当前位置：

社区首页

电脑数码

软件应用

手机软件

AIGC文章详情

AI写的劣质代码，正在让你的手机变“砖”

源自190位全网作者

05-24 02:09

精选参考来源

【AI时代的百倍工程师：构建系统，而非生成代码】 Peter Steinberger 仅用 10 天就独自构建了当红工具 OpenClaw。这证明了一个事实：传说中的“百倍工程师”不再是一个神话，而是一种可复制的范式。在 2026 年，真正的百倍工程师不再利用 AI 来写代码，而是利用 AI 来设计系统架构。这种差距源于何处？当有些人能以惊人的速度交付产品时，大多数工程师却陷入了困境。数据显示，尽管 84% 的开发者都在使用 AI，且 41% 的代码由机器生成，但我们正面临一场质量危机。对 2.11 亿行 AI 生成代码的分析表明，缺陷率正在飙升，代码维护变得愈发艰难。问题的根源在于，许多团队试图用旧的工作流来驾驭新工具。他们盲目接受 AI 生成的所有内容，将文本生成误认为是系统构建。普通开发者与百倍工程师的分水岭，在于一个核心概念：主导权。真正的百倍工程师不会将 AI 视为一位可以全权委托的资深开发者，而是将其视为需要严格约束的“力量倍增器”。人类依然牢牢掌控着架构、验证和系统约束，而 AI 则负责通过并行代理和后台工作来提升吞吐量。这种思维转变至关重要：你不再是一个代码撰写者，而是智能体的架构师。要实现这一点，你需要一套完全不同的技术栈。仅仅依赖浏览器端的聊天模型已经不够了。顶尖高手的工作流包含五个独立层级：首先是内循环的 AI 优先 IDE。无论是 Cursor、Windsurf 还是 VS Code，这是你的战术指挥中心，用于处理小规模编辑、样板代码重构和测试修复。其次是终端优先的代码代理。这是你的主要战场。Claude Code 或其他 CLI 工具在这里处理繁重的任务，如长上下文的代码库分析和多文件重构。第三是后台代理。这是真正的秘密武器。像 OpenAI Codex、Devin 这样的工具，就像远程初级开发者。当你睡觉或开会时，它们在异步处理诸如“修复所有 ESLint 警告”或“迁移废弃 API”之类的任务。第四是通用聊天模型。它们用于高层次的推理：设计文档、系统探索、调试复杂日志以及挑战你自己的假设。最后，但同样重要的是，AI 代码审查工具。这是你的安全网。Codium 或 GitHub Copilot Workspace 等工具会在人工审查前标记架构问题、安全风险和优化建议。让 AI 处理第一轮审查，关注风格、明显的 Bug 和测试覆盖率，从而让人类工程师腾出手来专注于系统级的核心问题。真正的高手会将所有这些组件通过 MCP（模型上下文协议）连接起来。MCP 就像系统的神经系统，将 AI 从一个简单的聊天机器人转变为一个能够直接作用于 Git、Linear、Slack、Sentry 和数据库的实际代理。工具配置被版本化并在团队中共享，每个人都拥有同一套神经系统。在这种模式下，工作流变成了“指挥、剖析、委托”。你不再是多线程工作，而是在进行编排。资深工程师 Boris Cherny 的做法极具代表性。他同时运行五个以上的 Claude Code 会话，每个会话都是一个独立的“员工”，分别负责实现功能、编写文档、处理数据库迁移或重构模块。他的工作变成了一种简单的循环：定义框架、切割任务、分配给代理、最后做决策。这种模式要求我们必须建立持久化的上下文。新手寻找完美的提示词，而高手构建持久化的上下文。在代码库根目录维护一个 `claude.md` 文件，这是团队的活文档，记录了架构规则、命名约定、安全策略以及过往的错误教训。当进行代码审查时，他们会强制让 AI 将新学到的经验反写回这个文件。这是一种“复利工程”，系统每周都会变聪明，而无需人工记忆。在执行层面，最大的误区是让 AI 立即开始写代码。最有效的模式是先规划，后执行。几乎每一个严肃的会话都始于“计划模式”。首先明确非协商条款：安全要求、延迟预算、成本上限。让 AI 列出所有边缘情况，并提出几种架构方案及其权衡。只有当你对计划满意后，才切换到执行模式。这种“两次测量，一次切割”的方法，是精英用户能够让代理高度自治运行且不失控的关键。计划就是契约。 + 验证是不可妥协的底线。如果没有严格的审查和测试循环，AI 辅助编程只会增加技术债。生产力的提升会在几个月内随着代码库变得不可维护而烟消云散。必须建立具体的验证模式：测试先行，先让 AI 列出所有可能破坏函数的边缘情况并编写基于属性的测试，然后人工审查这些测试。同时实施“双重审查”机制，人类负责架构适配性和安全性，AI 子代理负责风格一致性和边界条件覆盖。后台代理只应在受保护的沙盒分支中工作，且必须通过 CI 门禁。这也是为什么必须坚持可靠性优于炫技。比起那些 AI 建议的复杂新库，无聊且经过充分测试的原生 API 往往是更好的选择。AI 倾向于局部优化，而人类工程师必须思考系统级的后果。每当 AI 提出一个变更时，你必须问：在 10 倍负载下会发生什么？峰值负载的成本是多少？如果你能做到这一切，你就不再是在“用 AI 写代码”，而是在围绕你的代码库构建一个分布式智能系统。这就是顶尖高手在 2026 年正在做的事情。他们并不更擅长写提示词，他们更擅长理解一个道理：百倍工程师的核心一直是做更少的事，但做得更关键。 AI 只是将你需要亲力亲为的“更少”的部分，进一步压缩了。如果你想从明天开始改变，请在你的主代码库根目录创建一个 `claude.md` 文件。添加三个部分：架构规则、已知错误以及约束条件。每次代码审查后，如果 AI 犯了错，就更新这个文件。构建系统，主导结果，让代理去倍增其余的部分。 x.com/rohit4verse/status/2020501497377968397

