AI写代码越写越乱？问题不在模型，而在上下文管理失效_服务软件

1. 停止吹捧AI的10x 生产力，“认知过载”让高级工程师更加职业倦怠

2. 团队用vibe coding后，代码审查效率反而下降了，ai 为什么还不能替代初级程序员吗？

3. 把C++写的老项目重构成现代框架?给AI吧我不干了!

4. 用 AI 写的代码，最终会不会让整个项目成为屎山？

5. 刚给一家公司作了咨询，他们的痛点是全面应用了AI编程，但并没觉得有什么效率提升，反而导致了各种问题。我找了几个开发人员简单聊了一下，听他们的操作的我笑了。这是古法思维在玩AI编程，那肯定要崩的。 AI编程在软件工程中应用的最大障碍是生成代码速度与代码质量控制的矛盾。简单说就是AI无论你说什么，他都能给你圆上，输出一堆似是而非，看上去一本正经，其实是胡说八道，糊弄式的生成内容。这在软件工程中是非常致命的。很多程序员本身能力不强，依赖AI生成代码，没能力对AI生成代码审核，跑通了就敢往上提交。到我去看的时候，他们的AI编程项目已经成了一座巨大的屎山，耗费了天量的token，生成了一堆垃圾。各程序员之间没有协同，AI按提示词模板各自发挥，可以说是整个团队在AI的幻觉中放飞了自我。以为花了大钱买了国际知名AI编程工具能让公司起飞，结果是一地鸡毛。他们也尝试改进过策略，挑了十几个精英为AI做code review，结果是AI生成飞快，CR慢如蜗牛，速度还不如传统古法编程了。老板都懵了，到底哪出问题了，不是说用了AI降维打击了吗？结果没打击竞争对手，先把自己给打击了。他们又反思了，觉得集中式CR确实还不如古法编程，开始搞提示词规范化，原来用AI放飞自我的团队开始用AI生成提示词，几个团队不对代码开始对提示词了。提示词生成多了还需要管理起来，还得给提示词分模块，搞了一个巨大的提示词库。用AI生成的提示词让AI进行编程，那效果别提有多酸爽了。我问他们，把严格的代码逻辑编程变成模糊的自然语言编程，有意思吗？几人语塞。老板问我怎么解决，我说花钱吧，花钱买我课程，哈哈。不要指望在自己是白痴的情况下AI能把你带飞，AI编程的强大之处在于强者杠杆的指数效应，也就是说越强的人用AI越强，普通人用AI仍然普通，甚至会造成负作用。现在AI编程用得好的公司都是短小精干，百十人，人均强者，自己审核自己的代码，知道怎么控制AI进行高效率高质量产出，知道怎么与同样频道的人协作。一句话，强大的AI需要强大的人类，宝刀还得配英雄。不提升自己仅想花钱买个工具就变强，纯属痴人说梦。我跟老板说，考虑开人吧，把所有能力平庸的程序员全部开除，然后用三倍五倍的价格，招聘原来十分之一的强人进来，你的团队效率马上质变，AI编程也就能落地了。没办法，这就是现实。

6. 【你以为AI编程拼的是提示词，其实高手都在“驯化”项目结构】快速导读：别再卷提示词了。想让Claude像个真正的工程师一样干活，关键不是怎么“说”，而是怎么“放”。一个结构清晰的代码仓库，远比一段天花乱坠的提示词更重要。---多数人还在琢磨怎么把提示词写出花来，但真正拉开AI编程效率差距的，根本不是提示词。你以为让Claude写出好代码，靠的是把需求描述得滴水不漏。其实，如果你的代码仓库一团糟，它就只是个聊天机器人；如果结构清晰，它才表现得像个住在你项目里的高级工程师。这中间的差距，比人和狗的差距都大。秘诀在于给AI建立一套“项目解剖学”。这套结构，就是AI的“短期记忆”和“行为准则”。它只需要四个东西：1. CLAUDE.md：项目的北极星文件，简要说明系统目的、仓库地图和交互规则。短小精悍，废话太多AI会抓不住重点。2. .claude/skills/：可复用的专家模式。把代码审查、重构、调试等固定流程变成技能包，随时调用，而不是每次都在提示词里重复念叨。3. .claude/hooks/：自动化护栏。模型会忘事，但钩子不会。比如编辑后自动格式化、核心代码变更后触发测试，把AI工作流变成可靠的工程系统。4. docs/：渐进式上下文。别把几万字的需求文档塞进提示词，让AI自己去查阅架构图、决策记录和操作手册。它不需要记住一切，只需要知道“真理”在哪。有人在一个5万行代码的库上实践这套方法，Claude的错误率直接降低了大约60%。评论区里一片“原来如此”的声音，大家普遍认同：结构大于提示词，仓库本身就是终极提示。提示词是租来的，结构才是你自己的。所以，如果你还在每天花几小时跟AI“念经”，却发现它总是犯些低级错误，问题很可能不在你的提示词写得够不够“魔法”，而在你的项目结构是不是一坨屎。别再抱怨AI笨了，也许它只是在你的烂摊子里迷了路。---简评：这篇文章精准地指出了当前AI辅助编程领域的一个核心误区：过度迷信“提示词工程”，而忽略了更基础也更重要的“上下文工程”。它提出的“项目结构即提示”的观点，对于那些感觉AI“不好用”的开发者来说，无疑是一次认知矫正。从“教AI做事”转向“为AI搭建舞台”，这才是人与AI协作的正确姿势。---ref: x.com/vishisinghal_/status/2032368817981305196#AI创造营##人工智能#

7. Cursor 2.2更新：可视化编辑器+Debug Mode，写前端的有福了

8. 最近我几乎每天都在跟AI一起编程，有时一天都不睡觉。不咋看微信、十几个小时连轴转，对着手机给AI下指令，让它做智能体、改Skill……#大有学问 #人工智能 #红衣聊AI #openclaw

9. 大语言模型（LLM）在写代码方面已非常强大，但要构建非简单应用，自己仍需懂代码。任何声称“不懂代码也能做复杂App”的说法，要么是推销，要么是不懂实际开发。不过，学代码从未如此便捷。你只需几个月的刻意学习，利用最先进的语言模型，就能自己用AI辅助打造非简单应用。核心在于：AI能帮你写代码，但你必须理解软件逻辑、系统架构和调试方法，才能驾驭复杂项目。否则，代码生成很快会陷入重复、杂乱、难维护的陷阱。理解代码背后的原理，是辨别AI建议优劣的关键。传统的4年计算机科学学位正逐渐失去性价比，更高效的方式是结合现代AI工具，短期内集中学习基础和实战。让AI成为“加速器”，而非“替代品”。初学者或转行者可通过结构化训练，搭配LLM辅助，快速跨越语法和模板壁垒，把时间花在架构设计和问题解决上。即使没有多年写码经验，掌握逻辑思维和系统规划，也能构建商业级应用。真正的挑战不在“写代码”，而是“理解需求，设计系统，解决复杂问题”。AI压缩了学习曲线，但你必须能提出正确的问题，给模型准确上下文，才能发挥最大效能。AI让“学编程”更快、更易，但不会取代对代码和系统的深刻理解。非简单应用的门槛没消失，只是形态变了——从打字写代码，转向理解架构与调试。未来属于懂得与AI协同、善于系统思考的开发者。原文：x.com/ImSh4yy/status/1993397933895450871

10. 关于 VibeCoding 时代的思考，未来程序员的工作到底是什么么样的？需要什么样能力的程序员呢？1、现在的瓶颈不是写代码了以前做技术活，项目管理、需求文档、测试流程这些都很成熟，但写代码本身通常还是最花时间的部分。现在不一样了。AI 让写代码变得特别快，有时候几分钟就能生成一大段。真正拖时间的反而是代码之外的那些流程。所以当开发者，不只是会写代码和会用 AI，还得搞懂整个开发相关的工作。2、对齐（沟通）AI 写出来的代码看上去可能很专业，但不一定是你真正要的东西。为什么？因为整个流程像玩“传话游戏”：业务的人脑子里有个想法，他们告诉你，你再把这个想法变成指令告诉 AI，AI 根据你的指令写代码。中间每一步都可能“跑偏”。所以现在最重要的是：沟通清楚，让大家都对同一件事有同样的理解。3、质量保证（测试）以前写代码的过程就是不断遇到 bug、不断修 bug，顺便就把质量保证做了。现在 AI 一次能给你生成一个完整的后端或前端，看起来就像“直接能用”。但问题来了：你现在要花更多时间在测试上，确保各种情况都能跑得通。这比以前写代码本身更花时间。4、代码审查AI 写代码快，那审代码的人要看的东西当然就更多。人工看还是有必要的。但 AI 审代码也挺厉害的，能抓一些你没注意到的小问题。比如像 Coderabbit 这种工具，我自己就经常用。在提交代码前，我会在 Cursor 里让 AI 帮我审一遍。一次不够就多来几次，总能找到点问题。5、文档现在节奏快，没时间拉着几个人开半天会对齐。以前大家还会说“写自解释的代码”，不写文档也行。但现在 Claude、ChatGPT 这种工具，随便一句话就能帮你生成清晰的架构图和说明书。所以没理由再不写文档。你的每个项目都应该有：一份别人能看懂的说明和一份能让未来 AI 参与开发的背景资料。6、交付（迭代开发）传统项目管理都假设你是“做完 → 交付”。但现在 AI 让你一天能迭代五次。你跟产品经理在 v0 里画个初版，立刻就能改、能试、能看效果。所以，你需要一个真正的开发环境，随便试、随便改，快速看到结果。不是那种要等审批的预发布环境，是你可以随意玩的那种。7、总结未来厉害的开发者，不是那些“会提示 AI 写代码”的人。而是那些能：- 把别人模糊的需求讲清楚- 能测试得很全面- 能认真审查生成的代码- 能写清楚文档- 能快速做出新版本的人。因为代码已经快能自己写了，真正的工作都发生在代码之外。#科技先锋官##AI创造营##微博兴趣创作计划#

