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。
相关文档
Who Is Lauren Tan, aka Poteto? The Architect Behind Grok Bot
文章讲述了 Lauren Tan（poteto）从新加坡自学编程、金融专业出身，通过技术博客和 EmberConf 演讲进入行业的经历。她先后任职于 DockYard、Netflix、Meta（React Compiler 核心作者），2026 年加入 Cursor 后因性能修复工作受挫，转而构建让 Agent 自动修复 Bug 的 Slack 机器人 Binnie，并主导重构 Grok Bot。Grok Bot 发布后她在 X 上粉丝十周内从 3 万增长到近 20 万，获马斯克多次转发，成为 AI Agent 工程领域的标志性人物。
Thinking in Systems, Shipping in Loops
文章引用 DHH 的观点指出，手写代码对绝大多数程序员已不再经济，软件工程正演变为系统架构设计。通过 Artemis 和 SpaceXAI Grok 团队的案例，说明工程师如今通过设计验证循环（verification loops）让 AI 大规模正确地编写代码——如 Lauren Tan 每月发布 2000 个 PR。文章借鉴 Donella Meadows 的系统理论，提出优秀系统设计的三大特性：韧性（AI 通过测试、审查代理和生产可观测性自我校验）、自组织（循环学习将失败类型转化为新技能）和层级（将技能、工具与沙箱组合成可复用组件）。工程师的新职业是'驾驭智能'。
/src 里的 Markdown：Markdown 正在变成源代码
htmx 作者、Montana State 大学教授 Carson Gross 提出：在 agent 式编程时代，Markdown 正从文档演变为源代码。他认为 LLM 生成的代码不应只源自用完即弃的提示词会话，而应将捕捉系统意图的 Markdown 签进 /src，与生成代码放在一起。Markdown 具备可 diff、可 grep、人机皆可读写的优势，且遵循局部性原则，让代码模块自带解释其意图的文档。作者提议建立 /src/md 目录约定（含 README、OVERVIEW、features、data、api 等），由人撰写维护，代码与测试从这些 Markdown 派生，测试负责自动化验证正确性。当代码越来越便宜，真正有价值的是代码背后的意图，应将其持久化于源码目录之中。
顶级工程师驾驭AI的硬核打法：单月合入2500个生产PR的实践内幕
前Meta和Netflix资深工程师、现xAI核心主力Lauren Tan公开了她在Cursor大会的分享：通过把人类检查点前移，让智能体自己拉起真实环境验证并留存运行时证据，实现单月合入2500个生产PR。她将团队禁用的坏习惯写成编译器规则（如封死useEffect、禁止注释），把代码库目录作为外部记忆体防止上下文污染，并将这套心法封装为开源插件pstack，内含23个任务剧本和23条工程铁律。核心理念是：没有验证的并发才可怕，只有带着运行录像和证据链自己闭环的智能体才配做工程分身。
Cursor + Grok Bot + pstack：教你用原型和证据，把方案先跑一遍
本文深度拆解 Lauren 的 pstack 第二篇，探讨如何让 AI Coding Agent 在写代码前正确理解问题。文章介绍了 /how、/why、/teach、/recall 等上下文工具的用法，强调用代码而非文档来规划：先写使用教程倒推架构，通过低成本原型比较不同方案，用 /architect 让多模型并行设计并交叉评审，以及在多阶段计划中要求每一步都以可复查的证据结束。作者认为，Agent 可能比人更快更强，但最终是否接受方案仍需人来判断，验证应从开发前就开始参与决策。
The Complete Guide to pstack Pt. 1: Verification is all you need
作者介绍了其个人工程技能集 pstack，借助 AI Agent 每月发布 2000 个高质量 PR。文章重点讲解验证技能的重要性：让 Agent 能自行验证工作成果、闭环迭代，可将团队产出放大 100-1000 倍。作者分享了如何用 /create-verification-skill 创建验证技能，强调选择易调试的技术栈（如利用 Chrome DevTools Protocol、iOS 模拟器）对 Agent 工作效率的关键影响，并建议为 Agent 构建 CLI 形式的调试工具，使验证可复现、可测试，从而让所有工程师甚至非工程师都能高效贡献代码。
智能体工程模式：代码免费时代的软件工程实践
本文解读 Simon Willison 的《Agentic Engineering Patterns》，系统总结编码 Agent 时代的软件工程方法论。核心观点：当写代码边际成本趋零，工程师职责转向为 Agent 配备工具、定义问题、验证结果。文章区分了 agentic engineering 与 vibe coding，提出囤积已验证方案、用异步 Agent 清理技术债、子 Agent 保护上下文、Red/Green TDD 与证据式测试等模式，并强调提交未审查代码是最大反模式，以及通过走读和交互式解释偿还认知债。
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。
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。
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。
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。
6个月掌握 Vibe Coding：从入门到精通的实战路线图
本文是一份详尽的 Vibe Coding（氛围编程）学习指南。作者 Avid 定义了 Vibe Coding 为通过自然语言描述意图、让 AI 生成代码的开发方式。文章指出新手常陷入“无止境修 Bug”的困境，并针对性地提出了解决方案。内容涵盖从零基础到高手的 6 个月路线图，详细列出了第一个月必学的三大基础：Web 工作原理（HTTP、API）、Git/GitHub 版本控制以及 HTML/CSS/JS 基础。文章强调必须亲手构建项目，并推荐了 MDN、freeCodeCamp 等精选资源，帮助读者掌握 Cursor、Claude Code 等工具。