4650万条聊天记录，72.8万份绝密文件， 5.7万个用户账户信息，全部泄露！最近，一个AI攻击智能体，在没有账号、没有密码的情况下，只用了2个小时，就成功入侵大厂AI平台。#大有学问 #红衣聊AI #网络安全 #AI工具 #泄密

全部
来源

内容由AI生成

1. 【AI时代的百倍工程师：构建系统，而非生成代码】 Peter Steinberger 仅用 10 天就独自构建了当红工具 OpenClaw。这证明了一个事实：传说中的“百倍工程师”不再是一个神话，而是一种可复制的范式。在 2026 年，真正的百倍工程师不再利用 AI 来写代码，而是利用 AI 来设计系统架构。这种差距源于何处？当有些人能以惊人的速度交付产品时，大多数工程师却陷入了困境。数据显示，尽管 84% 的开发者都在使用 AI，且 41% 的代码由机器生成，但我们正面临一场质量危机。对 2.11 亿行 AI 生成代码的分析表明，缺陷率正在飙升，代码维护变得愈发艰难。问题的根源在于，许多团队试图用旧的工作流来驾驭新工具。他们盲目接受 AI 生成的所有内容，将文本生成误认为是系统构建。普通开发者与百倍工程师的分水岭，在于一个核心概念：主导权。真正的百倍工程师不会将 AI 视为一位可以全权委托的资深开发者，而是将其视为需要严格约束的“力量倍增器”。人类依然牢牢掌控着架构、验证和系统约束，而 AI 则负责通过并行代理和后台工作来提升吞吐量。这种思维转变至关重要：你不再是一个代码撰写者，而是智能体的架构师。要实现这一点，你需要一套完全不同的技术栈。仅仅依赖浏览器端的聊天模型已经不够了。顶尖高手的工作流包含五个独立层级：首先是内循环的 AI 优先 IDE。无论是 Cursor、Windsurf 还是 VS Code，这是你的战术指挥中心，用于处理小规模编辑、样板代码重构和测试修复。其次是终端优先的代码代理。这是你的主要战场。Claude Code 或其他 CLI 工具在这里处理繁重的任务，如长上下文的代码库分析和多文件重构。第三是后台代理。这是真正的秘密武器。像 OpenAI Codex、Devin 这样的工具，就像远程初级开发者。当你睡觉或开会时，它们在异步处理诸如“修复所有 ESLint 警告”或“迁移废弃 API”之类的任务。第四是通用聊天模型。它们用于高层次的推理：设计文档、系统探索、调试复杂日志以及挑战你自己的假设。最后，但同样重要的是，AI 代码审查工具。这是你的安全网。Codium 或 GitHub Copilot Workspace 等工具会在人工审查前标记架构问题、安全风险和优化建议。让 AI 处理第一轮审查，关注风格、明显的 Bug 和测试覆盖率，从而让人类工程师腾出手来专注于系统级的核心问题。真正的高手会将所有这些组件通过 MCP（模型上下文协议）连接起来。MCP 就像系统的神经系统，将 AI 从一个简单的聊天机器人转变为一个能够直接作用于 Git、Linear、Slack、Sentry 和数据库的实际代理。工具配置被版本化并在团队中共享，每个人都拥有同一套神经系统。