11. Spec-Driven Development: 为混乱的 AI 编程增加工程纪律

12. AI 会让编程初学者更快入门，还是更快迷失？

13. 当有人说“编程已死” 我更愿意说一句：死的是“打字员式编程”，活下来的是“定义价值的编程”。#大咖观察 #红衣聊AI #openclaw #ChatGPT#编程

14. DeepSeek，正如其名，深耕求索 AI 边界。DeepSeek V3.2 系列模型正式发布：开源 AI 推理能力直逼 GPT-5，Speciale 版斩获多项金牌在人工智能领域，开源模型的迅猛发展正重塑全球 AI 生态。今日（2025 年 12 月 1 日），中国 AI 初创公司 DeepSeek 宣布正式发布两款重量级大语言模型：DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale。这一双模型同步上线，不仅标志着 DeepSeek 在参数规模和推理能力上的新突破，更在开源社区引发热议。DeepSeek-V3.2 主打日常应用场景下的 Agent 强化能力，而 V3.2-Speciale 则作为“长思考增强版”，融入先进数学证明机制，在国际竞赛基准中屡获金牌。官方网页端、App 和 API 已全面更新，支持开发者即时接入。这一发布时机恰逢全球 AI 竞争白热化之际。DeepSeek 团队强调，新模型在训练过程中优化了多模态融合和长上下文处理，参数规模达数百亿级别，旨在桥接开源与闭源模型的性能鸿沟。以下，我们将从模型架构、基准评测、与其他顶尖模型的比较以及潜在影响四个维度，进行专业剖析。模型架构与创新亮点DeepSeek-V3.2 系列基于前代 V3.1 的 MoE（Mixture of Experts）架构迭代而来，总参数量超过 600B，其中活跃参数高效分配至 70B 级别。这种设计显著降低了推理延迟，同时提升了在复杂任务下的稳定性。核心创新包括： • Agent 能力强化：V3.2 内置多步规划模块，支持自主工具调用和动态决策链路，适用于自动化工作流场景，如代码生成和数据分析。 • 长思考机制：V3.2-Speciale 引入“思考链”（Chain-of-Thought）增强变体，结合 DeepSeek-Math-V2 的定理证明引擎。该版本在处理逻辑验证任务时，能模拟人类逐步推理过程，避免幻觉输出。 • 开源友好：模型权重已在 Hugging Face 和 GitHub 公开，支持 FP16/INT8 量化部署，适用于边缘设备。这些特性使 V3.2 系列不止于通用对话，更向专业垂直领域倾斜，如数学、编程和科学模拟。基准评测：性能数据详解为评估新模型的实际表现，DeepSeek 团队公布了多项国际标准基准结果，并邀请第三方机构验证。总体而言，V3.2 在推理和数学任务上表现出色，平均得分逼近闭源顶流。数学与逻辑推理基准 • GSM8K（小学数学）：V3.2 得分 98.2%，V3.2-Speciale 达 99.5%，接近人类专家水平。Speciale 版在长链推理中优势明显，错误率降至 0.5% 以下。 • MATH（高中数学竞赛）：Speciale 版斩获 92.7% 准确率，在 IMO 2025 模拟赛中获金牌，超越谷歌 Gemini Deep Think。该成绩得益于集成定理证明器，能自动验证几何和代数推导。 • AIME（美国数学邀请赛）：V3.2 系列平均 85.4%，较前代提升 12%。独立评测显示，Speciale 版在 MLPerf Inference v5.1 推理基准中，处理长序列输出时延迟仅为 GPT-5 的 1.2 倍。编程与多模态任务 • HumanEval（代码生成）：V3.2 达 89.6% 通过率，略高于 Claude 3.5 Sonnet，在 Aider 编程测试中得分 71.6%，标志着开源模型在软件工程领域的突破。 • MMLU-Pro（多学科知识）：整体得分 87.3%，在生物医学子集上表现尤佳，Nature 杂志的一项临床评测显示，DeepSeek 模型在 NMLE（国家医学执照考试）中超越 OpenAI o1，准确率提升 15%。安全效率评估NIST 的 CAISI 报告指出，V3.2 在安全基准（如红队攻击抵抗）中得分 92/100，优于多数美国参考模型，同时价格仅为闭源竞品的 1/10。量化后，推理速度提升 2.5 倍，支持 128K 上下文窗口。然而，评测也暴露短板：V3.2 在创意写作（如 GPQA 基准）中得分 78.5%，落后于 Gemini-3.0-Pro 约 5%。此外，独立测试显示其在边缘案例下的幻觉率仍需优化。与顶尖模型的横向比较DeepSeek V3.2 系列的发布，直接挑战了 OpenAI GPT-5 和 Google Gemini 的霸主地位。在综合基准 Arena-Hard 上，V3.2 以 91.2 分逼平 GPT-5（92.1 分），但略逊于 Gemini-3.0-Pro（93.8 分）。 17 Speciale 版在数学子集上逆转胜出，IMO 金牌成绩更胜一筹，终结了“闭源垄断高难度推理”的叙事。与其他开源模型相比，V3.2 碾压 Llama 3.1（MMLU 85.2%）和 Mistral Large（编程 82.4%），其 MoE 架构在能效上领先 30%。这一成绩源于 DeepSeek 的“渐进式蒸馏”训练策略，从 685B 基座模型提炼而出。开源生态影响与未来展望DeepSeek V3.2 的开源策略，将进一步加速 AI 民主化。开发者可通过 API 免费测试，预计短期内涌现大量 Agent 应用，如智能医疗诊断和自动化科研。长期看，这一发布或推动中美 AI 合作，缓解地缘壁垒。模型规模膨胀带来的碳足迹，以及在非英语语料上的泛化问题。DeepSeek 团队已承诺后续迭代，将融入更多多语言支持。DeepSeek V3.2 系列的亮相，不仅是技术跃进，更是开源精神的胜利。它证明，开源模型已能与闭源巨头并驾齐驱，甚至在特定领域领跑。对于从业者和研究者而言，这是部署高性能 AI 的绝佳时机。未来，随着更多评测数据涌现，我们期待 V3.2 在真实世界中绽放光彩。参考文献： • DeepSeek 官方公告及基准报告。 • 第三方评测：NIST CAISI、Nature 临床基准、MLPerf 等。（本文基于公开数据撰写）#DeepSeek同时发布2款新模型##ai生活指南##ai创造营#

15. Cursor：AI编程「第三时代」来了

16. 【2026年，软件工程师的生存法则已经改写】编程的"拖拉机时代"已经到来。如果你还在用"干草叉"写代码，注定会被时代碾压。但这恰恰是成为程序员最有趣的时代——我依然建议每个人投身软件工程，因为这个领域正在经历前所未有的变革。一、AI写代码已成基本功2026年的软件工程师，代码的主体应该由AI完成。Cursor、Codex、Claude Code、Gemini、OpenCode——用哪个不重要，重要的是你必须用。每月20美元的订阅费，是你能做的最值得的投资。这些工具已经足够强大。如果你用AI写不出好代码，问题出在你身上，不在工具。二、用AI检查AI，形成闭环我们已经告别了"AI吐出一堆乱码、人工逐行筛查"的时代。正确的做法是：让AI写测试来验证AI写的代码，让AI读日志来定位问题，让AI操作浏览器来执行检查。这不意味着你什么都不管。我依然会浏览代码变更——内部工具可以快速扫一眼，面向客户的代码则需要仔细审读。但思维方式必须转变：你手里有一个能快速生成内容的工具，就应该让它承担更多工作。三、用AI定义需求规格这是很多人忽视的一环。用AI帮你生成需求文档、梳理功能规格，甚至只是和ChatGPT对话来理清思路，都能大幅提升效率。你的整个编程流程都需要围绕这些工具重新设计和练习。四、关于"切换工具"的现实有人抱怨频繁切换AI工具很累，这确实是新时代的"JavaScript框架疲劳"。但现实是：每隔几个月，不同工具就会轮流领先。保持开放心态，尝试新工具，找到当下最适合你的那个。五、一些重要的补充思考有开发者提出了值得深思的观点：不要把设计和架构决策完全委托给LLM。这些模型训练数据中包含大量低质量代码，如果你不用设计模式和反模式去引导它，输出很可能是一团糟。你必须确保AI不会过度抽象，或者用复杂方案解决简单问题。还有人建议：让"写代码的AI"和"审查代码的AI"使用不同的模型。同一个模型容易对自己的输出"盖章通过"，而独立的审查者能发现更多隐患。六、写代码正在变成最廉价的环节这是最深刻的洞察：当每个人都能用AI快速实现功能时，真正的竞争力在于判断力、品味，以及知道什么不该发布。AI是工具，不是拐杖。它能写出第一版草稿，但决定什么重要、什么会出问题、什么能上线——这些依然是工程师的核心价值。当所有人都能发布功能时，赢家是那个知道该删掉什么的人。以上这些，已经是2026年软件工程的基本门槛。更高级的AI工作流正在涌现，如果你连这些都没做到，你在做什么？x.com/benawad/status/2006469719247958492

