软件工厂为何失败：让代码评审回归
文章探讨了为什么仅靠模型无法长期维护代码库质量，提出了“模型作为评审者”的局限性。作者主张将代码评审权交还给人，并采用四阶段方法来提升开发效率：产品需求、系统架构、程序设计和垂直切片。通过早期规划和可视化工具，减少误解，提高代码质量。
相关文档
Claude Code 团队如何进行代码评审
本文介绍了 Claude Code 团队在 AI 生成约 90% 代码的情况下如何重构代码评审流程。团队将代码评审从人工逐行阅读转变为分层自动化体系：包括 PR 前的 Claude 自验证、子代理 diff 审查、内部 skill（bug 猎捕、diff 缩减等）、以及每个 PR 的 AI 评审，仅将人类注意力保留给高风险决策。通过 CLAUDE.md 和 REVIEW.md 等文件向评审者注入项目上下文，并快速回滚机制兜底。6 月至 9 月间合并 PR 数量翻倍，回滚率下降超 40%，实现了用最少人工环节保障代码质量的目标。
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'。
Adopting the software factory model: crawl, walk, run
文章介绍从本地交互式 Agent 向云端自动化软件开发过渡的三阶段策略：Crawl（爬）、Walk（走）、Run（跑）。Crawl 阶段通过云端 Agent 构建简单自动化，如 issue 分诊、代码评审、CI 自愈、文档更新和 bug 修复，风险低且有助于积累经验。但这些点状方案存在上下文不共享、缺乏全局指标和运维负担重等局限。Walk 阶段则需要整体性的云端软件工厂方案，包括云端默认开发、集中治理、完整审计追踪、模型与 Harness 的可选性、与现有工具集成，以及共享上下文层和评估体系。作者建议通过在简单项目上端到端部署首个工厂作为关键里程碑。
四步软件工厂详解：用 Markdown 驱动多个 AI Agent 并行开发
文章介绍了 Mickey 在 Startup Ideas Podcast 上展示的多 Agent 并行开发工作流——'软件工厂'。该方案基于几个 markdown 文件和 agents.md，与模型和工具无关，支持 Codex、Claude Code、Cursor 等。四步流程：1) Isolate：每个新功能在独立 git worktree 分支开发，避免 Agent 相互覆盖；2) Build：用代码结构 skill 规范架构，保证代码可读；3) Prove：要求 Agent 提供前后对比证据（录屏、截图或性能数据），未达标自动回退重做；4) Ship：接入 Greptile 等代码评审 Agent 打分，达到 5/5 才合并。作者强调核心是工作流和领域知识而非模型本身。
Ai Vibe Coding：小白也能看懂的产品稳定性教程
文章以面包店从街角小店成长到全国连锁的故事为比喻，系统讲解网站如何应对用户增长与稳定性挑战。从单体架构（一台烤箱）讲到垂直扩展、数据库索引、N+1 查询优化、缓存与缓存失效、水平扩展、负载均衡与自动扩缩容，再延伸到 Docker 容器化、CI/CD、可观测性、读写分离、微服务拆分、CDN 内容分发，以及限流、队列与异步处理等高并发应对手段。用通俗类比帮助零基础读者理解前后端、数据库、缓存等核心概念，掌握系统扩容与稳定性的基本方法论。
AI Engineering Skills Map: 软件工程基础
吴恩达探讨了在智能体编程（agentic coding）时代，软件工程基础知识为何依然重要。即使编码智能体可以代写全部代码，开发者仍需理解软件基础，才能引导智能体在延迟、可用性、一致性、可靠性、可维护性和成本等方面做出正确权衡。文章归纳了AI工程师应掌握的核心技能：构建全栈应用、管理数据、设计系统架构、保障系统安全可靠、以及在生产环境的扩展与运维。他强调，死记语法等知识正在过时，但深入理解软件原理的开发者远胜于盲目'氛围编码'的新手。
AI 原生软件开发生命周期手册：如何借助 AI 逐阶段改造 SDLC
本文是 Anthropic 官方博客《The AI-Native SDLC Playbook》的中文译介，作者 DUOROU LIU。文章指出当 AI 让代码编写不再是瓶颈时，传统软件开发生命周期（SDLC）的审批、评审和交接环节反而拖慢效率。AI 原生 SDLC 保留原有控制目标，将 AI 智能体嵌入计划、设计、开发实现、测试、部署和维护六个阶段，形成持续循环：各阶段以版本控制的产物（intent.md、spec.md、plan.md、代码差异、评审结果）衔接并自动触发下一阶段，人的判断保留在关键节点。文章详细介绍了各阶段的具体实施步骤、治理考量和衡量指标。
构建AI原生的软件开发生命周期
随着AI编程智能体的兴起，传统的敏捷开发流程已无法有效扩展。文章深入解析了Tenex团队开发的AI原生软件开发生命周期系统——MetaHarness。该系统旨在解决智能体执行速度超越系统上下文维护能力的风险，提出了将“上下文即代码”、制定允许动态调整的详细计划等八大核心原则。通过引入严格的文档语法、单一事实来源以及连接紧密的工程蓝图，MetaHarness实现了人机高效协作，使软件开发变得更快速、健壮且可衡量。
软件工厂是工作流而非产品：用Agent实现自动化
作者提出“软件工厂”本质上是一种自动化工作流而非单一产品。文章拆解了从获取任务到提交代码的软件开发全流程，并指出通过Agent、MCP、CI等工具组合即可轻松构建该工作流。相比于依赖容易失效的PRD和文档，作者主张记录真实的开发执行轨迹。将软件工厂视为自动化模式而非100%包办代码的万能产品，能有效解决现实开发中的复杂跨库等痛点，显著提升研发效率。
AI驱动的超小型工程团队实践
文章讲述了一个2人AI辅助团队在3.5个月内完成了原定7-8月的复杂计费系统重构。作者强调，通过前期构建上下文、严格的技术规格说明和代码审查流程（V.U.E.），小团队利用AI能大幅超越传统大团队的生产力。
零基础建站完全指南（收官）：决策地图与避坑清单
本篇为零基础建站系列的收官总结，并未介绍新工具，而是通过一张决策地图梳理了从练手到正规运营的三种建站方案（纯免费、免费+域名、国内正规），详细对比了成本与优劣。文章重点讲解了如何从海外免费路线平滑升级至国内正规备案路线，并汇总了代码、部署、域名及备案环节的全流程避坑清单，旨在为初学者提供一份完整的建站速查手册。
GitHub 开源宝藏：线性代数可视化教材与 3D 交互教学工具
文章推荐了两个 GitHub 上的优质开源教育资源。一是《线性代数不难》，这是一套通过几何可视化、动画和配套 .ipynb 笔记本将抽象概念直观化的开源教材，适合机器学习入门。二是 AetherViz Master，一个利用 Three.js + SVG 自动生成 3D 交互式教学网页的工具，能帮助教师将复杂的物理、数学等知识点转化为可视化的互动演示。