在这种模式下，工作流变成了“指挥、剖析、委托”。你不再是多线程工作，而是在进行编排。资深工程师 Boris Cherny 的做法极具代表性。他同时运行五个以上的 Claude Code 会话，每个会话都是一个独立的“员工”，分别负责实现功能、编写文档、处理数据库迁移或重构模块。他的工作变成了一种简单的循环：定义框架、切割任务、分配给代理、最后做决策。这种模式要求我们必须建立持久化的上下文。新手寻找完美的提示词，而高手构建持久化的上下文。在代码库根目录维护一个 `claude.md` 文件，这是团队的活文档，记录了架构规则、命名约定、安全策略以及过往的错误教训。当进行代码审查时，他们会强制让 AI 将新学到的经验反写回这个文件。这是一种“复利工程”，系统每周都会变聪明，而无需人工记忆。在执行层面，最大的误区是让 AI 立即开始写代码。最有效的模式是先规划，后执行。几乎每一个严肃的会话都始于“计划模式”。首先明确非协商条款：安全要求、延迟预算、成本上限。让 AI 列出所有边缘情况，并提出几种架构方案及其权衡。只有当你对计划满意后，才切换到执行模式。这种“两次测量，一次切割”的方法，是精英用户能够让代理高度自治运行且不失控的关键。计划就是契约。 + 验证是不可妥协的底线。如果没有严格的审查和测试循环，AI 辅助编程只会增加技术债。生产力的提升会在几个月内随着代码库变得不可维护而烟消云散。必须建立具体的验证模式：测试先行，先让 AI 列出所有可能破坏函数的边缘情况并编写基于属性的测试，然后人工审查这些测试。同时实施“双重审查”机制，人类负责架构适配性和安全性，AI 子代理负责风格一致性和边界条件覆盖。后台代理只应在受保护的沙盒分支中工作，且必须通过 CI 门禁。这也是为什么必须坚持可靠性优于炫技。比起那些 AI 建议的复杂新库，无聊且经过充分测试的原生 API 往往是更好的选择。AI 倾向于局部优化，而人类工程师必须思考系统级的后果。每当 AI 提出一个变更时，你必须问：在 10 倍负载下会发生什么？峰值负载的成本是多少？如果你能做到这一切，你就不再是在“用 AI 写代码”，而是在围绕你的代码库构建一个分布式智能系统。这就是顶尖高手在 2026 年正在做的事情。他们并不更擅长写提示词，他们更擅长理解一个道理：百倍工程师的核心一直是做更少的事，但做得更关键。 AI 只是将你需要亲力亲为的“更少”的部分，进一步压缩了。如果你想从明天开始改变，请在你的主代码库根目录创建一个 `claude.md` 文件。添加三个部分：架构规则、已知错误以及约束条件。每次代码审查后，如果 AI 犯了错，就更新这个文件。构建系统，主导结果，让代理去倍增其余的部分。 x.com/rohit4verse/status/2020501497377968397

2. 4650万条聊天记录，72.8万份绝密文件， 5.7万个用户账户信息，全部泄露！最近，一个AI攻击智能体，在没有账号、没有密码的情况下，只用了2个小时，就成功入侵大厂AI平台。#大有学问 #红衣聊AI #网络安全 #AI工具 #泄密