17. 读懂Antropic这篇Blog “How AI is transforming work at Anthropic”AI如何颠覆工程师自己？为了搞清楚这个问题，Anthropic将研究的镜头对准了自己。在2025年8月，他们对内部132名工程师和研究员进行了一项调查研究，深入探究AI对软件开发工作带来的真实影响。这项研究的独特之处在于，它记录了AI的创造者们——一群最早、最深度使用前沿AI工具（在当时为Claude Sonnet 4和Claude Opus 4）的专业人士——如何亲身体验并反思这项技术对自身工作的颠覆。1. 生产力飙升，更开启了“本不会做”的全新工作研究数据显示，AI带来了惊人的效率提升。Anthropic的员工自我报告称，他们使用公司自家的AI模型Claude完成了大约60%工作，提升了50%的工作效率，这一数字在短短一年内实现了2-3倍的惊人增长。然而，效率提升并非仅仅意味着用更少的时间完成同样的工作，更重要的是，它释放了宝贵的时间和精力，让工程师能够投入到以前被忽视的全新工作中。研究发现，有27%由Claude辅助完成的工作，是“若没有AI就不会去做”的额外工作。这些工作包括：1）修复改善生活质量的“小问题”（papercuts）：例如重构不规范的代码。内部数据显示，这类工作占到了Claude使用任务的8.6%。2）构建“锦上添花”的工具：如创建交互式数据仪表盘。3）扩展项目规模（scaling projects）：将之前因人力限制而无法扩展的项目付诸实施。4）处理有用但繁琐的工作：例如编写文档和测试。5）进行探索性工作：开展在过去因成本过高而无法进行的创新尝试。AI不仅让工作变得更快，更拓宽了工作的边界和可能性。正如一位研究员所言：人们倾向于将强大的模型看作单一实例，就像得到一辆更快的车。但拥有百万匹马力……能让你测试大量不同的想法……当你拥有了这种额外的探索广度时，工作会变得更令人兴奋，也更具创造力。2. 人人都在“全栈化”，但专业深度面临萎缩风险AI正在让工程师的能力边界变得模糊，使其更“全栈化”。例如，后端工程师现在可以借助AI构建复杂的用户界面，而安全团队则能用它来快速分析他们并不熟悉的代码库。但这种能力的拓宽也带来了另一面的担忧：核心专业技能的萎缩。研究指出，工程师们通过手动解决复杂问题所获得的“附带学习”（collateral learning）正在减少。当AI能直接给出答案时，那种为了解决一个问题而深入阅读文档、理解整个系统运行模式的过程就被跳过了，这可能导致对系统性知识的掌握变浅。一位资深工程师表达了这种担忧：如果你亲自去调试一个难题，你会花时间阅读那些与解决问题没有直接关系的文档和代码——但在这整个过程中，你正在构建一个关于系统如何工作的心理模型。现在这种情况少了很多，因为Claude能立刻带你找到问题所在。这就引出了一个“监管的悖论”（paradox of supervision）：要有效监督AI的产出，你需要深厚的专业知识；但过度依赖AI，又可能导致这些赖以监督的知识逐渐退化。这种担忧并非空穴来风，数据显示AI已在处理更复杂的任务且需要更少的人类干预：内部指标显示，在短短六个月内，委托给Claude的任务平均复杂度从3.2上升到3.8（5分制），而每项任务所需的人工干预次数则下降了33%。这种“监管的悖论”直接影响了工程师们在工作中为AI设定的信任边界和委托策略。3. 从“代码工匠”到“AI管理者”，工作内涵正在重塑AI的普及正在深刻改变软件工程师的角色定位和工作意义。研究揭示了两种截然不同的心态。一方面，一些工程师怀念过去那种作为“代码工匠”的乐趣，他们享受“进入心流状态”、亲手编写和打磨代码所带来的满足感。对他们而言，过度依赖AI意味着一种专业乐趣的丧失。另一方面，也有工程师更关注最终的产出，并乐于将自己从繁琐的编码工作中解放出来，从而进行更高层次的思考和设计。正如一位工程师所说：我曾以为我真的很享受编写代码，后来才发现，我真正享受的是编写代码所带来的成果。这种转变预示着一个新的角色定位正在形成：工程师的角色正从“代码的编写者”转变为“AI系统的管理者”。他们的核心工作变成了对AI代理进行指导、审查其产出，并为最终结果负责。这一角色转变也反映在实际使用数据中：在六个月内，使用Claude进行高级别任务（如代码设计和规划）的比例从1.0%飙升至9.9%，而用于实现新功能的比例也从14.3%大幅增长到36.9%。4. AI成为新同事，办公室社交悄然改变当遇到问题时，向谁求助？研究发现，Claude已经成为工程师们寻求帮助的“第一站”，取代了过去向同事请教的习惯。这种变化带来了双重影响。一方面，它减少了对同事的打扰，让每个人都能更专注地工作。另一方面，它也可能减少了同事之间宝贵的协作、知识分享和指导机会，改变了传统的办公室社交动态。一位资深工程师的观察凸显了这种变化对“导师制”的潜在影响，他的感受复杂而深刻：我喜欢和人一起工作，现在我‘需要’他们的机会变少了，这让我感到有些失落……初级工程师向我提问的次数变少了，这让我有些难过。不过，他们的疑问确实得到了更有效的解答，学习速度也更快了。5. 信任与授权的边界：工程师如何“委托”AI鉴于技能萎缩的风险和专家监督的必要性，工程师们在委托AI时表现得非常谨慎和有策略性，这并不令人意外。研究显示，超过一半的工程师表示，他们只能将0-20%的工作“完全委托”给Claude。这表明，AI更多是作为一名需要人类积极监督的合作者，而非可以完全放手的替代者。在实践中，工程师们形成了一套清晰的委托策略。他们倾向于将以下类型的任务交给AI处理：1）易于验证的（Easily verifiable）：结果的正确性可以被快速检查，即“验证的成本远低于创造的成本”。2）低风险的（Low-stakes）：即使出错也不会造成严重后果，例如一次性的调试或研究代码（“throwaway debug or research code”）。3）重复或无聊的（Repetitive or boring）：那些让人提不起兴趣的繁琐工作。正如一位工程师所说：“我对一项任务越是兴奋，就越不可能使用Claude。”4）定义明确或自成一体的（Well-defined or self-contained）：任务与项目的其他部分充分解耦。例如，“如果项目的一个子组件足够独立，我会让Claude先试试。”5）自身不熟悉的领域（Outside the user’s context）： AI可以填补工程师的知识空白，尤其是在复杂度较低的陌生领域。6）提示比手动执行更快（Faster to prompt than execute）：对于那些手动操作需要超过10分钟的任务，工程师倾向于使用AI，但对于快速任务，为AI提供上下文的“冷启动”成本反而更高。与此同时，工程师们通常会为自己保留那些需要“品味”、组织内部知识或高级战略思维的核心任务。6. 短期乐观与长期迷茫并存的职业前景当被问及对职业未来的看法时，工程师们普遍表现出一种复杂甚至矛盾的心态。短期来看，他们对AI带来的生产力飙升感到兴奋和乐观。但从长远来看，对职业前景的不确定性和迷茫感普遍存在。这种矛盾的心态在一位工程师的回答中体现得淋漓尽致：短期内我感到乐观，但长期来看，我认为AI最终会做所有的事情，让我和许多其他人变得无关紧要。一些工程师甚至坦言，感觉自己“每天来上班都是为了让自己失业”。面对这种深刻的不确定性，大家普遍认为，未来最重要的品质将是“适应性”（adaptability）。#ai创造营# #程序员#

18. Simon Willison开始连载自己的新书Guides: Agentic Engineering Patterns了地址： simonwillison.net/guides/agentic-engineering-patterns/一本系统的总结“如何用编码代理（如 Claude Code、OpenAI Codex）写出高质量代码”的实践模式。目前发布了前两章：《Writing code is cheap now》——代码初始成本趋零，对个体与团队协作直觉的冲击。《Red/green TDD》——测试先行可让代理用最少提示写出更简洁可靠的代码。#HOW I AI#

19. 【让AI自己检查作业：一小时写4000行代码的秘密】YC掌门人Garry Tan分享了他使用Claude编程的方法论，核心思路是让AI在动手之前先做系统性的自我审查。他的提示词设计了四个审查维度：架构评估、代码质量、测试覆盖、性能分析。每个维度都要求AI列出具体问题，给出多个解决方案，说明利弊权衡，然后等待人类确认方向再继续。这套方法的精髓在于：把AI从执行者变成对话者。传统的AI编程是你说需求，它吐代码。这套流程是让AI先扮演架构师和代码审查员，把潜在问题暴露在写代码之前。Garry说他用这个方法一小时能完成4000行以上的功能开发，包含完整测试。Paul Graham在评论区算了一笔账：这个速度是去年八月那个引发争议的创始人案例的四倍。几个值得注意的细节：第一，他特别强调用ASCII图来可视化架构。上传截图让AI画出页面结构图，然后用AI命名的元素名称来沟通，省去了大量描述成本。这是个被低估的技巧。第二，提示词里明确写了工程偏好：DRY原则要严格执行，测试宁多勿少，宁可处理更多边界情况也不要图快，显式优于聪明。这些偏好让AI的判断有了锚点。评论区的讨论很有意思。有人指出真正的提升不是来自单个完美提示词，而是整个仓库的配套设施。有人说提示词工程的元游戏正在从「获得好输出」转向「让模型验证自己的输出」。自我检查才是真正的解锁点。也有质疑声音。有开发者说Claude在复杂代码库上最近退步明显，容易陷入循环，中途丢失上下文。还有人直接挑战：4000行代码本身不是成就，4000行你没写的代码才是。这个观点值得深思。速度从来不是稀缺资源，克制才是。一位工程师的总结很到位：提示词不是黑魔法，前置思考才是。他写代码前会先写分形规格文档，把架构、边界情况、测试场景全部预定义，文档和代码的比例是3.6比1。AI编程的本质正在发生变化。瓶颈不再是写代码的速度，而是你能多快想清楚要构建什么。x.com/garrytan/status/2020072098635665909

