月12日 · 周一

    Claude Opus 4.5：让“能做”突然变得很容易
    
    作者分享了一个明显的转折：三个月前他还不相信“AI 代理能替代开发者”，但在体验 Claude Opus 4.5 后，他开始认为这件事正在发生——至少在相当一部分软件开发场景里。
    
    他用几个真实项目说明差异不在“会写代码”，而在于一次成功率、能自我迭代、能把复杂系统拼起来：
    
    • Windows 右键图片格式转换工具：从文件资源管理器菜单到打包、安装/卸载脚本、发布网站、GitHub Actions 自动发布，整体接近“一次成型”。遇到报错会自己用 dotnet 构建、读错误、再修复。
    • 录屏与简单剪辑工具：从类似 LICEcap 的录制开始，持续加到视频/图片编辑、裁剪、模糊、标注等功能，作者感叹“几小时就推进到很远”。
    • AI 发帖工具（给小生意用）：iOS 端批量上传照片→AI 生成文案→定时发到 Facebook。后端涉及认证、存储、云函数、日志排错等一堆“胶水活”，但模型能通过 CLI 自己创建资源、查日志并修问题，还顺手做了管理后台。
    • 订单与路线追踪：解析 Gmail 订单、规划路线、统计行驶时间（用于税务），作者强调：这种“手写很痛苦”的 Google/Firebase 集成，Opus 4.5 反而很顺。
    
    文章也没有回避争议点：
    作者承认自己并不完全理解这些应用“内部怎么搭起来的”（比如 Swift 不熟），但他的焦虑在减轻——因为当问题出现时，模型往往能定位并修复自己的 bug。于是他提出一个更激进的想法：代码也许不必主要面向人类可读，而是面向 LLM 可推理、可重写、可调试。
    
    他甚至分享了一份自用的“AI-first 编码”提示词要点（概念层面）：
    
    • 追求可预测、可调试、低耦合、入口清晰、控制流线性
    • 少炫技抽象，减少层级与间接性
    • 该删就删；重构也要分高/中/低优先级
    • 安全需要更谨慎：API key、登录流程、敏感数据存储等不能盲信
    
    结尾的态度是复杂的：既兴奋于“几小时能做出过去要几周/月的东西”，也沮丧于技能壁垒被压平。但他给出的建议很朴素：别等“都懂了”再开始，继续做东西，只是更快了；同时一定盯紧安全与密钥。
    
    原文链接：https://burkeholland.github.io/posts/opus-4-5-change-everything/
    
    #AI编程 #开发者工具 #Claude #软件工程 #生产力

    Burke Holland

    

    Opus 4.5 is going to change everything

    Three months ago I would have dismissed claims that AI could replace developers. Today, after using Claude Opus 4.5, I believe AI coding agents can absolutely replace developers.

16. 16:37 · 2026年1月12日 · 周一

    Agent-native 应用：把“功能”变成“结果”
    
    这篇文章提出一种新范式：与其把产品能力写成一堆固定功能，不如构建一个能反复调用工具、直到达成目标的“软件代理（agent）”。核心在于：让代理拥有与用户同等的操作能力（UI 能做的，代理也能通过工具做到），并把工具设计成足够原子化的“积木”。这样，新功能往往不再是写代码，而是写一段描述结果的提示词；同时，用户提出的意外需求会推动系统“涌现”出新用法，并反过来指导你补齐工具与能力缺口。
    
    五个核心原则
    
    • 对等（Parity）：任何 UI 动作，代理都应能通过工具实现同样的结果；否则代理会卡死。
    • 粒度（Granularity）：工具是原子能力；“功能”是代理在循环中用工具达成的结果。改行为优先改提示词，而不是重构代码。
    • 可组合（Composability）：有了原子工具 + 对等能力，就能通过新提示词快速拼出新“功能”（开发者/用户都能做）。
    • 涌现能力（Emergent capability）：用户会提你没设计过的需求；代理若能组合工具完成，就是新机会；若失败，则暴露工具缺口。
    • 持续变好（Improvement over time）：通过沉淀上下文（context 文件）与迭代提示词，应用可在不发版的情况下持续变强。
    
