ai coding

終不似少年遊*

【AI Coding实战方法论】从计划协作到架构护栏，一套能长期复用的工程流程摘要：用过 AI 编程助手（Claude Code、Codex、Cursor 等同类工具）的开发者，很容易遇到两类问题：一是需求边做边改、返工频繁；二是 AI 生成的代码边界混乱、越改越不敢动。本文把「怎么指挥 AI」与「被生成的代码该守住什么架构底线」合并成一套完整闭环：先把项目约定写进规则文件，再先计划后执行，控制好对话与上下文；在代码侧用分层、模型先行、工程纪律和状态机作为护栏；最后用 Skills / Hooks / MCP 与多 Agent 扩展协作，并从成熟 Agent 运行时结构反推可迁移的

网易CodeWave-小码哥

AI Coding 实战：用 EARS、原子任务与 E2E 测试减少返工AI 能写出代码，不代表它知道该写什么。需求没写清、没拆细、没接进验证，这些问题不解决，模型越强，返工越贵。近日，量子位智库发布《Agent 驱动的企业智能化：单点提效到规模化重塑》（以下简称“报告”）。报告把企业 AI 落地的卡点归纳为六条断点，排在第一位的不是模型能力、不是数据质量，而是任务不清晰。放到企业软件交付领域里，这句话可以翻译得更直白：AI 交付的上限，由喂给它的需求决定。而把需求变成“机器能准确消费的东西”这件事，有一个朴素的名字：需求工程。它是 AI Coding 时代最被低估的投

小七-七牛开发者

从 GLM 到 GPT，HarnessPro 如何用 RSI 降低 Agent 成本同样一个开发任务、同一个模型，不同的 Coding Agent 会因为它们的执行策略不同，而产生截然不同的结果。有的 Agent 能够快速定位问题，并完成修改；有的 Agent 会反复搜索文件、尝试各种修复方式，花费大量 Token 最终完成相同的任务。

小七-七牛开发者

周一上线 | DeepSeek 开始卷“许愿式编程”，Agent 手机来了，Character.AI 申请破产这期的「周一上线」，一边是模型继续往复杂工程、长期 Agent 和多模态推理推进，一边是 Agent 也开始从模型本身往开发工具、基础设施和个人终端里走。

姜楠聊AI转型

团队AI编程落地第 8 篇：AI 编程 Rules 规则模板（可直接复制）：分层写法 + 5 个原则 + 维护机制同样一个模型，不同团队用出两种效果。差在哪？差在 Rules。背后的原理是模型对规则的注意力有限。好消息是 AGENTS.md 已经是跨工具开放标准，Claude Code、Cursor、Copilot、Codex 都通用。

姜楠聊AI转型

AI 编程安全合规怎么落地？三大风险 + 四道防线（数据脱敏 / 漏洞左移 / 审计 / 权限路由）先认清对手。风险和数据都对得上：四道闸对应四组配置，照着往下接就行：防线一数据不出域：DLP 网关 + pre-commit 密钥扫描（gitleaks/trufflehog）+ .aiignore + 私有化模型路由 + 工具传输审计；

5.《Designing Data-Intensive Applications》：系统设计与分布式能力提炼第五阶段学习目标：从软件工程、代码设计、应用架构进一步进入系统设计。核心问题：当一个程序变成一个真正的系统，面对大量数据、多个进程、多个服务和大量用户时，应该如何设计？

4.Clean Architecture：架构与系统边界能力提炼第四阶段学习目标：从“如何组织代码”进一步进入“如何组织整个软件系统”。核心问题：当项目越来越大时，模块、业务、UI、数据库、第三方 SDK 应该如何划分边界？

3.《设计模式》：软件设计与解耦能力提炼第三阶段学习目标：理解常见的软件设计问题，以及如何使用抽象、组合、接口和多态控制复杂度。核心思想：不要背设计模式，要理解“为什么需要这种设计”。

讲透 Claude Code 系列（四）：Claude Skills 完全指南：可复用的“专业能力包”从入门到精通在深入具体的 SKILL 之前，这里还是啰嗦下介绍SKILL 的本质。SKILL 不是代码库，不是插件，不是 API——它的本质是一套基于 Prompt 注入的动态上下文增强机制。

SDD + 敏捷混合工作流 — 长期项目的最优解前 3 篇博客讲了 SDD 实战感悟、模板、决策清单。本文是 SDD 系列第 4 篇——**长期项目（1 月 - 1 年）**的最优解：SDD + 敏捷混合工作流。

【AI Coding】5-Pi Agent Harness：一个极简终端编码Harness的解构前四篇我们依次解决了四个问题：上下文演化、Skill 体系设计、Skill 精准触发、多 Agent 协同与成本边界。本篇切入一个更高频的问题：当 Claude Code、Codex、Cursor、OpenCode、Pi 这些终端编码工具摆在一起，我们到底在选择什么？答案是 Harness——模型之外的整套运行框架。本文以 2025 年 8 月诞生、至今仍保持"极简内核"定位的 Pi Agent Harness（作者 Mario Zechner / badlogic，MIT 协议）为主线，拆解 Har

小七-七牛开发者

拆解 dsh 系列：从源码和版本变化看 DeepSeek Harness 的设计取舍DeepSeek Harness 发布才两周，但翻看它的 Git 历史，会发现它在第一个公开 rc 出现之前，其实就在内部打磨了两个月。

小七-七牛开发者

Agent 小知识 | Skill 的设计与生命周期：从工具接口到能力模块上一期我们聊了 Agent 的环境，承载文件、网页、进程和数据库等真实对象，工具则构成 Agent 的观察空间与行动空间。

小七-七牛开发者

拆解 DeepSeek Harness：Profile 与 Bundle 如何装配运行时前一篇讨论 Cordis 插件架构「解读 Cordis：dsh 一切皆插件背后的运行时设计」时，我们看到 dsh 把工具、模型适配器、会话、Agent Loop 等运行时能力拆成了插件。这样一来，运行时中的各个组件可以独立地完成注册、替换和退出。

小七-七牛开发者

61 亿次请求背后：LLM Serving 的 Cache 与调度难题随着 LLM 进入真实业务环境，LLM Serving 面临的问题正从单纯的单次推理加速，扩展到集群层面的资源调度与运行效率。一次请求的计算成本不仅取决于模型参数量，还受到输入输出 Token 长度、用户交互方式、上下文复用以及请求路由策略影响。

ChatGPT、Codex实战：为什么AI一次改太多代码，反而更容易出问题？很多开发者第一次真正把Codex用在大型项目里，会遇到一个非常奇怪的体验。以前：自己改代码。一个Bug可能改几个文件。

ChatGPT、Codex实战：为什么AI改代码越来越快，但你越来越不敢直接合并？很多开发者最近遇到一个很矛盾的场景。以前写代码：一个功能写一天。改几十行代码。提交之前，自己基本知道每一行为什么这么写。

ChatGPT、Codex趋势：为什么AI时代最重要的能力，不是写代码，而是定义问题？很多开发者最近发现一个变化。以前遇到一个需求，最耗时间的是：写代码。调试。查资料。实现功能。所以很多人认为：