从 Runtime实验走向工程闭环
文章深入解析了DeepSeek Harness（DSH）的架构与工程价值，指出其通过细粒度可替换性和执行历史记录解决了Agent维护难题。作者对比了Cordis论文与自我进化研究，强调DSH目前仅实现了Runtime实验原语，尚未达到工程闭环。要从临时挂载走向生产系统，仍需构建可信评测、发布链路、强隔离及责任归属四大基础设施。
全部文档 / 标签: 软件工程
73 篇
Agentic Code Quality
本文探讨了在AI代理大规模生成代码的背景下，如何通过约束和验证机制（如质量门禁）来保证软件质量。作者认为，传统的代码审查方式已无法应对海量代码，因此需要将质量检查嵌入到代理的运行环境、工具链和操作系统中。文章详细介绍了多种约束形式，包括单元测试、属性测试、变异测试等，并讨论了自主性、信任、反馈循环和扩展性等关键问题。最后，作者强调人类注意力应集中在最复杂的问题上，而自动化检查应承担大部分质量保障工作。
AI 编程缺失的抽象层
本文探讨了AI编程对软件工程的影响，认为AI编程是一次抽象层的升级，而非简单的岗位替代。作者指出，当前AI能力已跃迁，但新的抽象层尚未稳定，导致软件工程方法滞后。文章分析了Junior Engineer面临的训练路径断裂问题，并重新定义了AI时代的基本功，包括Specification、Decomposition、Verification和Context Engineering。最后，作者认为我们正处于AI编程的“汇编时代”，未来将出现新的抽象体系，定义下一代软件工程。
The Harness Is the Product: AI时代的软件工程验证体系
随着AI代理编写了团队75%的合并代码，软件工程的瓶颈已从“如何快速生成代码”转变为“如何证明代码有效”。文章指出“Harness（验证系统）”才是核心产品。它通过上下文、约束、验证和反馈循环来确保自主交付的质量。团队应遵循六大原则，将重心从代码审查转向规格说明、端到端场景覆盖及架构约束，以应对代理时代带来的认知债务与安全风险。
2026年AI Agent工程师成仙指南：通往55万美元年薪之路
随着AI技术的进步，市场对AI Agent工程师的需求呈爆炸式增长，相关岗位年薪高达18.5万至55万美元。与传统的问答型AI不同，Agent工程师的核心职责是设计能执行实际操作的系统并使其在生产环境中稳定运行。文章提供了详尽的职业进阶路线：首先需掌握Python、后端API开发等软件工程基础；其次熟练使用LangChain、RAG及大模型API等专属AI技术栈；最后，必须具备系统可观测性和评估能力。作者强调，拥有包含完整监控和复盘报告的真实部署项目，是求职者脱颖而出的关键。
Behind the scenes: How we build, test, and scale Google Agent Skills
本文深入探讨了 Google Agent Skills 项目的构建与扩展。作者分享了如何通过标准化的存储结构、自动化 CI/CD 检查、持续的评估流程以及严格的所有权规则，来保证技能库在规模增长时的质量和可靠性。文章强调将技能视为产品而非简单代码片段，并介绍了利用 MCP 工具和 GitHub Actions 进行质量管控的实践。
AI 时代形式化验证的供需重构
文章分析了 AI 如何同时推动形式化验证的需求与供给曲线移动。在需求端，AI 代码生成增加了对可信验证的需求，以解决审查瓶颈和意图确认问题；在供给端，AI 自动化了证明生成和规格编写，降低了成本。文章指出，密码学、区块链等高风险领域将率先受益，验证正从高端服务转变为软件基础设施。
如何使用Linear管理Agent并构建软件工厂
作者分享了使用Linear工具管理编程Agent的实战经验。他将任务按结果层级组织，利用分流箱收集问题，并通过分批处理工作流来提高效率。文章重点强调了制定清晰的Ticket契约（目标、原因、结果）、确保Agent完整完成任务以及实现无监督并行工作，从而打造个人“软件工厂”以提升生活质量。
Loop Engineering 怎么落地：三层循环 vs 四种命令