20. 用 Claude Code 写代码，总是改出新bug、测试也出问题，怎么办？

21. AI 编程是一种“框架” www.piglei.com/articles/ai-programming-is-a-new-framework/ 不要将 AI 编程作为一种框架，可以尝试将其看作“库” ----不再追求“写更少实现更多”：用更少的提示词（代码）实现更多功能，看上去很美，但也意味着大量的认知债务随之累积； ----找到编写提示词的“甜蜜区”，付出相对较少而非绝对意义上的最少的认知成本； ----关注程序结构：比起在前 AI 时代，你现在可能更需要关注程序的整体结构，作为总设计师去设计整个程序，将正确的结构和约束内化到 AGENTS.md 中； ----更精准的提示词：在理解已有程序的基础上，编写更精准的提示词来引导 AI 完成工作，而不是任其发挥，让 AI 主导一切； ----审查代码：即便使用同一种框架，在遇到棘手问题时，一位熟读框架文档的人也会比另一位愣头青更有效率，如果把 AI 编写的代码归为框架，那么你应该去审查这份代码，从而在不可避免的“抽象泄露”发生时，将其所产生的危害降到最低。 #HOW I AI#

22. 【AI编程不是风口，是分水岭】一年前，我也觉得AI编程是噱头。如果你在Copilot自动补全时代试过这些工具，然后弃之不用，我完全理解。但事情变了，变得很快。每隔几个月，能力就会有一次大的飞跃。半年前，GPT-5能做出像样的设计、在大型代码库里导航，已经让我惊叹。现在，Opus可以独立完成大型功能开发。这不是进步，是质变。直说吧——我认识的最优秀的开发者，都在重度使用AI。一旦你见识过这些工具的能力，想真诚地谈论它们，都会像在打广告。 "布道AI的开发者"和"质疑AI的开发者"之间的鸿沟，正在急剧扩大。我亲眼看着每一类人陷落：先是独立开发者，然后是脚本小子，接着是前端、后端、包维护者、安全研究员、运行时开发者、编译器开发者…… 这个名单还在变长。有很多"大牛"十几年没写过真正的代码了。我们可以从他们身上学到很多东西，但他们对AI如何加速真实项目中的真实团队，一无所知。坚持认为这些工具没用的人，我理解你们。几个月前它们确实没用。但你的判断已经过时了。 AI不会取代我们，但它已经在写每天产出的大部分代码。这不是关于工具的选择，而是关于你站在分水岭的哪一边。 x.com/theo/status/2006121170077155492

23. 桌面AI开发的另一种选择：微星EdgeXpert

24. 阿里开源 Qwen3.5-Plus！三千行代码一次生！超强性能超低价格

25. 智能体上下文工程：为什么文件系统成了AI记忆的最佳载体？

26. Cursor 如何将其编程智能体投入生产环境

27. AI革命不是让你去学写代码，而是让你学会指挥AI干活。 #大咖观察 #红衣聊AI #科技改变生活 #人工智能

28. 轻松学会！高手都在用的AI编程大法！

29. 龙虾正在引发一场AI海啸，之前大家还在讨论， Cursor会不会淘汰程序员，但如今这种工具本身都已经快过时了。#养龙虾 #openclaw #程序员 #红衣聊AI

30. 过去十年，大家一直在说AI会改变编程。但现在看，真正被改变的，可能不是“写代码”，而是“审代码”。如果未来AI写代码、审代码都变成了常态，程序员最核心的能力到底是什么呢？#大有学问 #红衣聊AI #anthropic #人工智能 #程序员

31. “一人公司”喊得响，核心系统不敢动，AI编程的错位在哪？#华为云码道 #龙虾 #AI智能体 #openclaw #AI

32. Vibe Coding 终极指南 V1.2开发者在与 AI 搭档编程时，经常面临规划混乱、代码难维护的问题。Vibe Coding 是一个以规划为核心，结合系统提示词和模块化设计的终极 AI 编程工作流程，帮助你从想法到可维护代码，形成一条清晰可控的流水线。它提供了丰富的提示词库，涵盖需求澄清、开发计划、代码实现、测试验收等全流程，确保 AI 不会失控，项目结构清晰且易于扩展。无论是 CLI 还是 VSCode 扩展，都能顺畅体验。主要特点包括：- 以规划驱动开发，避免 AI 自主引发混乱；- 完善的系统级提示词集合，规范 AI 行为边界；- 闭环交付流程，从需求到测试全覆盖；- 共享记忆库，实现人机同步的项目上下文；- 支持多种 AI 模型和环境，灵活高效。项目地址：github.com/tukuaiai/vibe-coding-cn/tree/main适合开发者、团队和 AI 协同工作场景，助你打造可审计、可复盘、可持续的 AI 编程新体验。

33. AI编程代理经常缺乏生产级工程技能，容易跳过规格编写、测试验证、代码审查等关键步骤，导致代码质量低下、后期维护成本高。agent-skills 为AI编码代理提供生产级工程技能包，覆盖从需求定义到部署上线全开发生命周期的最佳实践。包含19个结构化技能工作流和7个斜杠命令，支持Claude、Cursor、Gemini CLI等多平台AI工具，让代理像资深工程师一样规范开发。GitHub：github.com/addyosmani/agent-skills主要功能：- 7个开发生命周期命令：`/spec`（规格先行）、`/plan`（任务分解）、`/build`（增量实现）、`/test`（测试验证）、`/review`（代码审查）、`/code-simplify`（代码简化）、`/ship`（安全部署）；- 19个核心技能：从`idea-refine`（想法提炼）到`shipping-and-launch`（上线发布），每个技能包含步骤、工作流验证和反合理化表；- 专业代理角色：`code-reviewer`（资深工程师视角）、`test-engineer`（测试专家）、`security-auditor`（安全审计）；- 参考清单：测试模式、安全检查、性能优化、无障碍标准等快速参考；- Google工程实践：集成Hyrum's Law、测试金字塔、Chesterton's Fence、Trunk-based Development等实战经验；- 多平台集成：Claude Code一键安装，Cursor规则文件，Gemini原生技能，支持任何Markdown提示的AI代理。通过`git clone`本地运行或Marketplace安装，适合开发团队、AI代理爱好者和工程实践训练。#AI编程# #工程技能# #AgentSkills#

34. 「人类负责消除歧义，AI 负责在较少歧义的环境下执行」。看上去这是一个上下文问题，但有三种情况，上下文是人类提供不了的。第一种情况是，这个人是个外行，他根本不知道必要的上下文。第二种情况是，这个人是个内行，但他目前还没有掌握必要的上下文，得在随后的思考和实践过程中，一步步探索和理解关键约束。第三种情况是，上下文的信息量过于庞大，无法浓缩与输入，其中还有不少是 “体感” 一类的不容易翻译成语言的信息，或者上下文分散在不同的人那里（协作场景），无法约束所有人整齐划一地输入。缺乏必要的上下文，AI 就不可能输出可靠的概率计算结果。

35. “编程的本质是思考，AI的价值在于帮我们省去了敲代码的时间。”换句话说，AI不是替代思维，而是加速了执行。未来的竞争核心，仍是“谁能更好地思考和设计”，不是简单敲代码的速度。这句话引发了大量讨论，观点分歧与深度洞见并存：- 编程的本质是问题解决和系统设计，敲代码只是执行的一部分。AI能快速生成代码，但真正的思考、架构设计、需求理解仍需人类完成。正如评论中有人说，编程90%是思考，10%是敲代码。- AI降低了门槛，让非程序员也能实现创意。很多创意者不懂语法，但能用AI“vibe coding”快速验证想法，这是AI赋能创新的体现。- 有观点认为，AI不仅节省了打字时间，还提升了研究效率，比如查文档、调试、自动测试，甚至能在外部系统“自我运行”完成任务，远超简单“敲代码”。- 反对声音也存在，有人认为向AI表达需求有时比自己写代码更复杂，而且AI生成代码仍需人工严格复核和调整，不能完全依赖。- 未来展望：AI是新的“计算器”或抽象层，类似早期C语言对汇编的抽象。随着AI不断进化，程序员的工作将更多聚焦于更高层次的设计与创新，而非机械编码。- 也有呼吁教育与培训的声音，建议AI辅助开发要配套设计原则、版本控制等基础培训，避免“无脑用AI”导致设计混乱。总结观点：AI极大地提高了代码生成的效率，解放了程序员的机械操作时间，但编程核心的“思考”依然不可替代。AI更像是工具升级，而非思维替代。未来的竞争力依然在于谁能更深入理解问题、设计架构和创新。AI让更多人能够参与软件创作，但同时对技术深度和代码质量的要求也更高。这是一场关于“思考 VS 执行”的辩论，也是技术进步带来的角色转变。谁能驾驭AI，谁就能在创新浪潮中领先。