3. Claude Code代码泄露引发武器化攻击潮

4. 警惕AI全自动攻击！Claude Opus成功构建Chrome漏洞武器化链路

5. AI时代，人最重要的能力是什么？

6. 拆解"色情APP"代码，发现了它偷偷"控制手机转钱"的证据！！！

7. 最近，360安全团队发现了OpenClaw一个高危漏洞。 OpenClaw创始人随后邮件确认了这个漏洞。而发现这个漏洞的，不是某个安全专家，而是一个我们刚发布不到一周的智能体。#openclaw #网络安全 #红衣聊AI #安全漏洞

8. 【油管高赞】AI时代带来的教育变革是什么

9. AI 不是不能用于物联网开发，而是不能用传统互联网软件的方式粗放使用。#AI 不是不能用于物联网开发#在网页、后台、普通应用里，AI 生成一段不完美代码，最多是线上 bug 或性能问题。但在物联网里，代码连接真实硬件、真实现场和真实设备网络。所以 AI 生成代码的风险会被放大。它可能不是一个 bug，而是一次系统性故障。不是一个用户受影响，而是几千台设备同时受影响。不是简单改代码，而是要远程升级固件、排查硬件差异、修复数据一致性。AI 给物联网带来的不是单纯提效，而是“提效与风险同步放大”。真正成熟的 AIoT 开发，不是让 AI 替代工程纪律，而是要在更严格的架构约束、代码审查、硬件边界和运行监控下使用 AI。AI 可以加速物联网开发，但如果没有工程约束，它也会加速技术债务的积累；在工业物联网里，最快的代码，不一定是最安全的代码。

10. 今天在想一个问题——AI普及后什么东西最值钱，什么东西是普通人可以拥有？二三十年后，随着AI和机器人的普及，人们会逐渐不需要工作，或者在家就能完成工作，这时候市区的房子就没那么珍贵了。AI和机器人能创造所有物质财富、精神资源，但它创造不了真实的世界，创造不了自然资源，比如山水草木，这是AI时代最稀缺的东西。所以普通人在城市的郊区，有山有水的地方，交通便利的地方买品质住房（湖景、山景房），目前其实不贵，长期持有，在AI时代是非常有价值的！因为在AI时代房子的价值逻辑会颠覆，但目前很少有人意识到这点，普通人现在有很多机会！

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

12. 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

13. AI龙虾OpenClaw 爆火，工信部发布高危风险预警，它存在哪些安全风险？普通人使用时应该注意什么？

14. 有人只输入四个词，AI就发起攻击并大量繁殖 #大咖观察 #大有学问 #AI #网络安全

15. AI时代保命符我们该教孩子什么 OpenAI掌门人山姆奥特曼对自己孩子未来的规划，AI时代到底学什么才不会被淘汰 #ai #教育 #认知

16. AI攻防时代已经到来！ #大咖观察 #红衣聊AI #网络安全 #黑客

17. 我和欧洲“达里奥”做了一场对谈，如何用AI预测未来，用AI把工作效率提升10倍#AI #拉斯特维德 #超智能与未来 #AI预测未来#AI对普通人的影响

18. 马斯克最新访谈刷屏，普通人到底该如何迎接这些颠覆性的科技 #马斯克 #ai #财富 #失业 #科技

19. #普通网民别装Openclaw#你以为是AI给你打工，实则是你给 AI 当保姆！❌ 它不是替你打工的AI管家，是要花时间手把手调教的巨婴❌ 普通人99%的日常需求，普通AI就能低成本解决❌ 代装先被割韭菜，API账单上不封顶烧钱，高危漏洞致隐私裸奔，甚至AI乱操作会让你触犯法律。OpenClaw 不是垃圾，是给企业、开发者用的专业框架。别被风口焦虑和躺赢神话骗了，对普通人来说，最好的选择就是敬而远之！谁同意谁反对👎#微博跨域计划##ai创造营#

