为什么你的“AI 优先”战略可能大错特错
文章探讨了“AI First”战略的误区，指出单纯引入 AI 工具并不等于 AI 优先。真正的 AI 优先需要基于“AI 是主力构建者”的假设，彻底重构流程、架构和组织，即“软件工程 First”。文章详细介绍了 CREAO 团队如何利用脚手架工程、统一代码库、CI/CD 流水线和自愈反馈循环，实现 99% 代码由 AI 编写且一天部署多次的高效模式，同时也指出了该模式适用的场景与局限性。
相关文档
8 Software Books AI Has Made More Relevant
作者探讨了在AI能大量生成代码的时代，哪些软件工程书籍反而变得更加重要。文章推荐了八本书，覆盖从产品决策到交付的核心领域：《Escaping the Build Trap》强调构建正确的产品、《Specification by Example》统一需求理解、《Learning Domain-Driven Design》明确业务含义、《Software Architecture: The Hard Parts》权衡架构取舍、《Designing Data-Intensive Applications》理解数据保证、《Threat Modeling》识别安全威胁、《Release It!》应对生产故障、《Accelerate》改进交付流程。核心观点是：委派给编码Agent的实现越多，识别其决策是否合理的能力就越有价值。
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。
如何让你的 AI 智能体能力提升 100 倍
文章探讨了如何通过建立完善的评估系统来防止 AI 智能体随着时间推移而性能下降。作者提出了利用文件夹结构和特定提示词记录规则、错误和边界情况的解决方案，将模糊的“感觉”转化为具体的测试用例，从而确保智能体持续高效工作。
做 AI Agent 一年，90% 的时间都在做表面功夫
作者通过一年的 AI Agent 开发实践，发现 90% 的时间浪费在手动测试上。受芯片“验证不对称”理念启发，作者提出构建可验证的架构：通过前后端分离（ACI）使系统对 AI 友好，并引入“确定性断言”和“LLM 裁判”两级回归测试体系。最终实现了由 Coding Agent 自动运行的闭环开发，将开发者从繁琐的手工验证中解放出来，重塑了 AI 时代的开发效率。
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。
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。
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。
How I Rebuilt My AI Agent Team After Anthropic Cut Off OpenClaw
文章作者分享了在 Anthropic 切断 OpenClaw 对 Opus/Sonnet 的访问后，如何重构其 AI Agent 团队的实战经验。为了弥补模型性格差异和访问限制，作者通过引入 Paperclip 作为工作控制平面，结合 Codex、OpenAI GPT-5.4、本地模型（Ollama）及 Tailscale 等工具，构建了一个包含语义记忆搜索、安全路由及任务分配的完整技术栈。作者强调，只有将运行时、控制平面和执行模型紧密结合，才能构建出真正可用的数字团队。
为什么你的“AI优先”策略可能是错的：从辅助到重塑工程流程
文章指出，仅仅将 AI 工具（如 Copilot）加入现有流程只是“AI 辅助”，而非真正的“AI 优先”。作者以 CREAO 为例，介绍了“Harness Engineering”理念：通过将代码库统一为单体仓库（Monorepo）以提高 AI 的可读性，利用 Claude 进行自动化代码审查，并建立自愈反馈循环，从而将工程流程从围绕人类编写代码转变为围绕 AI 构建系统，实现极高的迭代速度。
Claude Code 架构深度解析：构建生产级 AI 代理框架的最佳实践
本文深入剖析了 Anthropic 的 Claude Code 源代码，揭示了构建生产级 AI 代理框架的核心架构设计。文章指出，真正的代理框架不仅是模型和上下文，更包含了基础设施、多租户和权限控制。关键设计亮点包括：使用异步生成器而非 while 循环来实现可取消、可组合的代理核心；通过并发分类实现工具执行的速度与安全平衡；四级 CLAUDE.md 层级结构实现企业级策略管理；以及系统提示缓存优化、多级上下文压缩策略和精细化的错误恢复机制。
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。
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。
