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。
相关文档
AI 没有智慧，你也不会有了
文章批评'不再读代码、不再写代码'的行业风气。作者指出代码可维护性和好架构难以即时度量，其恶果需要数月甚至数年才显现，而有经验工程师依靠长期实践积累的直觉来嗅出代码异味。AI 因缺乏可度量的奖励信号，无法理解什么是可维护的代码，且从质量低劣的野生代码中学习模式，在简化代码、定义可复用函数上表现糟糕。更危险的是，依赖 AI 写代码和读代码的开发者将永远无法达到精通，因为他们不再从错误中学习。作者认为 LLM 只是工具，预言未来会有公司以'无 AI'政策作为竞争优势。
Software Engineer to AI Engineer: Best Move 2026
本文探讨软件工程师如何转型为AI工程师。作者指出AI工程师日常工作中约80%仍是传统软件工程，核心是将现有AI模型（如GPT、Claude）集成到真实产品中。软件工程师已具备编程、API、数据库、系统设计等基础，只需补齐六大AI专项技能：理解LLM工作原理、调用LLM API、保证输出可靠性（提示工程与结构化输出）、掌握RAG与向量数据库、学习编排与Agent、以及LLMOps生产化运维。作者建议通过构建作品集、在团队中主动承担AI功能、使用AI工具提升效率来加速转型，强调转型并非抛弃既有技能，而是在其上叠加AI层。
Running a Software Factory Efficiently at Uber Scale
本文介绍 Uber 如何在软件开发生命周期中高效运行 AI 软件工厂。目前 Uber 超过 70% 的 PR 由本地或云端 agent 完成，工程师构建了 3600+ 个 agent 技能，每天执行超 3 万次。文章提出软件工厂的四层 agent 使用架构，并将成本分解为六个可独立测量和优化的因子。通过基于真实工作构建的基准测试进行 Pareto 最优的模型选择、将子 agent 默认路由到更经济的模型、自动上下文压缩等优化手段，Uber 在模型不变的情况下将每千次请求成本降低约 34%，单会话成本较峰值下降 52%，实现了规模化的 AI 工程效率与成本控制。
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。
让该死的 AI Coding 慢下来
本文由 libGDX 创始人撰写，批判了当前盲目依赖 AI 编程代理（Agent）的现象。作者指出，虽然 AI 能快速生成代码，但其缺乏学习能力且容易累积微小错误，导致代码库复杂度在短期内失控，甚至引发严重的服务故障。文章主张开发者应保持“慢下来”，将 AI 视为辅助工具而非决策者，通过人工把控架构设计和代码审查，才能构建出可维护、高质量的软件系统。
BestBlogs 周刊第 84 期：编排
本期周刊主题为“编排”，探讨了随着 Claude Sonnet 4.6、Gemini 3.1 Pro 等模型的密集发布与能力跃升，工程师的角色正从亲手写代码转向定义任务与调度 AI Agent。文章分析了模型层“加量不加价”的趋势，解读了 Claude Code 的哲学，以及阿里等一线团队的实践落地，指出判断力与系统思维正取代执行力成为核心稀缺资源。
Claude Code创始人：程序员，2026年开始消失
本文基于Claude Code创始人Boris Cherny的访谈，深入探讨了AI编程对软件工程领域的颠覆性影响。Boris预言“软件工程师”这一头衔将逐渐消失，编程将从专业技能转变为像读写一样的通用基础能力。Anthropic内部数据显示，AI已承担70%-90%的代码编写，人均工程产出提升了150%。文章指出，代码的“保质期”缩短至数月，传统的经验积累不再有效，未来的核心竞争力将是与AI协作的能力及第一性原理思考。
Anthropic 工程经理：面试不再考编程题，新人的冲劲正在跑赢资历
Anthropic 工程经理 Felix Rieseberg 宣布其团队面试不再考核传统编程题，因为 Claude 等AI已能轻松完成这类题目，且团队最能出成果的人与编程题表现关系不大。他认为AI时代让入行不久的工程师有机会跑赢资历更老的员工，因为把想法做出来的成本大幅降低。文章介绍了新人面临的困境（想法不被重视、受所谓'常识'束缚），并给出五条建议：紧盯业务影响、提出大胆想法、快速做原型、一个原型聚焦一个好点子、善用新人视角。文中以两位新工程师用周末做出 Claude Code 图形界面版为例佐证。
像 Claude Code 团队一样做代码审查
文章介绍了 Anthropic Claude Code 团队的代码审查实践，以及作者团队自研 AI 代码审查工具 HeyDeer 的落地经验。核心思路是：AI 写代码占比接近 100% 后，人工逐行审查不再可行，应把人的注意力留给真正有风险的部分。做法包括按风险分级审批（低中风险由 AI 自动批准，高风险由人判断方向）、多模型交叉审查降噪、用仓库检查落实团队规范、通过 Autopilot 自动修复问题直至收敛。作者团队跑了 8 个月未因合并有 bug 的代码导致线上事故，认为大部分创业和中小公司都适用这种方式。
How I work with Agents
Thorsten Ball 分享了 2026 年 10 月他与 AI Agent 协作的工作方法：使用最新最强的模型，不必担心代码库积累 slop；提示时描述 What 而非 How；让 agent 贯通整个软件开发生命周期（运行、部署、看日志、处理 bug 报告），并为其提供定制工具；通过盲测实验评估 agent 对代码库知识的利用；不要手动管理上下文，让 compaction 工作；请求不可反驳的证明（端到端演示、前后对比数据）；拥抱异步工作流，给 agent 更大任务；利用定时唤醒等自动化功能；只审查高影响范围的代码。这些实践展示了 agent 驱动开发的新范式。
The new set of problems for engineers to solve
文章讨论软件工程师在AI时代面临的身份危机与新机遇。随着多智能体系统从简单的人机对话发展为数千个持久协作的智能体，解决重大研究、发现和硬件设计问题，一系列新的工程问题浮现：基础设施需要为突发性、有状态的单实例工作负载演进；智能体身份认证与授权（尤其是代表人类OBO场景和智能体互信）亟待解决；不可信代码与内容要求更强的安全隔离和沙箱机制；还需跨智能体的链路追踪与紧急停止工具。作者认为工程师应深入这些领域，解锁多智能体系统的潜力。
从“让 Agent 写代码”到“指挥一群 Agent 交付”：TRAE 新版和我的五个做法
作者结合测试 TRAE 新版本的体验，总结了 AI 编程的四个趋势：人不再手写代码、IDE 淡出后台、工作入口向聊天窗口集中、从单个 Agent 写代码转向指挥多个 Agent 并行交付，代码审查也因此逐渐走向抽查模式。作者分享了个人的五个实践做法：搭建 Agent 易于验证的环境（文档地图、自动化测试、原型、AGENTS.md 规则）、把自己当管理者进行多 Agent 并行调度、按任务难度分配不同模型、善用模板和开源项目、把重复工作交给 Skill 和自动化任务。文章指出写代码成本快速下降，而想清楚需求和验证结果的能力越来越值钱。