    落地方法（把原则变成工程实践）
    
    • 先做“能力地图”：列出用户能做的事，逐项确认代理具备创建/读取/更新/删除（CRUD）能力，避免“能新建不能修改/删除”的断腿体验。
    • 先原语、后领域工具：先用文件、bash、读写等基础工具跑通；再为高频模式加领域工具，用于效率、校验、术语锚定，但不要把“判断”写进工具里。
    • 文件作为通用接口：文件天然可读、可审计、可迁移，代理也最擅长操作；内容放文件、结构化高频数据放数据库（或混合：文件作可读真相，DB 做索引与性能）。
    • 明确完成信号：不要靠“看起来差不多了”判断结束；让工具/编排层返回明确的 complete 信号，避免无限循环或半成品。
    • 透明的代理行为：工具调用、进度、状态变化要让 UI 可见；“沉默的代理”会让用户觉得坏了。
    • 把“授权”做成产品能力：根据风险与可逆性决定自动执行还是强确认；尤其是发送邮件、发布内容等高风险动作。
    
    对移动端的启示
    
    • 移动应用容易被后台杀死，代理任务却可能很长：需要checkpoint/恢复机制，尽可能在每次工具结果后存档。
    • iCloud 之类的文件同步能让多设备共享“同一工作区”，但要处理冲突与未下载文件等边界。
    
    原链接：https://every.to/guides/agent-native
    
    #AgentNative #软件代理 #AI产品 #工具调用 #产品架构

    every.to

    

    Agent-native Architectures

    A technical guide for building applications where agents are first-class citizens

17. 08:50 · 2025年12月29日 · 周一

    用好编码代理：Claude Code 2.0 的关键功能与“上下文工程”心法
    
    这篇长文把 Claude Code 2.0 当成一个“能动手的工作台”来拆解：不仅讲新功能，更强调如何用更好的流程与上下文管理，让代理稳定产出。
    
    1) 先换个视角：你不是“追上更新”，而是“借力变强”
    
    作者给了一个更实用的框架：
    
    • 跟进工具：定期用、定期看更新（不必天天追）。
    • 深耕领域：懂业务/系统设计/工程习惯，才能把“未知”变成“可提问、可验证”。
    • 多玩多试：用不同模型做同一件事，快速建立直觉与边界。
    
    2) Claude Code 2.0 值得关注的体验升级
    
    一些偏“日常效率”的改动，叠加起来很实用：
    
    • 语法高亮 + 更舒服的评审体验（作者因此更愿意在 CLI 里完成 review）
    • /context 看上下文占用（建议复杂任务到 60% 左右就交接或压缩）
    • Checkpointing（Esc+Esc / /rewind）：能回到某个检查点，回滚代码与对话
    • Prompt suggestions / 历史搜索（Ctrl + R）：减少重复输入
    • 更快的模糊文件搜索、队列导航、LSP 插件 等
    
    3) Sub-agents（子代理）怎么用才不浪费
    
    作者重点讲了“子代理不是魔法，是上下文与工具调用策略”：
    
    • Explore：偏“只读搜索专家”，适合快速扫代码库、定位文件与线索。
    • general-purpose / plan：更像“全能协作者”，通常会继承更多上下文。
    • 关键提醒：不要只依赖 Explore 的摘要。摘要是“有损压缩”，重要文件最好让主代理再读一遍，让信息彼此“交叉注意力”，推理更稳。
    
    4) 核心概念：Context Engineering（上下文工程）
    
    代理之所以“烧 tokens”，不是它话多，而是：
    
    • 工具调用本身 + 工具返回结果都会进入上下文；
    • 上下文越长，检索与注意力越容易退化（作者称为 context rot / degradation）。
    
    因此，上下文工程的目标是：
    
    • 把最相关的信息放进来
    • 控制“噪音”和重复指令
    • 用清晰结构（计划、scratchpad、handoff）对抗跑偏
    
    5) Hooks / Skills / MCP：把“提示词”产品化
    
    作者把这三者放在一起看：
    
    • Hooks：在对话生命周期某个节点自动触发脚本（比如 Stop 后自动提醒/继续下一步）。
    • Skills：把领域指令与脚本做成“按需加载”的技能包，避免常驻系统提示导致上下文膨胀。
    • MCP：连接外部工具/服务，但要注意“工具定义与中间结果”同样会吃上下文与成本；文中也提到用代码执行环境来降低这种膨胀的思路。
    
    6) 一个很实战的工作流建议
    
    作者的默认搭配大意是：
    
    • Claude（Opus 4.5）偏执行与沟通：更像结对编程伙伴、反馈快。
    • Codex 偏 review/找 bug：更克制、误报少，适合做“第二视角审查”。
    • 面对难功能：先跑一个“可丢弃的草稿版本”，用它暴露模型的偏差，再用更精准的提示第二轮迭代。
    
    原文链接：https://sankalp.bearblog.dev/my-experience-with-claude-code-20-and-how-to-get-better-at-using-coding-agents/
    
    #ClaudeCode #编码代理 #上下文工程 #AI工具 #软件工程

    sankalp's blog

    A Guide to Claude Code 2.0 and getting better at using coding agents

    A deep dive into Claude Code 2.0 features, Opus 4.5 workflows, and context engineering. Learn sub-agents, MCP servers, hooks, skills, and practical tips to boost your AI-assisted coding productivity.