36. AI 正在迫使我们编写优质代码 bits.logic.inc/p/ai-is-forcing-us-to-write-good-code 这篇文章提出了一个反直觉的观点：与其说 AI 会导致代码质量下降（充满垃圾代码），不如说为了有效利用 AI，开发者必须被迫采用更好的软件工程实践。作者认为，如果你的代码库混乱、耦合度高、缺乏文档，AI 辅助工具（如 Cursor, Copilot 等）的效果就会大打折扣。反之，为了让 AI 发挥最大效用，你需要编写模块化、清晰且易于理解的代码。这种需求实际上倒逼开发者去遵循经典的“优质代码”标准。 #科技先锋官#

37. AI 编程时代，最稀缺的不是提示词，而是软件工程

38. AI最擅长什么编程语言？

39. GPT5.2亮点解读，OpenAI重夺年度最强 OpenAI甩出王炸GPT5.2，核心基准测试，全面碾压Gemini 3 Pro和Claude Opus4.5，强势夺回地表最强奥特曼放话GPT5.2不仅是最强通用大模型，还要成为你日常办公的AI合伙人亮点1、最强视觉能力亮点2、最强上下文亮点3、最强办公能力亮点4、最强编程能力 #AI新星计划 #抖音知识年度大赏 #人工智能 #OpenAI #大模型

40. AI 编程又进化了！TRAE SOLO中国版上线且免费 #AI编程 #TRAE #TRAE SOLO #玩一个很新的东西

41. 「Github一周热点100期」爆火的AI编程工具却被Claude封禁？

42. AI编程大战正式开打！ Claude vs GPT同一天放大招，不是比谁代码写得好，而是AI开始自己组队当项目经理了。#大咖观察 #红衣聊AI #编程 #ChatGPT

43. TRAE中国版白送SOLO，一人指挥一支AI大军重磅消息！SOLO终于上线TRAE中国版了，Waitlist免费开放中本期视频实测TRAE的新版本，亮点很多 1、先规划再动手的 Plan 模式 2、带专家团一起干活的 Subagent 子智能体 3、DiffView 差异视图 4、多任务并行 5、上下文智能压缩长时运行不掉链子 SOLO终于把AI从“瞎干活的外包”变成了“懂协作的队友” #AI #人工智能 #TRAE #AI编程 #vibecoding

44. 字跳TRAE团队发了个《2026 企业级AI编程实践手册》，总结了他们的AI编程方法论和工程实践网页链接“在2026年，AI编程已不再是实验性的尝试，而应该成为企业软件开发的核心生产力。本手册源于TRAE团队在构建AI编程助手过程中的真实实践——我们用AI构建AI，在这个过程中积累了从方法论到工程实践的完整经验。这不是一本理论书籍，而是一线研发团队的实战总结。我们将分享如何将AI真正融入企业级开发流程，如何建立可复制的工程规范，以及如何让团队从“会用AI”到“精通AI编程”。无论你是技术决策者、架构师还是一线开发者，都能在这里找到可落地的方法和工具。AI时代的软件开发不是替代人类，而是重构协作方式。让我们一起探索这个新范式。”#How I AI#

45. LLM 的记忆问题「很快」就不再是问题了？

46. 5 亿 ARR的Cursor，已经没人讨论它了？

47. Cursor一夜翻车，AI 300万代码写浏览器被打假！全网群嘲「AI泔水」

48. 36 岁程序员，被 AI 写代码吓到了：如果再不转型，我几年内会失业吗？

49. 如何评价 Cursor 升级到 2.0 版本并发布首个大编程模型 Composer，大家使用体验如何？

50. 【Vibe Coding 盛行，如何用工具守护代码库健康？】快速阅读：随着 Vibe Coding（氛围感编程）的流行，开发者正通过 AI 极速生成代码，但这同时也带来了大量无用的死代码。通过结合 Ruff、Vulture 或 Knip 等静态分析工具，可以在开发循环中自动识别并清理这些冗余，维持代码库的健康度。---现在的编程节奏变了，大家越来越依赖 AI 快速出原型。这种“氛围感编程”很爽，但代价是代码库里堆满了没用的垃圾。写代码时的那种灵感迸发，很容易在随后的几次迭代中，留下大片毫无用处的死代码。如果把开发比作运行一个长期进程，这些死代码就是内存泄漏，只会让系统的复杂度无意义地膨胀。解决办法其实很简单，不需要人类去肉眼扫描，直接交给工具。对于 Python 开发者，Ruff 和 Vulture 是个好组合：前者负责规范和清理，后者负责寻找那些看起来没被使用的逻辑。有网友提到，甚至可以直接把这个指令复制给 Claude Code，让它自己跑一遍。不过要小心，这类工具并不是万能的。有观点认为，如果调用链太长超出了上下文窗口，AI 可能会误判。有些开发者更倾向于在 CI 流程中加入 Knip（针对 JS/TS）或者使用类似 python-doctor 的 pre-commit hook，把清理动作固化到每次提交里。最理想的状态是建立一个闭环：用工具识别死代码，配合端到端测试确保逻辑没断，最后让 AI 完成重构。虽然有人调侃这种自动化操作可能会“误删整个应用”，但比起看着代码库变成一堆不可控的乱码，这种风险值得承担。毕竟，如果代码质量的下降速度超过了清理的速度，那我们离真正的软件崩溃也就不远了。现在的核心问题是：在 AI 生成代码的浪潮下，我们的测试覆盖率和验证逻辑，跟得上这种生产力的膨胀吗？x.com/gabriberton/status/2042141119837012284

51. 有人说用“vibe coding”（凭感觉用AI写代码）能直接做出上线的生产级应用，这是不现实的。生产环境的软件必然复杂，需要大量代码的编写和维护，单靠写prompt根本撑不起。AI确实能帮你快速生成代码片段，甚至能做一些简单小工具、小项目，或者快速搭建原型，提升开发效率。但当涉及到真正的生产级应用，边界条件、集成、安全、性能和稳定性等问题，都需要工程师的严谨设计、测试和持续维护。那些说“vibe coding”能做出SAP、Salesforce这样的大型系统，显然是夸张了。相反，经验丰富的工程师利用AI辅助，能快速完成70%-80%的代码工作，但他们依然需要深入理解业务、规范开发流程、严格测试和持续重构。成功案例确实存在，比如一些小型APP或合规项目用AI辅助开发并上线，但这更多是建立在开发者本身具备扎实的基础和工程能力上。完全靠AI和prompt从零开始，几乎不可能保证产品质量和稳定性。AI是加速器，不是替代品。真正的生产级软件开发，离不开架构设计、代码审查、测试覆盖和持续迭代。那些只靠prompt写代码，却指望一劳永逸的人，注定会碰壁。生产级代码的核心，是对复杂性的掌控，而不是对AI的盲目信任。AI帮你写代码，工程师帮你撑起整个系统。原文：x.com/svpino/status/1993672597792518177

52. Seedance2.0只是前菜，未来的AI编程会更加疯狂。

53. MiniMax M2.7+OpenClaw实战！AI到底能接管多少工作？

54. 2026必备！这8大AI工具，没有裸泳......

55. 以「更懂开发者」之名：2026全球开发者先锋大会，看Agent如何重塑生产力

56. aiX-apply-4B逆袭DeepSeek-V3.2！aiXcoder发布代码变更应用模型，单卡推理提效15倍

57. 软件开发在Vibe Coding出现以前，由于业务功能的开发调试需要长时间坐在电脑前面进行编码，因此对于软件工程师的体能是有较高要求的，这也是很多公司宁愿要经验少的年轻人不要经验丰富的中年人的原因。现在由于Vibe Coding随着模型的能力快速提升，体能不再是限制软件编码效率的瓶颈，那么把实现方案想得足够清楚以及沟通协调就成了软件工程师的主要工作内容，剩下的交给AI就好了，我现在写一个新的功能，可能就是吃饭睡觉玩游戏的时候在脑子里想好，然后交给Codex让它一两个小时写完。因此我的设想是以后软件行业对经验和个人综合素质的要求会超过年龄的门槛条件，对软件工程师的总体需求数量会降低，但是软件行业的市场会扩张，因为AI会借助软件抢走更多其它行业的工作机会。