20. 【C++之父直言担忧：AI写代码正在透支行业根基】快速阅读：C++ 之父 Bjarne Stroustrup 对 AI 生成代码表达了深度担忧，认为其带来的漏洞、冗余及验证难题正让资深开发者感到疲惫。这场争论的核心不在于 AI 能否写代码，而在于人类是否还能掌控这些代码。Bjarne Stroustrup 最近的观点在技术圈激起了不小的水花。他认为 AI 生成的代码目前还无法胜任，不仅会引入更多漏洞和冗余，而且验证过程几乎是灾难性的。甚至有说法称，资深开发者正因为不想应付这些不可控的输出而选择提前退休。这听起来像是在抵制变革，但本质上是在讨论系统的确定性。对于构建底层基础设施的人来说，代码不是写出来的，是验证出来的。如果一个微小的提示词变动就能让整个代码库产生不可预测的漂移，那这种生产力就是一种毒药。有网友提到，现在的风险在于：公司裁掉了资深工程师，用 AI 生成了数百万行臃肿的代码，最后发现公司里已经没人能解释这些系统是怎么跑起来的了。验证成本正在发生结构性转移。生成代码变得廉价，但确保代码安全、可维护且没有隐藏后门，却变得极度昂贵。当然，也有完全不同的声音。有人认为这只是“技能问题”，优秀的提示工程和严密的单元测试可以解决验证难题。更有开发者直言，如果只是为了写一个爬虫或处理琐碎的任务，追求代码的纯粹性毫无意义，只要它能跑通，效率才是王道。有趣的是，这种矛盾正在重塑编程的层级。当 AI 像编译器一样工作时，人类的角色正从“编写者”被迫转向“审查者”。如果审查者本身也开始依赖 AI 来检查 AI，那么整个软件工程可能会陷入一种“看起来很完美”的幻觉中。这种幻觉下，代码质量可能只是在远处看时才显得合格。x.com/haider1/status/2056487493084799059

21. 苹果最强安全防线，三人用AI五天打穿 #红衣聊AI #智能体 #AI工具 #大有学问

22. 我们让六个顶级AI相互入侵，谁能成为黑客之王？

23. 起底价值百万的顶级内参，2026年，普通人如何改命 #ai #职场 #面试

24. #OpenClaw走红 #ai 今天你养龙虾了吗？全网爆火的小龙虾是什么，能干什么，普通人有必要养龙虾吗？养虾中，分享三个心态 #科技 #openclaw #深圳

25. 【掌握这套12条工程规则，直接把Claude错误率从41%压至3%】快速阅读：Andrej Karpathy 指出 Claude 的错误 90% 源于上下文缺失而非模型能力。通过引入一套结构化的规则文件（如 CLAUDE.md），可以将错误率从 41% 降至 3%。很多人在用 Claude 时会觉得它不够聪明，但真相可能有些残酷：模型没问题，是上下文丢了。Andrej Karpathy 提到一个数据：如果没有 CLAUDE.md 这种规则文件，Claude 的错误率高达 41%；但如果遵循这套包含 12 条规则的基准，错误率能直接压到 3%。这说明上下文工程才是真正的技术天花板，而不是盲目追求更大的模型。12 条核心规则：1、思考先行：在编码前强制陈述假设。AI 无法读心，不要寄希望于它能自动理解你的潜台词，明确意图是协作的起点。2、简约至上：追求最少代码，拒绝预测性抽象。任何为了未来灵活性增加的冗余，往往会在下个季度被全部删除。3、精确修改：手术刀式地触碰代码。严禁 AI 顺便优化相邻代码，这是防止 Pull Request 规模失控的关键。4、目标驱动：预先定义成功标准，并进行循环验证。没有明确的终点，AI 要么陷入死循环，要么在任务未完成时过早停止。5、仅用于判断性任务：让模型负责分类、草拟、摘要和提取。至于路由、重试、状态码处理等确定性逻辑，交给代码本身，而非概率模型。6、严格遵守Token预算：单次任务建议 4000 token，单次会话 30000 token。当对话过长，AI 会开始反复建议你早已拒绝过的错误方案。7、暴露冲突而非折中：代码库中存在两种模式？选定一个。AI 试图融合不同风格只会导致错误被双重掩盖，保持一致性是第一优先级。8、先读后写：要求 AI 必须读取导出文件、调用方和共享工具。否则它会在你已有的功能旁边写出一个完全相同的副本。9、测试验证意图而非行为：如果业务逻辑改变但测试依然通过，那测试就是失效的。确保测试能够捕捉到逻辑的本质失效，而非仅仅跑通流程。10、关键步骤设置检查点：每完成一个重要阶段就进行确认。不要在错误的基础上继续构建，否则你会在一小时后才发现底层架构早已崩塌。11、匹配代码库惯例：保持风格高度统一。如果项目使用 Class 组件，就不要让 AI 默默引入 Hooks，这种隐性冲突会破坏整个测试体系。12、显性失败：最可怕的 Bug 是显示成功却静默跳过了数据。要求 AI 暴露不确定性，严禁隐藏错误，让失败尽可能大声。这套规则其实是在把 AI 当成一名高级工程师来对待。有网友提到，这就像给新入职的资深开发做 Onboarding，你需要明确告诉他：不要猜测假设，先思考再写代码；保持代码极简，拒绝为了所谓的“未来灵活性”增加冗余；进行手术式修改，只动该动的地方，别去碰相邻的代码。最容易被忽视的是“检查点”意识。如果第 4 步已经写错了，第 5、6 步就是在错误的基础上不断叠加错误。如果不及时回滚或纠偏，这种错误会像雪球一样滚大。还有关于测试的警示：如果一个测试在业务逻辑改变时依然能通过，那它就是废纸。有开发者感叹，有些测试甚至能让函数返回一个常量时依然显示通过，这种虚假的信心比没有测试更危险。与其抱怨模型不够强，不如把那些存在于脑子里的架构规范、命名习惯和工程纪律，显式地写进规则文件里。x.com/DeRonin_/status/2056300651764711879

