大部分人的 TDD 其实用错了——AI编程中的三位一体开发模式
许多人在 AI 编程中尝试 TDD 后放弃，原因是开发速度慢、测试用例无意义。作者指出，TDD 应只用于关键步骤，且测试用例需准确校验需求。文章介绍了 TDD - Seam - Tracer Bullet 三位一体开发模式：先识别模块间的 Seam（接缝）作为最佳测试点，以 Tracer Bullet（曳光弹）竖切模式规划完整实现路径，有 Seam 的部分用 TDD，其余用 Agent 默认模式，从而平衡代码质量与开发速度。
相关文档
为什么越来越多人愿意自己搓一个工具
文章以微博VibeLab AI创意赛（2500多件作品）为切入点，分析了Vibe Coding兴起的五大原因：一是AI Agent大幅降低了编程门槛，写代码从专业技能变成语言表达能力；二是传统软件无法满足个性化长尾需求，现在普通人可以自己动手实现；三是开发链条缩短，从想法到交付只需几步，甚至无需界面产品，一个脚本或Agent Skill即可；四是模型能力持续升级，从Copilot补全到Claude Code自主探索再到操作电脑；五是做工具心态变化，从宏大目标转向解决具体痛点。最后作者给出实用建议：从写Agent Skill起步，分步骤做原型、MVP再迭代，注意验收与安全，并把作品发布出来获得反馈。
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。
What happens to engineers when AI writes all the code?
文章探讨当 AI 能编写几乎所有代码时，工程师的角色将如何演变。以 PostHog 为例，其 monorepo 中由 agent 发起的 PR 已从 20% 升至 70%。作者认为工程师不会消失，而是转向四项核心工作：一是监控全局，通过构建 standup bot、repo scout 等系统及时获取信息并确定优先级；二是设定方向，综合经验、用户价值、技术可行性和竞争格局做出取舍，避免被 AI 轻易生成的功能带偏；三是决定如何构建与实现，凭借对代码库和实现细节的理解确定范围、提出正确问题；四是评估 agent 的工作产出。工程师的价值从写代码转向监督、决策与系统设计。
从一篇 AGENTS.md 指南到 AgentsMD-GEN
作者基于 Matt Pocock 的《A Complete Guide To AGENTS.md》撰写读后复盘。文章指出 AGENTS.md 是定制 AI 编程 Agent 行为的配置层，常见问题是规则不断累加形成难以维护的泥球，并消耗模型上下文与注意力。原文提出指令预算和渐进披露等治理方法。作者提炼出四条认识：AGENTS.md 是配置不是百科、稀缺的是上下文、好规则需有证据与作用域与长期价值、按需加载有成本。面对原文反对自动生成与其自身开发生成器 AgentsMD-GEN 的表面矛盾，作者主张用纪律约束自动化，介绍了该 Skill 的指令放置、克制、只读检查器和验证等机制，把认真维护配置从自觉变成可执行流程。
Codex Skill 装机清单之通用必备 10 个 Skill
文章提出三个核心判断：装了 skill 不等于会被调用（Vercel 测试显示默认配置下 56% 的用例中 skill 未被触发，需显式指令）；Codex 兼容性不能靠猜，官方插件市场、npx skills CLI、git clone 三条安装路径可靠性递减；装多了会互相冲突。随后详细推荐 10 个通用 skill：superpowers、mattpocock/skills、addyosmani/agent-skills、ok-skills、graphify、archify、last30days、taste-skill、Anthropic-Cybersecurity-Skills 和用于环境校验的 agnix，并给出安装路径取舍建议与避坑清单，强调效率提升在于正确的工具链配置而非盲目堆砌插件。
AI 编程实战教程（2）：从需求到被搜到，必不可少的 2 个开源 SEO 和 GEO 工具
文章讲述 Vibecoding 产品上线后常被忽视的 SEO 与 GEO（AI 引用优化）问题。作者分享自己转化页因抓取配置错误对搜索引擎和 AI 抓取程序隐身三个月的踩坑经历，并推荐两个开源工具：geo-seo-claude 提供 16 个 skill，从可抓取性、可读性、可引用性、内容质量四层漏斗做全面检查与前后对比；agency-agents 的 4 个 agent 从策略角度复核结论。文章附安装使用步骤及真实 Search Console 数据：改造后曝光从两周 1 次点击提升到 63 曝光、9 次点击，强调持续对比比单次检查更重要。