58. 近来，多位顶尖科技公司的资深软件工程师透露：“我现在的工作几乎全靠用 Opus 4.5、Cursor 或 Claude Code 进行提示生成代码，然后做理智的校验。”这标志着AI在软件开发领域已跨越了某个无形门槛，能够覆盖“绝大多数”编程任务。 Opus 4.5被认为是一个巨大飞跃，将开发任务的自动化率从约60%提升至80%。不少高级工程师表示，他们的日常工作变成了同时管理多个Git工作区，花5至10分钟给AI提示，剩下的时间主要审查和修正AI生成的代码。这一趋势引发了广泛讨论： - 资深开发者不再亲自写代码，而是通过订阅高级AI服务，指导AI完成任务。但这并非魔法，依然依赖使用者对需求和技术的深刻理解，否则适得其反。 - 有观点认为开发者正从“写代码”转变为“质量保证测试者”，主要职责是验证AI产出。 - 伴随着AI能力的提升，软件开发的难点正从编码转向明确需求、验证结果及价值归属。 - 一些人预见未来开发者更多成为高阶产品经理和系统架构师，专注于设计和规划，而非手写语法。 - 也有担忧，随着AI生成代码的普及，代码质量、技术债务和可维护性问题可能加剧，尤其在面对复杂系统和隐蔽bug时，人工介入仍不可或缺。 - 有开发者称自己已“彻底不写代码”，完全依赖AI辅助完成开发任务，强调了“提示工程”技能的重要性。 - 另一面，AI辅助加速了开发效率，让人们在同等时间内完成更多工作，但也带来技能退化的风险，初级开发者可能难以真正理解背后逻辑。 - 有声音提醒，AI生成代码的可靠性和安全性仍需人类专家严格把关。综合来看，AI正深刻改变软件开发的流程和角色定位：从传统的代码书写者，向“提示设计者”“系统架构师”乃至“质量监管者”转变。虽然AI大幅提升生产力，但复杂业务逻辑、系统设计、安全考量等仍需人类智慧主导。这与近期一篇《为何自1969年以来，我们每十年都试图取代开发者》的深度分析相呼应，文章指出历次技术浪潮虽提高了开发效率，但软件开发的本质——对复杂问题的思考和设计——是无法被工具完全取代的。未来，拥抱AI辅助开发，提升“提示工程”与系统思维能力，将成为软件工程师的新常态。唯有如此，才能在这场技术变革中保持竞争力，成为推动创新的主导力量，而非被技术边缘化的旁观者。 x.com/deedydas/status/2000472514854825985

59. 不知道大家想过这个问题没有，大家都感觉现在大模型的记忆存储受限，200万的上下文记忆其实也不够用。但我想说，其实即使大模型能够记住海量的上下文，也未必有用，它依然需要上下文的管理。也就是说，在AI时代，一个人非常重要的能力就是如何去管理上下文，去领导Agent。为什么这么讲呢？大家可以想想，如果记忆不受限，大模型可以无限存储，你和它聊的内容越多，它大脑里塞的东西就越满。在执行任务的过程中，它不知道到底应该怎么去执行，因为塞的东西太多了，哪个是核心的？是不是太多了？如果记忆太多，就容易导致错乱和模糊，因为你塞得太满，它不知道怎么执行，很多东西在里面很乱。所以，上下文管理是必须的。第二，即使大模型的记忆非常多，人和人之间沟通，一句话的理解都可能不同，何况大模型和人之间的沟通呢？这里面肯定也会存在交流的摩擦。所以，人需要及时干预和介入到大模型的工作流程当中，去管理上下文、管理整个流程，这是非常必要的。所以大家不要期待说，大模型的上下文越来越长就越好，不一定，有利有弊。即使大模型不会丢掉记忆，记忆永存，它依然不会精准地按照人类的要求去执行。我之前看过一个调查或研究，就是说大模型里，你上下文塞得越多越满，它的执行就会越混乱、越模糊，就是因为东西太多了，它不知道怎么执行了。所以，管理上下文这个事情，依然需要有人去管理、去做。#科技先锋官##How I AI#

60. 网页链接langchain发了篇官博，探讨了智能体如何利用文件系统进行上下文工程，以提升其性能和可靠性。智能体失败的主要原因并非模型能力不足，而是缺乏正确的上下文信息。上下文工程的目标是精准地将必要信息填入模型的上下文窗口，避免信息缺失、冗余或不相关。常见的上下文工程挑战包括：信息过多（检索内容远超所需）：如网络搜索返回大量无用内容，浪费token并增加成本。信息过少或超出上下文窗口：复杂任务需大量信息，单次无法加载全部。难以定位小众信息：所需信息埋藏在大量文件中，语义搜索效果有限。缺乏持续学习能力：无法从交互中积累新知识。文件系统是解决这些问题的关键工具，其优势体现在：作为“草稿板”：将大体积工具输出（如网页内容）存入文件系统，按需通过grep等工具提取关键信息，减少上下文占用。动态管理上下文：存储长期计划、子任务结果或复杂指令，按需调用，避免系统提示过载。精准搜索：利用ls、glob、grep等命令在结构化目录中快速定位特定文件、行甚至字符，尤其适合代码或技术文档。持续学习与自我更新：智能体可通过用户反馈更新自身“技能文件”，将新知识写入文件系统，实现长期记忆与能力进化。#科技先锋官#

61. AI Coding 还远没到“无人驾驶”的阶段，司机的手必须始终握着方向盘。它能帮你踩油门、自动换挡，甚至自动泊车，但路线的选择、优先级的判断、系统性的规划，仍然需要人来决策。人和 AI 的关系，不是主从，而是协作。理论上，AI 解放了体力劳动，我们应该把更多精力投入到 Architecture & Orchestration（架构与编排）上，让系统在复杂性增长时仍然保持稳定与可演化。但现实是，人的惰性和对速度的追逐让我们更容易选择“先让它跑起来”，这种 Vibe coding 确实短期有效，但长期看代价高昂。 AI 不会替你考虑鲁棒性、可维护性和边界条件，这些仍是人的职责。如果这些“系统性约束”缺席，再强的智能体也只能不断打补丁、疲于救火。真正的生产力跃迁，不是让 AI 替你写更多代码，而是让你有能力驾驭这台智能机器，规划它、调度它，让它成为你设计的系统中的一环。

62. 拒绝Vibe Coding！大神揭秘8套AI编程模式

63. 真正的核心竞争力，来自于驾驭工具。 #大咖观察 #红衣聊AI #编程 #人工智能技术

64. 盘点一周AI大事(3月1日)｜龙虾开车跑滴滴工程师开发出首个能自主进化的龙虾Ouroboros Anthropic官宣龙虾摩尔定律 Claude全面升级为龙虾 Cursor上线程序员龙虾Cursor cloud agents Perplexity上线云端龙虾Perplexity Computer MiniMax上线云端龙虾 MaxClaw 阿里开源国产龙虾CoPaw Standard Intelligence发布最强电脑操作模型FDM-1 Confluence实验室开源通用求解龙虾 Google上线最强生图模型Nano Banana 2 Quiver发布最强矢量图模型 Arrow 1.0 Meta开源最强矢量字体模型VecGlypher 英伟达发布VR视频模型Generated Reality 研究员开源VR老婆Sarah #抖音年味新知贺岁 #前沿科技趋势发布月 #AIGC #龙虾 #openclaw

65. AI圈昨晚炸了！Claude Code内部不慎操作，导致源码泄露，整整51万行代码、1900多个文件，全部意外公开，而这件事背后更重要的是：让所有人第一次看清楚，下一代AI软件到底长什么样。#大有学问 #红衣聊AI #代码 #网络安全 #Claudecode

66. 「Github一周热点103期」超轻量的clawdbot、编程智能体的记忆工具、聊天记录分析工具、视觉agent框架和键盘、鼠标统计工具

67. 刚刚，腾讯姚顺雨署名首篇论文发布，「下半场」先搞上下文学习

68. Vibe Coding时代！AI写的代码，真的好用吗？

69. Claude Code 更新又遭泄露，Cursor 们的好日子到头了

70. Cursor套壳、黄仁勋坐上宾，DeepSeek的光环现在都是Kimi的了

71. 2026 AI Coding 下半场：不拼参数，拼谁能让开发者“戒不掉”

72. 大家在使用AI编程时，更倾向于让AI一次次生成短小易读的代码，还是直接放手让AI写一大片？

73. 微软CEO透露，Windows 11的开发大量依赖AI，取得了显著进展，但也出现了一系列怪异Bug： - 任务管理器无法关闭，反而不断生成更多任务管理器 - Windows 10错误提示许可过期 - 恢复模式键鼠失灵 - 本地HTTP服务无法启动 - BitLocker重启后误判硬件变更 - Xbox家庭账号家长在线时，孩子无法使用游戏通行证这些问题虽小，但反映出AI代码评审机制尚未成熟，自动生成的代码质量参差不齐。微软工程师工作压力大，AI虽强，却还远未能完全替代人工智慧。AI擅长编程，但也带来了“人类式”的错误和隐患，甚至可能埋下安全漏洞的隐患。这告诉我们，AI是强大工具，但绝非万能，必须谨慎使用和严格监管。技术进步带来便利，也伴随风险，唯有不断完善人机协作，才能真正释放AI的潜力，而非制造更多麻烦。微软的困境，折射出整个科技行业在AI浪潮中的阵痛：创新与稳定、自动化与质控的博弈才刚刚开始。未来，AI编程的黄金法则应是——“精准指导，细致审查，稳步推进”。原推文链接：x.com/vxunderground/status/1987883146277212515

