作者分享了在创业公司落地 AI Coding 工作流半年来的实践迭代。核心思路是给 Agent 最大执行权限同时控制爆炸半径：使用 Claude Code 作为主力 Agent 配合 matt Skill 与项目 MCP；通过 git worktree 物理隔离多个并行 Agent 的工作区；坚持计划先行，动代码前必须产出完整 Plan 并用状态文件持久化进度；测试上人机分工，AI 在 DEV 环境完成正反用例自测，人类只验收业务效果；通过 PR 规范、GPT 对抗性 Review、CI 自闭环守住质量防线；用 PostHog Feature Flag 实现秒级回退止血；并以部署看板巡检日志、三层文档体系（CLAUDE.md、rules、specs）作为长期记忆，实现生产级 AI 高速开发。
作者实测了主打 Computer Use 能力的 Nex-N2.5 Pro 模型（397B 参数），验证其在 Blender 3D 建模到 Three.js 前端交互网页的全自动长流程操作。测试显示其能在无 API 的桌面 GUI 中完成建模、材质设定、glTF 导出及前端渲染，全流程 1 分 48 秒，坐标对齐率 99.4%，60 FPS 稳定渲染。文章同时指出其工程边界：单步延迟 2-4 秒、视觉遮挡下的重试开销高。作者建议结构化任务优先用 API 与代码，而无接口的专业桌面软件自动化、遗留系统对账等场景则适合切入 Computer Use。
作者基于数月做 AI Game 生成平台的实践经验，系统梳理了 AI 生成游戏的能力边界。核心观点：决定 AI 游戏上限的是引擎而非模型，纯文本技术栈（Web、Godot）最适合 AI；静态资源多的游戏（策略、卡牌、爬塔）好做，动态素材多的（动作、格斗）难做；代码已不是瓶颈，卡点在素材的成套一致性和数值的体验曲线设计。文章还分享了素材生成、透明背景处理、动画路线选择等工程细节，建议先选引擎、做静态内容多的游戏并给 Agent 接上验证闭环。
本文编译了Phil Chen关于AI时代职业发展的建议。作者指出，能被明确定义和打分的工作正被AI取代，未来真正稀缺的是时间、人脉和声誉。在agent-native时代，工程师的核心能力正从“写代码解题”转向“发现并定义问题”。选公司应看重其解决方案的野心，工作中要死磕“最后一公里”的细节。文末作者结合自身经验，对面试方式变革、生产环境重写及发现问题的前提给出了独到见解。