本文结合吴恩达与 ClaudeDevs 的观点，深入探讨了 AI 编程（Loop Engineering）的落地实践。文章将吴恩达的“三层循环”（分钟级自检、小时级决策、天级反馈）与 ClaudeDevs 的“四种命令”（Turn-based, Goal-based, Time-based, Proactive）进行映射，提供了一套从定义验证标准、固化人工经验到收集外部反馈的完整方法论，帮助开发者摆脱只做 QA 的困境，真正掌握 AI 编程的效率。
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。
派往前线的工程师：FDE 为什么是 AI 落地时代最重要的职业
本文探讨了 Forward Deployed Engineer (FDE) 在 AI 时代的核心价值。文章指出 FDE 不仅是工程师，更是将企业 Know-How 转化为 AI 可执行 Context 的翻译者，是连接模型智能与现实世界的最后一公里。通过与 Cresta Head of FDE Jove 的对话，文章分析了 FDE 与外包的本质区别，讨论了“本体论”在构建企业知识模型中的作用，以及 Skills（技能）如何成为下一代软件形态。
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。
关于循环工程的思考：验证是核心
本文探讨了“循环工程”（Loop Engineering）的概念，即从编写提示词转向设计运行 Agent 的系统。文章指出，尽管生成器很重要，但循环架构中的核心瓶颈其实是验证器。通过 Bun 移植 Rust 的案例，作者强调了无论内外循环，严格的质量验证和测试才是决定项目成败的关键。
Factory 2.0: 从编程代理到软件工厂
文章探讨了软件工程的下一个阶段：软件工厂。该系统通过整合 AI 智能体，实现从需求到部署的端到端自动化闭环。文章强调了模型独立性、主权智能和持续学习的重要性，并指出工程师的角色将从单纯的代码编写者转变为构建自动化系统的架构师。
成为 AI 原生工程师的实践指南
本文探讨了尽管 AI 生成了大量代码，为何工程团队仍面临更多 Bug 和技术债的问题。作者 Shah Rahman 提出，工程师需从单纯的代码编写者转变为编排者，并介绍了成为 AI 原生工程师的四大核心实践：同步上下文工程、规范驱动开发、关键验证以及问题分解，旨在帮助工程师在 AI 时代实现真正的生产力跃升。
大规模代理开发验证：Devin 的端到端测试实践
本文介绍了 Devin 在构建端到端云测试能力方面的经验。通过增强计算机使用能力，Devin 能够自主验证代码变更，通过生成基于代码的测试计划、使用确定性脚本以及多模型路由，显著提高了异步软件工程中的测试可靠性和效率。
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。
Claude Code 正在创造新型开发者：从 AI 助手到智能编排
文章探讨了软件开发的范式转移，指出开发者不应仅将 AI 视为简单的聊天或代码生成工具，而应构建围绕智能体（Agent）的完整操作系统。通过优化上下文管理、工作流编排和长期记忆系统，开发者能将 AI 转化为高效的工程系统。这种从“写代码”到“编排智能”的转变，将是未来的核心竞争力。
构建 7-Agent 软件工厂：Claude Code 高效开发指南
文章指出了当前 AI 辅助编程中“Vibe Coding”的痛点，即单一 AI 会话承担过多角色导致错误累积。作者提出了“软件工厂”的解决方案，通过构建包含代码库研究员、需求撰写者、规格撰写者、后端/前端构建者及测试验证者的 7 个专业化 Agent，将任务拆解并隔离。这种结构化流程利用 Claude Code 实现了自动化且高质量的功能交付，彻底改变了单人监督 AI 的低效模式。
如何构建 AI 操作系统与自主工作流
文章探讨了从单一 AI 工具向 AI 操作系统的范式转变。AI 操作系统不仅仅是一个模型或聊天机器人，而是一个位于人与软件之间的智能编排层，包含智能层、记忆层、工具层、代理层、编排层和反馈层六大核心架构。文章详细介绍了如何通过从单一工作流入手、拆分专业角色、建立共享记忆和连接外部工具来构建这一系统，从而将软件从“使用”的对象转变为协同运作的伙伴。
为什么我不“凭感觉编程”：一位资深开发者对 LLM 编程的深度反思