74. AI 编程真的有用吗？Cursor｜TRAE 深度实测！

75. 「Github一周热点107期」OpenAI收购的AI安全工具、AI代理事务所、OpenClaw技能库、claude code插件和上下文数据库

76. 「Github一周热点97期」开源AI手机、AI画架构图、AI编程的指导、看板工具、GO语言的游戏引擎和具身智能资料库

77. 德国萨尔布吕肯计算机科学团队的最新研究显示，软件开发者在使用 AI 编码助手时，往往比与人类搭档协作时更难保持批判性思考。这种变化不仅影响代码质量，也削弱了知识共享的效果。相关成果已于 11 月 16 日在首尔召开的第 40 届 IEEE / ACM 自动化软件工程国际会议上发布。该研究由萨尔大学计算机科学教授斯文・阿佩尔（Sven Apel）团队开展，研究者将参与者分为两组：6 组采用传统两人协作，7 组使用 AI 助手协作（采用 GitHub Copilot）。任务涉及算法开发与项目集成，通过尼科拉斯・施耐德（Niklas Schneider）设计的测量方法评估知识传递效果。实验显示：与人类搭档协作的开发者更倾向质疑讨论，而使用 AI 助手的组别普遍持有“代码大概能正常工作”的态度，79% 的人直接接受 AI 生成的代码建议，很少进行深入审查。据介绍，在传统“双人协作编程”中，两名程序员通过持续讨论和合作，可以避免错误并互相学习，使团队中更多人熟悉代码库。然而，这种优势在与 AI 协作时显著减弱。虽然人机团队也会交流问题和解决方案，但内容更集中于代码本身，讨论范围明显更窄。Apel 认为，这种更容易信任 AI 的倾向可能会在其他领域同样出现，也可能导致更多“技术债务”积累，即未来为修复隐藏问题所需的成本。研究团队表示，目前的 AI 工具在处理简单重复性任务时具有实用价值，但尚无法替代人类间在复杂问题上的深度交流。

78. 华为AI开发三大颠覆性突破：代码生成、自动测试、Bug修复全搞定！码农福音还是大锤？华为云码道（CodeArts) 代码智能体公测版今日发布，集代码大模型、IDE、自主开发模式为一体，覆盖代码生成、研发知识问答、单元测试用例生成、专家技能Skills、Codebase代码库索引、规范驱动开发等AI Coding技术，同时接入开源模型GLM-5.0、DeepSeek-V3.2以及华为自研模型，并提供鸿蒙的专属模型。鸿蒙专属模型，纯血鸿蒙应用开发简单，后续鸿蒙APP将爆发，各种鸿蒙APP会填补缺口。对一些公司来说是个机会窗。

79. 发布了头条文章：《使用 Claude Code：会话管理与 100 万上下文》 Claude Code 核心布道者 Thariq 深度解读上下文窗口管理策略：何时开新会话、回溯 vs 纠正、压缩 vs 清空、子智能体的最佳使用时机，以及如何避免糟糕的上下文压缩。使用 Claude Code：会话管理与 100 万上下文

80. 在团队开发中，面对几十万行代码的新项目，快速理解全貌往往非常困难，光靠阅读文档和代码常常力不从心。Understand Anything 是个超强的Claude Code插件，能自动扫描项目，构建出涵盖每个文件、函数、类和依赖关系的交互式知识图谱，还配备可视化仪表盘，让你像浏览地图一样探索代码结构。GitHub：github.com/Lum1104/Understand-Anything主要亮点：- 利用多智能体流水线解析：项目扫描、文件分析、架构识别、导览生成、图谱验证，一气呵成；- 交互式知识图谱：可视化展示代码间依赖和调用，点击即可查看代码和纯英文简述；- 语义搜索和模糊搜索：支持按功能或名称查询，快速找到架构关键点；- 变更影响分析：提前知道代码变动会波及哪些模块，降低风险；- 分角色定制UI：针对初级开发、产品经理、资深开发者调整展示内容深浅；- 支持多平台：Claude Code、Codex、OpenCode、OpenClaw、Cursor全覆盖，无缝集成现有AI开发流程；- 生成入职导览：帮新人快速理清项目架构和关键代码路径。适合刚入团队的新开发，也适合产品和设计，甚至资深开发者用AI深度剖析项目，提升协作效率和代码理解。#智能开发# #代码知识图谱# #AI开发辅助#

81. OpenAI 宣布收购 Astral，将后者旗下的开源 Python 工具整合进自家的 Codex 编程智能体生态。 Astral 是 Python 开发者圈子里的明星工具公司，旗下三款开源工具几乎已经成为现代 Python 开发的标配：uv 负责依赖管理和虚拟环境（类似于一个更快更好用的 pip + virtualenv），Ruff 是目前最快的代码检查和格式化工具，ty 则用于类型安全检查。这三样工具覆盖了 Python 开发流程中最高频的痛点，用户数以百万计。 OpenAI 的意图很明确：Codex 不想只做"帮你写代码"的工具，而是要深入到整个软件开发流程：规划变更、修改代码库、运行工具链、验证结果、长期维护。要做到这些，AI 智能体必须能直接操作开发者日常依赖的工具，而不是停留在生成代码片段的层面。收购 Astral 就是把这些工具链直接收入囊中。 Codex 目前的势头也不错：周活跃用户超过 200 万，年初至今用户量增长 3 倍，使用量增长 5 倍。交易尚需监管审批，完成后 Astral 团队将并入 Codex 团队。Astral 创始人 Charlie Marsh 表示将继续推进开源工具的演进。OpenAI 也承诺交易完成后会继续支持 Astral 的开源项目。值得留意的是，OpenAI 近期收购动作频繁，同期还官宣了收购 Promptfoo（一个 LLM 评测工具）。再加上之前收购 Windsurf（未遂），OpenAI 正在通过密集收购快速补齐 Codex 在开发者工具链上的拼图，把编程智能体从"能写代码"推向"能参与整个开发流程"。

82. 为什么用AI写代码之后，人反而越来越累了？

83. Harness Engineering（驭缰工程）是 OpenAI 在 2026 年 2 月提出的工程范式：工程师不再写代码，而是设计环境、明确意图、构建反馈回路，让 AI 智能体可靠地完成工作。传统工程：人类写代码 → 机器执行代码Harness Engineering：人类设计约束 → 智能体写代码 → 机器执行代码核心转变：工程师的产出从代码变成了约束系统——AGENTS.md、架构规则、自定义 linter、反馈回路。给大家推荐一个开源项目：Harness Engineering 学习指南，感兴趣的可以了解一下 Harness Engineering 。传送门：github.com/deusyu/harness-engineering#科技先锋官##How I AI#

84. Zed团队说自己99%Rust代码都是claude code 写的，又说不能全用AI，这不自相矛盾？

85. 当你还觉得AI只是“辅助工具”时，它早已在改写很多行业的游戏规则了。#大咖观察 #红衣聊AI #AI工具 #智能体

86. Gemini 3.1 Pro VS千问3，2026年还需要付费制AI吗

87. 一位中国AI创业者，一行代码都没写，却靠着AI智能体，冲进了OpenClaw全球贡献者前30，而且排在他前后的，是一批干了十几年的硅谷顶级工程师。#大有学问 #红衣聊AI #创业 #智能体

88. 全球每天600+程序员失业，这个锅该AI来背吗？

89. 最近半年高强度使用Codex和Claude Code，感觉我的编程能力反而提高得更快了。刚开始让AI实现一个复杂功能，如果实际效果和预期不符，AI写的一堆代码我也很难读懂，那么更快的方式就只能回退代码再调整提示词不断重试，像抽卡一样。后面用speckit、gsd和superpower这些工具，逐渐可以让AI在复杂项目里一次就实现可用的完整功能了，但为了让项目质量可控，那就不得不把AI写了两三天的代码硬着头皮全部读完。后面逐渐发现直接用Codex和Claude Code，让它写一堆代码也能很快看懂了，于是就不需要反复抽卡了，它一边写我一边看，追加提示词让它接着改，甚至有时候它写的速度跟不上我看的速度，就给完修改意见以后预判它接着写的代码可能有什么问题，让它一块一块检查，也能一把梭出可用的高质量实现。

90. #全新Gemini一夜血洗编程#谷歌DeepMind推出Gemini 3 Deep Think重磅升级，清华姚顺宇加盟后首秀即引爆科技圈。模型横扫多领域SOTA，编程成绩达到3455 Elo，跻身Codeforces全球前十，全球仅7人能战胜它，较一年前顶尖AI提升超700分。它不只擅长代码，更能将草图直接渲染为可3D打印的高保真模型，在科研与工程场景展现极强实用价值。这标志着AI从代码辅助，升级为具备顶尖逻辑推理与工程落地能力的“智能伙伴”。AI正快速逼近人类智力竞赛天花板，未来编程与科研生态将被重塑，人机协同成为主流，行业竞争进入全新维度。#how i ai# 全新gemini一夜血洗编程川北小哥的微博视频

91. #一条音频告别2025##微博声浪计划# OpenAI开放GPT-5.2-Codex API，融合上下文压缩技术，可自主执行长期编程任务。Cursor团队测试显示其一周生成300万行代码构建完整浏览器，获主流工具支持。该模型推动AI编程从辅助向自主跨越，影响行业模式，引发竞争与伦理讨论。#科技风向标# 川北小哥的微博音频

92. 有网友问 Claude Code 作者 Boris：如何有效审查 AI 生成的代码？Boris 给了 3 条经验技巧：1. 默认使用 Plan 模式。2. 给 Claude 提供一种验证其输出结果的方法，比如单元测试、Claude Chrome 扩展程序，或者 iOS/Android 模拟器。3. 使用 /code-review 来自动化大部分的代码审查工作。对 Claude 生成的代码保持与人类写的代码相同的标准。

