本文基于 OpenAI 工程师 Ryan 的演讲，深入探讨了在 AI 代码生成日益强大的背景下，软件工程范式的转变。核心观点是“代码免费”，实施不再是瓶颈，人类真正的价值在于“指导”和“编排”。文章指出，Harness Engineering 的本质是将人类经验、标准和 taste 转化为上下文和 guardrails，赋予 agent 完整的权限和工具，使其成为自主的执行者，而人类则转型为团队的管理者，专注于定义标准、观察错误和优化流程。
文章介绍如何在OpenAI发布Dots常驻Agent和GPT-6 Astra（百万token记忆）后，搭建一个24/7自主运行的AI工作流。核心难题是常驻Agent会高频产生大量简单决策，用前沿模型成本高昂。解决方案是TypeSafe推出的System One模型Jev：它只能输出结构化决策（是/否、选择、评分）并附带置信度，单价仅$0.042/百万token，使百万次决策成本约$42。文章展示了将Jev作为低层决策器、Astra作为高阶思考引擎的组合架构，让独立开发者从写代码转变为定义任务、设限并审核产出的监督者角色。
本文介绍 2026 年构建多模型 AI Agent 团队的完整方法。作者指出使用单一模型会导致高成本低效、专业能力受限以及单供应商故障/盲点风险，主张按任务步骤选择合适模型。文章梳理了 2026 年 9 月的主流模型阵容（Claude Opus/Sonnet/Haiku/Fable 5.1、GPT-6 Astra、TypeSafe Jev）及定价，提出五层架构：路由器、编排器、专家模型、评审者（critic）和纯代码层，并讲解如何先对工作负载分类（决策、简单生成、真实工作、难题），再为每层选择最划算的模型。文中附有统一封装多供应商 API 的示例代码，涵盖 effort 参数与 thinking block 处理细节。
作者以程序员视角深入分析了数字生命卡兹克零编程基础、纯靠 AI 构建的开源项目 AIHot（AI 热点新闻聚合网站）。文章详细解读了项目的技术选型与架构：TypeScript 全栈 monorepo、React Router SSR 前端、Fastify API、pg-boss 任务队列，以及 RSS、网页爬虫、JSON 接口、推特、微信公众号等六种信源采集方式。重点剖析了其基于大模型的文章处理流程：预筛、五维度加权打分、摘要生成、向量聚簇归组。作者由此引申讨论 AI 时代软件工程可维护性标准的转变：程序员注意力从代码实现转向架构设计与约束，类比铝从贵金属到飞机材料的价值观变迁。
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'。
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。
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。
OpenAI初创团队Applied AI负责人Wulfie Bain指出，即使是顶级AI创业公司，其提示词也普遍存在矛盾与歧义。核心原因在于提示词的演进是增量式的：只加不删，无人端到端审查，导致“意面式”提示词；而工程师依赖隐式知识解读提示词，忽略了模型缺乏这些背景。作者主张将提示词视为产品决策和代码来对待——结构化、模块化、可维护（MECE原则）。通过重构提示词，多家创业公司实现了提速50%、留存提升40%、成本降低30%的效果。
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。
文章交叉解读Google、OpenAI、Anthropic与LangChain四份行业报告，指出AI对软件工程的最大影响不是提高单环节效率，而是迫使企业重构整个软件开发生命周期。核心观点包括：代码生成正从稀缺能力变为基础能力，交付瓶颈向需求、验证、审查和治理迁移；Context与Harness比模型能力更关键；测试与Evals须形成持续闭环；人类从主要实施者转向意图定义者与风险责任人。文章详细阐述了从意图制品到生产反馈的AI原生工作流、vibe coding与agentic engineering的区别，以及治理如何通过Skills与Hooks等机制在行动时强制执行。
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。
这是一篇面向新手的 Codex 全面教程，系统讲解了 OpenAI Codex 这一可实际操作的 Agent 工具。文章从界面布局、项目与任务管理讲起，详细介绍了 Local、Worktree、Cloud 三种工作区模式的选择，Plan 计划模式的适用场景，权限与沙盒的配置方法。还覆盖了集成终端、内置浏览器、Computer Use、Memory 等基础工具，CLI 常用命令与快捷键，AGENTS.md 项目规则文件的写法，并厘清了 Skills、Plugins、MCP 三者的区别与用法，帮助读者独立上手 Codex 完成实际任务。
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。