文章翻译并分享了 Jacob Harris 关于拒绝使用“凭感觉编程”（即过度依赖 LLM 辅助编程）的观点。作者从经济成本、经验主义、抽象本质、摩擦的价值以及责任感五个维度展开论述。他认为，编程是在复杂现实中建立抽象的过程，需要深度理解架构决策和承担后果，而 LLM 只能解决偶然复杂性，无法处理本质复杂性，更无法替代人类的思考与责任。
The AI Agent Complexity Ratchet: Why 90% Test Coverage Is Required
文章探讨了 AI 编程代理（Agent）如何改变软件开发的范式。作者通过 GStack 和 GBrain 两个开源项目的经验，指出 AI 使得同时实现高速度和高质量成为可能。核心在于构建“复杂度棘轮”：即 90% 的测试覆盖率。AI 代理能伴随代码编写测试、文档和评估结果，确保每次迭代都建立在质量底线之上，防止退化，从而实现只能变好不能变坏的“单向运动”开发模式。
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。
Andrew Ng 对 AI 编码代理在不同领域加速效应的洞见
Andrew Ng 在 The Batch 第 350 期中分享了 AI 编码代理对软件开发各环节的加速效应排序：前端>后端>基础设施>研究。前端因闭环反馈和模型熟悉的语言框架加速最快；后端因边界情况处理和数据迁移风险次之；基础设施因依赖工程经验和大规模测试加速有限；研究则因核心在于创意而非代码，几乎未受影响。
搓一个工业级 Skill：Skill 工程化实战指南（三）
本文基于前两篇的概念基础，深入探讨了如何利用软件工程标准从零构建一个“工业级” Skill。文章以开发一个多平台图文社交文案生成 Skill 为例，详细拆解了 Skill 的定义与路由、目录结构规范、frontmatter 契约设计，以及如何利用 references 分离长知识。此外，作者还介绍了 skill-creator 和 superpowers 等辅助工具，并强调了“用例驱动”的测试方法、边界处理以及防范 Prompt Injection 的安全审查实践。
Vibe Coding 时代：为什么 AI 不会取代软件工程师
本文深入探讨了“Vibe Coding”和 Agentic AI 的兴起对软件工程行业的深远影响。文章指出，虽然 AI 降低了编程门槛并替代了大量初级外包岗位，但同时也将工程师的角色从“代码编写者”转变为“AI 管理者”和质量把关人。迪拜正押注这一转型，构建 Agentic AI 的规则体系。作者强调，未来的核心竞争力在于理解力、审美判断和制定标准的能力，而非单纯的语法记忆，软件工程师将在新的技术分层中找到立足点。
AI正在不断吞噬软件与内容
文章探讨了AI时代下传统杠杆（软件、内容、分发）发生的深刻变革。随着Vibecoding的兴起，软件构建门槛降低，导致供给过剩和壁垒消失；内容生产虽被AI加速，但作者强调保有人类独有的“真实”才是核心壁垒。文章最后指出，在软件与内容杠杆效应减弱的背景下，构建和利用分发渠道杠杆将成为普通个体突围的关键策略。
精读 Cursor 工程方法论：Agent 产品的 Harness 演进之路
本文是对 Cursor 官方博客《Continually Improving Our Agent Harness》的深度精读。文章剖析了 Cursor 团队在构建 AI Agent 产品时的工程化方法论，强调 Harness（系统提示词与工具调度层）是核心工程壁垒。内容涵盖从上下文管理、线上线下评估体系、工具错误治理（SRE 思维），到针对不同模型的深度定制及中途切换模型的技术挑战。核心观点是将 Agent 视为复杂软件系统，通过指标（如 Keep Rate）和自动化流程持续迭代。
软件的终结与新生：动态软件时代的到来
文章提出了软件正在经历从静态到动态的范式转变。过去的五十年，软件基于硬编码的控制流，追求确定性；而随着 2024 年 AI 的发展，软件变得“活着”了。动态软件像现场演出而非录音，具有上下文感知能力和非确定性。作者探讨了这一变革打破了关于状态、会话、时间和确定性等旧有假设，并指出当前的挑战在于缺乏类似 Django 或 Kubernetes 的成熟“运行时”基础设施。