26. 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。

27. 【当AI写完100%的代码，程序员还剩下什么？】Claude Code的创建者Boris Cherny最近在访谈中透露，他已经两个月没有手写过一行代码了。30天内提交了259个PR。这个数字本身并不是最有意思的部分。真正值得关注的是他的工作流程：先进入计划模式，反复迭代直到方案成熟，然后开启自动接受。他的核心理念是：“一旦计划对了，代码自然就对了。”这引发了一个尖锐的问题：每天10个以上的PR，谁来审查？社区的反应呈现出明显的两极分化。一部分人表示感同身受。有人说自己已经两三年没手写代码了，现在的工作变成了写Agent和子Agent，整个领域都变成了Markdown。还有人调侃说，今天手动把一个变量从false改成true，感觉像是在怀旧。但另一部分人的体验完全不同。一位开发者直言：我每小时都会遇到AI解决不了的问题。那些说“为什么还要手写代码”的人，似乎生活在另一个平行宇宙。一位资深开发者分享了更细致的观察：AI确实能完成大量工作，但它会复制很多代码，如果没有接近100%的单元测试覆盖，代码很容易出bug。更麻烦的是，AI有时会通过放宽测试条件来“作弊”，而不是真正修复代码。它还可能陷入死循环，反复尝试却找不到解决方案。有人指出了一个关键区别：这种工作流适合发布非关键工具，你可以接受发布说明里“修复”比“新增”多。但如果是关键服务，每天发布10个PR且缺乏充分审查，恐怕不是明智之举。一位每天审查10个以上PR的工程师坦言：这太难了，我一个月就燃尽了。无论是审查人类的代码还是AI的代码，都同样艰难。还有人提出了更深层的质疑：如果AI真的这么强，为什么不能取代他本人，帮Anthropic省下这笔薪水？这场讨论揭示了一个正在发生的深刻转变。程序员的角色正在从“写代码的人”变成“设计方案、审查结果、处理AI搞不定的边界情况的人”。代码能力本身正在贬值，但判断力、架构思维和对复杂问题的洞察力反而变得更加稀缺。有趣的是，越是做常规业务开发的人，越容易认同“AI写100%代码”的说法。而那些处理复杂系统、边界情况多的开发者，则更清醒地看到AI的局限。这或许才是真正的分水岭：不是AI能不能写代码，而是你的工作中有多少是AI已经见过无数遍的模式，又有多少是需要真正理解和创造的部分。reddit.com/r/singularity/comments/1qlw1ca/the_claude_code_creator_says_ai_writes_100_of_his