18. 10:47 · 2025年12月27日 · 周六

    Ref：给你的 AI Agent 一份“刚刚好”的文档上下文
    
    做 AI 编程助手最怕两件事：胡编和上下文膨胀。Ref 主打的就是把问题变简单——让你的 Agent 能随用随查公共/私有技术文档，只拿“够用且准确”的信息。
    
    它怎么做？
    Ref 通过 MCP（Model Context Protocol）把文档上下文接到你的 AI 工具里：既有持续更新的公共文档索引，也支持把你的私有资料（如 GitHub 仓库、PDF）纳入检索。
    
    给 Agent 的两个核心能力：
    
    • search_documentation：面向技术文档的精确搜索，能定位到具体章节，支持公有与私有文档集。
    • read_url：读取任意网页或 GitHub 文件内容（可含私有内容），适合顺藤摸瓜跟进链接。
    
    为什么不是“东拼西凑工具链”？
    你当然可以分别用：代码片段、搜索、爬取、私有代码检索、PDF 检索等工具组合；Ref 的定位是把这些需求尽量合并成一个更统一的入口，减少集成成本与上下文噪音。
    
    安全与企业能力（官方强调点）：
    
    • SOC2 合规（并提供 Trust Center 与隐私安全说明）
    • 支持 SSO 与 MCP OAuth
    • 提供“主动提示注入防护”（对返回的上下文做注入扫描，仍在开发中）
    
    定价概览：
    
    • Free：200 credits（不刷新、不失效，官方估算约 10 周常规使用）
    • Basic：$9/月，1000 credits
    • Team：$9/月/席位，1000 credits/席位（团队共享私有文档索引与统一账单）
    • Enterprise：SSO、SOC2、优先支持、定制化等
    
    如果你在用 Claude/Cursor/Zed 等工具做工程开发，且经常需要“查最新文档 + 查公司内部资料”，这种“面向文档的上下文层”会比泛用搜索/爬虫更省 token，也更贴近代码场景。
    
    原链接：https://ref.tools/
    
    #MCP #开发者工具 #技术文档 #AI编程助手 #RAG

    ref.tools

    

    Ref - Review every important decision

    One workspace to plan, review and manage coding agents with your team.

19. 21:19 · 2025年12月26日 · 周五

    2025 年 AI 编程现状：效率在涨，工具与模型在分化
    
    Greptile 发布的《The State of AI Coding 2025》梳理了 AI 编程在 2025 年的关键趋势：工程产出显著提升，开发工具生态快速扩张，而不同大模型在“响应速度、吞吐、成本”上的取舍越来越清晰。
    
    1) 工程效率：PR 更大，个人产出更高
    
    • PR 规模变大：2025 年 3 月到 11 月，PR 的中位改动行数从 57 增至 76，约 +33%。
    • 开发者产出上升：人均代码产出从 4,450 增至 7,839 行，约 +76%，AI 工具被视为“产能放大器”。
    • 中型团队提升更明显：6–15 人团队的人均产出从 7,005 增至 13,227 行，约 +89%。
    • 单文件改动更密：每个文件的改动行数中位数从 18 增至 22，约 +20%，说明 PR 不只变大，也更“集中”。
    
    2) 工具采用：从“能用”到“形成标准层”
    
    • 记忆/Memory 基建：mem0 以 59% 份额领跑（按 PyPI + npm 月下载量口径）。
    • 向量数据库：没有绝对赢家；Weaviate 约 25%，其余多家在 10–25% 之间拉锯。
    • AI 规则文件：CLAUDE.md 使用率 67%；不少团队多格式并存，且 17% 的仓库三种格式都用。
    • AI SDK 增长：Anthropic SDK 以 43M 下载领先（约 8 倍增长）；Pydantic AI 增长 3.7× 到 6M。
    • LLMOps：LiteLLM 月下载量增长 4× 至 41M（LangSmith 与 LangChain 安装存在绑定关系）。
    
