Why Software Factories Fail
文章探讨了AI驱动的软件工厂模式面临的挑战。作者指出，尽管AI编码工具看似能提高效率，但实际应用中往往导致代码质量下降、Bug增多和事故频发。问题不在于技术技能不足，而是模型训练的根本性限制。
🏷️ 代码质量
9 篇从零开始玩转循环：AI Agent 的四种循环模式与最佳实践
本文深入探讨了 AI 智能体中的“循环”设计理念。文章将循环定义为重复执行工作周期直至满足停止条件的过程，并详细介绍了四种主要模式：回合制、目标导向、基于时间和主动式循环。文章还提供了控制 Token 消耗、维护代码质量及选择合适场景的实用建议，旨在帮助开发者利用 Claude Code 高效构建自动化工作流。
从盲区扫描到测验合并：重写 AI Coding 工作流
文章基于 Anthropic 员工 Thariq 的理念，探讨了 AI 编程中的核心痛点：通过“未知项管理”替代单纯的“Prompt 优化”。作者将未知项分为四类，并提出了相应的解决策略：用“盲区扫描”发现隐性问题，用“多版原型”明确模糊标准，用“实现笔记”记录代码逻辑，最后通过“反向测验”确保开发者理解变更。这套流程旨在将未知项在低成本阶段暴露，避免后期返工，实现高质量的 AI 辅助编程。
Claude Code 官方循环工程入门指南
本文介绍了 Claude Code 中的“循环”概念，即智能体重复执行任务直到满足停止条件。文章详细讲解了基于回合、基于目标、基于时间和主动式四种循环类型，并提供了相应的使用场景与示例。同时，文章还分享了保持代码质量和管理 Token 用量的最佳实践，帮助开发者高效利用 Claude Code 完成复杂的自动化任务。
Codex Skill 小白避坑指南
文章介绍了 Codex Skill 的核心概念及其作为“工作说明书”在规范 AI 工作流程中的作用。针对新手用户，作者推荐了四类必备 Skill：规划类、GitHub/CI 类、文档查询类及测试质量类，并提供了安装避坑建议与使用技巧。文章旨在帮助小白通过 Skill 将 Codex 从简单的聊天框升级为标准化的工程助手。
The AI Agent Complexity Ratchet: Why 90% Test Coverage Is Required
文章探讨了 AI 编程代理（Agent）如何改变软件开发的范式。作者通过 GStack 和 GBrain 两个开源项目的经验，指出 AI 使得同时实现高速度和高质量成为可能。核心在于构建“复杂度棘轮”：即 90% 的测试覆盖率。AI 代理能伴随代码编写测试、文档和评估结果，确保每次迭代都建立在质量底线之上，防止退化，从而实现只能变好不能变坏的“单向运动”开发模式。
利用函数式事件溯源消除业务逻辑 Bug
文章介绍了一种基于函数式事件溯源（Functional Event Sourcing）的库，旨在让业务逻辑 Bug 在结构上不可能发生。作者通过定义可组合的状态机，在类型层统一描述状态转换，自动生成决策逻辑和演化逻辑，从而避免两者不一致。此外，该库还能自动生成 Mermaid 流程图，并利用 SMT 求解器验证业务不变性，大幅提升代码的健壮性和可维护性。
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。
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。