半年后的今天，我怎么用 AI 写代码
作者回顾了半年间 AI Coding 实践的演进：三月通过 Harness Engineering 给模型加约束，八月换成更轻量的 Pi 减少上下文注入，如今实践进入稳定态。文章介绍了当前工具栈，包括 matt skills（需求对齐、spec 拆解、TDD 实现）、ponytail（消除 AI Slop）、subagent 加 worktree 并发开发等。作者提出完整的日常 Coding SOP，从脑暴对齐到垂直切片再到 subagent 实现和人工 Review，并指出人工 Review 已成为新的瓶颈，介绍 Ensemble Review 多模型交叉审查方案。最后强调软件工程基本功与工程直觉在 AI 时代愈发重要。
从 intent.md 到闭环：AI 原生软件开发的六个阶段、一条产物链、几道审批门
文章深度解读 Anthropic 发布的《AI 原生 SDLC 手册》。作者指出核心问题在于流程而非代码：AI 写代码速度大幅提升，但审批、评审、治理等环节仍按人的速度运转，效率在流程中被消耗掉。AI 原生 SDLC 的思路是保留原有控制目标、更换执行方式，包含三个机制：流程从线性变为循环、每个阶段以提交一个产物结束（intent.md、spec.md、plan.md 等）、人的注意力集中在审批门上。文章逐一梳理了计划、设计、构建、测试、部署、维护六个阶段的具体做法，包括 plan mode、CLAUDE.md、skill、hook 护栏、并行会话、eval 持续评估、PR 评审和托管设置等，最后通过监控指标驱动的闭环实现自主运行。
我怎么用 AI 编程 2026.08：并发化工作流
作者分享了两个月来 AI 编程实践的核心变化：并发。设计打磨从串行问多遍改为并发问多个 agent，review 并行跑多个模型，项目用 Herdr 管理一排。主工具为 Qoder CLI 和 Claude Code，用 Codex、Agy、Grok Build 做对抗性 Review。研发流程包括 Brainstorm、Save Design、Improve Design、Impl、Review 五个原子节点，作者倾向花 90% 时间打磨 design。此外还介绍了基于 skill 的定时任务编排、Robobun 复刻尝试以及 Hunk、Moeka 等轻量周边工具。
百万级 Skill grill-me：从安装到实战
本文介绍 Matt Pocock 开发的一套 AI 开发 Skills，包括 grill-me、to-spec、to-tickets、implement、tdd、code-review 和 grill-with-docs 共七个工具。核心思想是：AI Agent 最危险的不是慢，而是过于愿意在需求模糊时继续执行并自由发挥。这套 Skills 通过先追问清楚需求、把共识写成规格、拆成可验证任务、用测试约束实现、最后分轴审查代码，将问题反馈提前到写代码之前，从而减少返工。文中提供了 Claude Code 和 Codex 的安装方法以及每个 Skill 的可复制提示词。
Superpowers为什么在毁掉你的工作流？
本文作者作为Superpowers插件早期用户，分析了该插件中14个skill在当前前沿模型（如GPT 5.6 Sol）日益强大的背景下的适用性。作者认为，虽然每个skill本身具有合理的软件工程依据，但作为强制工作流组合使用时，会导致流程复杂化、过度设计、时间和token消耗增加，反而降低开发效率。建议开发者根据实际需求提炼使用，而非全盘套用。
10万开发者调查证实AI写的代码大部分是垃圾，这个Harness Engineering方法论把产出质量拉高了3倍
本文介绍了 HumanLayer 创始人 Dex Horthy 提出的“Harness Engineering”方法论，旨在解决 AI 编码 Agent 在复杂代码库中产出质量差的问题。核心观点包括：上下文窗口管理是关键（区分“聪明区”与“笨蛋区”），通过 Research-Plan-Implement (RPI) 流程压缩意图，以及利用子 Agent 进行上下文控制而非角色扮演。文章强调要审查计划而非代码，避免外包思考，并指出未来的挑战在于团队流程的适应。