    3) 模型格局：生态差距在收敛
    
    • SDK 下载量：OpenAI 约 130M 领先；Anthropic 自 2023 年 4 月起增长 1,547×；Google 约 13.6M。
    • 差距缩小：OpenAI 与 Anthropic 的下载量比从 2024 年 1 月的 47:1，降至 2025 年 11 月的 4.2:1。
    
    4) 作为“编程 Agent 后端”，模型各有侧重
    
    报告用统一参数对多模型做了延迟、吞吐、成本等基准：
    
    • 首 token 响应（TTFT）：Claude Sonnet/Opus（p50 < 2.5s）明显更快，更利于交互式编程保持“心流”。
    • 生成吞吐：GPT-5 Codex / GPT-5.1 吞吐更高，长输出更快结束，利于并行跑更多 Agent/CI。
    • 成本倍率（以 GPT-5 Codex = 1× 归一）：GPT-5 Codex ≈ GPT-5.1（1×）；Gemini 3 Pro（1.4×）；Sonnet 4.5（2×）；Opus 4.5（3.3×）。
    
    结论很直接：选型不再是“谁最强”，而是你更在意 响应速度、吞吐效率，还是预算。
    
    5) 研究方向：规模、上下文与 Agent 的“系统工程”
    
    报告还汇总了 2025 年影响工具与应用的一批研究线索，包括：
    
    • MoE 的效率设计（如 DeepSeek-V3：关注 KV cache、路由与训练信号密度）。
    • 长上下文 vs RAG 的边界（不同数据结构下各有优势；以及 KV 级检索等新思路）。
    • Agent 训练与检索策略（用 RL 学会“何时搜索”、如何管理长程记忆、如何降低噪声上下文干扰等）。
    
    原文链接：https://www.greptile.com/state-of-ai-coding-2025
    
    #AI编程 #开发效率 #LLM工具链 #模型评测 #软件工程趋势

    Greptile

    

    AI Code Review | Greptile | Merge 4X Faster, Catch 3X More Bugs

    AI Code Reviews that understand your entire codebase. Automate PR reviews, catch bugs faster, improve code quality with AI-driven analysis. Try Greptile free!

20. 21:52 · 2025年12月23日 · 周二

    MiniMax M2.1 发布：面向真实复杂任务的多语言编程升级
    
    MiniMax 发布新一代文本模型 MiniMax M2.1，目标从“可用、低成本”进一步走向“能解决真实世界的复杂任务”，重点补齐多语言工程协作与办公场景执行力。
    
    这次重点提升了什么？
    
    • 多语言编程能力系统增强：覆盖 Rust / Java / Go / C++ / Kotlin / Objective‑C / TypeScript / JavaScript 等，更贴近真实项目的多语言栈协作。
    • Web & App 开发更强、更好看：强化原生 Android / iOS 开发，同时提升设计理解与审美表达，支持复杂交互、3D 场景模拟与高质量可视化。
    • 更适合办公场景的“复合指令”执行：在多约束条件下做端到端任务推进，更强调“按要求完成”而不是只写对代码。
    • 更简洁、更高效的输出：相较 M2，响应更精炼、速度更快、token 消耗更低，适配持续式 AI Coding / Agent 工作流。
    • 更强的 Agent / 工具泛化：官方称在多种编码工具与 Agent 框架中表现稳定，并兼容常见的上下文管理约定。
    • 对话与写作质量同步提升：不仅是“更会写代码”，也更擅长技术文档与日常写作的结构化表达。
    
    基准与展示
    
    • 在多项软件工程评测上相对 M2 有明显提升，并强调多语言场景竞争力；同时引入 VIBE（含 Web/Simulation/Android/iOS/Backend）评测体系，用更接近真实运行环境的方式验证“能跑、能交付”。
    
    如何使用
    
    • API：已上线 MiniMax Open Platform
    • 产品：基于 M2.1 的 MiniMax Agent 已开放
    • 开源：模型权重提供本地部署，推荐 SGLang / vLLM 等推理框架
    
    原文链接：https://www.minimax.io/news/minimax-m21
    
    #MiniMax #开源大模型 #AI编程 #多语言开发 #Agent工作流

    MiniMax

    MiniMax M2.1: Significantly Enhanced Multi-Language Programming, Built for Real-World Complex Tasks