软件工厂：光明与黑暗
文章探讨了软件工厂的概念，分为人工介入的“轻工厂”和无人值守的“暗工厂”。作者分析了循环、harness和工厂的关系，指出仅靠harness工程不足以应对代码库质量挑战，并警示暗工厂可能加剧理解债务。
全部文档
9 篇
Own the Outer Loop
文章探讨了在智能体工程中，工程师需要掌控外层循环，即对系统的问责。通过定义质量、裁决和可回应性三个概念，强调人在AI辅助代码生成中的决策权和所有权。AI代码生成比例增长，但审查和验证成为瓶颈，需建立更有效的信任验证机制。
品味与判断力：AI时代的开发者生存指南
文章探讨了AI Agent如何自动化初级开发者的重复性工作，导致入门级岗位减少并阻断传统成长路径。作者指出，未来的核心竞争力不再是解决已知问题，而是培养“品味”和判断力，并给出了包括阅读代码、记录错误、掌握基础等七条具体建议，以帮助开发者在AI时代建立不可替代的认知优势。
Own the Outer Loop: 工程师在AI代理时代的职责边界
文章探讨了在代理工程和软件工厂时代，工程师的角色转变。作者指出，随着 AI 承担更多内部执行循环，工程师必须拥有“外部循环”的问责权，负责定义质量、做出最终裁决并保证可解释性。文章区分了内部循环（能力）与外部循环（能动性），强调虽然 AI 生成代码的速度提升了，但验证、治理和人为的判断力成为了稀缺资源。
Agent 自治级别：从单一代理到多代理编排
本文探讨了智能体工程中从单一代理到多代理编排的演变，提出了一个新的双轴模型：代理自治和编排。文章详细介绍了从辅助级别到并行委托级别的六个自治层级，以及 Claude Code 和 Codex 等工具在实现不同级别上的具体应用。
Loop Engineering: 定义 AI 编程代理的未来
本文提出了“Loop Engineering（循环工程）”的概念，即从手动提示 Agent 转向设计自动执行的系统。文章探讨了构建循环的五个核心模块（自动化、Worktree、Skills、插件、子代理），并结合 Claude Code 和 Codex 两大工具，分析了如何实现 AI 编程任务的自主迭代与质量控制。
AI 编程中的编排税：为何多 Agent 不一定带来高效率
文章探讨了在使用多个 AI Agent 进行编程开发时存在的隐形成本——“编排税”。作者指出，人类的认知带宽是单线程的，无法随着 Agent 数量的增加而并行扩展。虽然启动 Agent 很容易，但审查和整合它们产出的工作必须串行通过人类这一瓶颈。文章借用并发编程中的“全局解释器锁”和阿姆达尔定律，解释了无脑增加 Agent 只会导致工作积压和认知疲劳，而非真正的效率提升。作者建议像架构系统一样架构注意力，通过按审查速率扩展、批量处理和保护单线程时间来管理这一挑战。
Don't Outsource the Learning
本文探讨了在 AI 编程时代开发者面临的认知危机。作者指出，过度依赖 AI 生成代码会导致认知能力下降和技能退化，即“认知债务”。文章引用多项研究证实，虽然 AI 能提高短期效率，但会削弱长期理解力和调试能力。作者建议调整使用 AI 的姿势，如先形成假设、先询问原理或开启学习模式，强调在“交付”与“学习”之间取得平衡，避免为了当下的速度而牺牲未来的核心竞争力。
认知投降：AI 辅助编程中的隐形成本
文章探讨了软件开发中的“认知投降”概念，即工程师无脑接受 AI 输出而不进行独立思考。这与有益的“认知卸载”形成对比。作者引用实验指出，73% 的人会盲目接受错误的 AI 答案。这种现象会导致代码质量下降、技术债累积以及对系统理解的缺失。文章建议工程师应通过建立预期等启发式方法，在利用 AI 效率的同时保持独立判断，避免陷入理解赤字。