93. 【AI辅助设计】告别像素推敲，拥抱“直接设计”：当产品思考者亲手编码

94. AI下半场来了：从"魔术师"到"建筑师"，华为这场大会信息量爆炸#2025华为GDEAskO3 #科技改变生活 #AI新星计划 #玩儿个很新的东西

95. #2025杀青2026开机# #通义万相# 通义万相Wan2.6 的角色扮演功能让用户成为主角！生成的视频非常流畅，场景可以丝滑切换，不管是单人solo的独角戏，还是双向互动的对手戏，输入指令就能轻松搞定，主角风格还能随心切换，还能生成2025年度总结视频，2026即将到来，还可以让通义万相Wan2.6生成专属你的年度计划！

96. AI代码生成加快开发速度但技能水平反而下降

97. AI写了1.53亿行代码，全球代码质量却骤降

98. AI 开发者工具的效率陷阱

99. 警惕！AI写代码省2小时，调试花4小时，软件质量危机已来临

100. AI代码生成

101. AI 应该帮助我们写出更好的代码

102. AI Agent设计模式

103. AI生成代码易出错，程序员如何把控代码质量？

104. 承认吧，AI 写的代码，平均质量已经超过了 80% 的人类程序员！

105. AI 写的代码，正在成为新的技术债务

106. 超越“左移”

107. AI写代码让你退步了吗？Anthropic研究

108. AI 写代码越来越快，但谁来保证质量？

109. AI编程小白必看

110. AI编程真正的瓶颈，被这两个新工具说透了

111. AI编程助手的产品困境

112. 为什么你用AI写代码，总是越写越乱？

113. AI编程的“团队悖论”

114. AI写代码为何越写越乱？SDD框架彻底解决

115. AI 辅助开发工程化实战

116. AI 编程竟是 “效率骗局”？越用越慢还返工，问题根本不在工具

117. 我用LLM写出lint-cdc-rdc-0error的代码

118. LLM 写的代码为什么总是”看似合理”但不是”正确”？

119. 在工程团队中与LLM协作产生可维护代码的实用工作流程

120. 阿里

121. 大模型写真实代码，正确率仅三成？

122. AI写代码越写越乱？问题可能在上下文

123. Vibe Coding 遇到大项目就翻车？这 8 个生存法则帮你稳住

124. 大模型写代码总是“加戏”？这个GitHub项目用4条原则治好了我的AI焦虑

125. AI代码越来越多，为什么团队反而更累

126. 如何看待AI生成代码的质量

127. GitHub Copilot

128. GitHub Copilot使用两个月后，我为什么选择取消订阅？

129. 开发者仍不信任AI生成代码质量

130. 别吵“套壳”了，手把手教你用Cursor，我来告诉你Cursor到底值不值500亿。

131. 用这个方法，你的开发效率加倍，Token消耗减半，开发极顺滑。

132. 记一次cursor编程代码修复的过程

133. AI编程助手实测

134. 💥Cursor vs 通义灵码 vs Qoder终极横评！性能/价格/体验全维度对比，灵码真的不行

135. "AI 编程助手的实战技巧

136. "AI 编程助手实战

137. 用AI写代码，这5个技巧让你效率翻倍

138. AI 编程工具高效使用指南

139. AIFirst

140. 收藏！20个让写代码效率翻倍的AI编程提示词

141. 别再“问”AI了！从今天起，像“编程”一样“指挥”AI——一份提示词工程实战手册

142. 用这套AI提示词，我把ESP32及任意支持WiFi的处理器接入了飞书机器人

143. 如何构建有效的上下文工程？

144. AI 智能体的有效上下文工程

145. Anthropic 高效的AI agents上下文工程设计理念和实践经验

146. 别再盲目塞 Token 了！LLM 上下文工程全指南

147. 译文

148. 如何通过利用上下文工程显著提高 LLM

149. 上下文工程

150. AI 辅助编程实战

151. 三级AI协作

152. 斯坦福AI协作实战指南，AI从"智能助手"变成"超级队友"的6大技巧

153. AI编程工具如何重塑开发者职业未来

154. 如何设计AI产品的prompt工程策略？

155. AI 协作范式转型

156. AI会替代软件开发吗？业内专家与开发者共议人机协作新范式

157. AI Coding 从入门到精通-团队协作

158. AI编程工具怎么选

159. AI代码审查工具降本增效

160. 第一讲

161. AI辅助编程工具大盘点

162. 别光看热闹！2026 AI 编程新工具实战，手把手教你 3 步打造专属代码助手（附避坑指南）

163. 程序员必备AI提效神器全攻略

164. 2026年AI编程工具全景指南

165. 乐道云聊AI:渗透率85%！AI编程已成开发者标配，主流工具实测干货

166. Vibe Coding 实战系列八

167. 国内开发者最爱的4款AI编程工具

168. 用Claude Code像资深工程师？3个核心技巧，告别AI踩坑还提效

169. 告别低质量代码！Google 工程师开源 AI Agent 生产级技能包，秒变资深工程师

170. 资深工程师构建AI系统的9个原则

171. AI浪潮下前端工程师应该何去何从？

172. AI 编程助手如何保证代码质量？深度解析四大核心策略

173. AI代码审查正在换战场

174. AI辅助编码前端开发效率的提升

175. Coding Agent完全指南

176. 摆脱重复编码

177. AI编程工具推荐

178. ChatGPT vs Claude vs Copilot vs Cursor，AI编程工具大横评

179. 2026年必看

180. 2026年必看

181. 你的公司要做AI编程的经验分享吗？这一篇直接拿去用！

182. 国内AI IDE横向实测对比

183. AI编程工具

184. 2026主流编程AI模型全面对比｜优劣、价格及选型指南

185. 大厂AI Coding越用越感觉在 “还债”？问题在于“填埋式异构系统”

186. LLM As Agents(8)：RELP-Plan

187. [学习笔记][Context Engineering 深度解析：LLM 智能体的上下文管理核心框架]

188. AI写代码快3倍，交付却只快15%？问题出在这

189. 前端工程师必用的5个AI编程工具（2026实测推荐）

190. 静态分析工具作为LLM生成代码安全性评估标准的可靠性审视

191. LLM自编程：上下文无界

192. LLM Agent 上下文工程深度解析：问题、方案与实践指南

193. 干掉“搬砖”！阿里双子星内斗：通义灵码与Qoder，谁才是2026真·AI同事？

194. Cursor 推出类 OpenClaw 功能！AI 7×24 小时自动审代码修漏洞，程序员要实现 “龙虾自由”？

195. 不调模型调"脚手架"：斯坦福 Meta-Harness 让AI自动优化LLM外围代码，效果炸裂

196. ICLR 2026浙大&蚂蚁：LLM写代码很快，但写出来的代码「跑得快」吗？

197. 上下文工程：LangGraph四大高效调度策略

198. 结构化输出（Pydantic / JSON Schema）：让 LLM 产出“可用的数据”而不是“好看的文字”

199. 资深程序员如何在这波AI浪潮中存活下来？或者有什么机会？

200. 代码审计代码桥：建立LLM与代码的MCP桥梁

201. 编程修复bug的提示词

202. Trae vs Cursor vs 通义灵码：2025年AI编程工具实测，谁才是程序员真效率神器？

203. AI编程工具对比--cursor\\copilot\\trea\\codebuddy\\cloude code\\openclaw

204. 2026年了，AI编程工具到底选哪个？Trae、通义灵码、GitHub Copilot三款免费工具真实横评，4个维度帮你避坑

205. 上下文工程：LLM Agent 的长程智能基石

206. Gitee AI 队友公测启动！自主申请，从审代码到漏洞检测都自动搞定

207. 2026年AI编程工具对比：谁最值得用？

208. LangChain上下文工程指南。🤖 **LangChain上下文工程指南** 如何优雅管理LLM代理的上下文窗口？LangChain给出完整解决方案！ ✨ 四大核心策略： 📝 Write - 外部存储（Scratchpads + Memories） 🔍 Select - 智能检索（RAG技术） 🗜️ Compress - 上下文压缩（过滤 + 摘要） 🔀 Isolate - 多代理隔离解决长时间任务的上下文溢出难题，优化成本和性能！ 💡 推荐工具：LangGraph + LangSmith 🔗 原文链接：blog.langchain.com/context-engineering-for-agents #LangChain #上下文工程 #AI代理 #LLM #人工智能

209. AI编程助手实战：三个月使用GitHub Copilot的效率提升报告

210. Cursor Bugbot自动修bug，颠覆代码审查体验

211. LLM上下文窗口管理：六种策略拯救你的Token预算

212. 上下文工程：AI初创企业的护城河

213. AI提示词万能用法：图像/写作/编程/视频/音乐/PPT全通用

214. 稳定输出的秘密：把“模糊”变成“确定”

215. 四、Prompt在AI编程中的应用

216. 玩转LLM：持续创意代码重构的秘密

217. 通义灵码深度解析：阿里巴巴 AI 编程助手，通义千问加持的代码专家

218. AI代码生成技术深度解析：从提示词到高质量代码输出

219. 国产AI编程工具崛起：Trae vs 通义灵码

220. ralph 这个开源循环，为什么能让 AI 一轮一轮把代码做完

221. 如何写好提示词：让大模型成为你的编程学习助手

222. 说句掏心窝子的：AI生成代码的Code Review，比人工写的更难审

223. 普通人使用Aⅰ工具时怎么样自己写精准的提示词

224. 职场小白必看！AI万能提示词模板，告别空洞回答直接上手

AI写代码越写越乱？问题不在模型，而在上下文管理失效

精选参考来源