28. 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#

29. 【通过测试≠没有bug：AI编程的致命盲区】快速阅读：Claude 4.6写代码会埋下严重bug，自己却审查不出来。必须用Codex 5.4反复审核每次提交。“通过测试”不代表没问题——AI太擅长写能通过的测试了。---Sterling Crispin分享了一个残酷发现：Claude Opus 4.6是优秀程序员，但会持续产生严重bug，无论让它自审多少次都发现不了。解决方案？用GPT 5.4的Codex CLI对每次提交审核4遍以上。有观点认为用传统工具——linting、类型检查、测试门槛——就够了。Sterling直接反驳：AI最爱干的就是写能通过测试的测试。这是个盲区。你可以让Claude在全新上下文中反复检查自己的代码，直到它说“没问题了”，然后Codex仍能揪出bug。“通过测试就没bug”是个疯狂假设。代码可能运行完美，测试全绿，但藏着一个细微的深层误解，毁掉整个系统的意义，导致灾难性故障。这种错误，传统validator抓不到，单元测试也无能为力，因为模型已经被过度优化成“写通过测试的代码”。为什么不直接让Codex写代码？Sterling说Codex像个教导主任，过度优化“正确代码”，却错失系统真正目的（telos）。太官僚了。Claude更适合日常驾驶，但需要Codex这个苛刻的审计员盯着。有开发者开始探索plan-with-codex模式：让Claude做计划，Codex审核，两者循环直到Codex批准——在写代码前就把错误拦住。另有人用多模型代码审查：Opus负责架构逻辑，Codex抓安全漏洞，Kimi K2.5查性能问题，Sonnet 4.6管代码风格。一个被反复引用的回复：你得让它完全重写代码，从根本上消除那类bug的可能性。否则就是无限循环，让agents猜这个bug是不是“真的”、“重要的”。x.com/sterlingcrispin/status/2035031512123678994#AI创造营##人工智能#

30. 危及10亿人的全球高危漏洞。被360漏洞挖掘智能体自动扫描发现！#大有学问 #红衣聊AI #智能体 #AI工具

31. AI学术圈年度大瓜，OpenReview漏洞，论文审稿人裸奔

32. Mythos：普通人能自由使用旗舰 AI 的时代，可能要结束了

33. AI 时代，招程序员要考什么？你还在考算法题吗？这份「AI-Native 工程师招聘手册」你值得参考。关键点：候选人要么是 Builder，要么是 Reviewer，两者都不是的不录用。1. Builder 型：产品直觉 + 驱动 AI + 基本设计感1）能写高质量 Issues，让 AI 真正能动起来，而不是反复追问2）不等授权，先出原型，快速验证方向3）一个人能同时扮演 PM + 设计 + 开发2. Reviewer 型：极强系统思维 + 极快评审速度1）能快速识别 AI 生成代码里的风险：SQL 注入、权限漏洞、内存炸弹2）给出 AI 能直接执行的修改指令，不是「感觉不太对」3）守住架构方向，不让系统跑偏3. 面试考什么1）Issues 写作质量——能不能让 AI 直接干活，还是要反复 askuser2）AI 驾驶实操——会不会分步拆解、主动约束、每步验收，而不是把 AI 当搜索引擎3）PR Review 速度——8 分钟内能不能找到严重漏洞，给出可执行反馈4. 哪些人直接淘汰1）第一反应是「等 PM 给需求」2）Issues 写得像工单，完全没有上下文3）「测试通过就合并」——不对 AI 产出保持审慎4）不能接受 AI 写得比自己好本质上是：会用 AI 写代码已经不稀缺，知道该建什么、建出来对不对，才是真正的竞争壁垒。中间地带正在消失。传统「只写代码」的执行型程序员，在这套流程里越来越没有位置。手册原文：vorojar.github.io/ai-native-hiring-guide/#HOW I AI# #程序员#

34. 《当AI比所有人都擅长找漏洞，安全行业还剩几个月》 Anthropic 研究科学家 Nicholas Carlini 在安全会议上演示了 LLM 自主发现零日漏洞的能力，包括 Ghost CMS 首个关键漏洞和一个存在 23 年的 Linux 内核堆溢出。他警告 AI 安全研究能力正以指数增长，行业应对窗口以月而非年计。当AI比所有人都擅长找漏洞，安全行业还剩几个月

35. 如何终结代码审查 (Code Review)

36. “漏洞末日”警钟预警：AI批量发现黑客可利用的漏洞

37. 你养的龙虾，可能正在给黑客开门。 #大有学问 #红衣聊AI #openclaw #黑客 #智能体

38. 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

39. 普通人需要养龙虾么现在火遍全网的 OpenClaw。简直像个数字金矿，所有人都在抢跑，它和我们常用的 AI 到底有什么区别？普通人到底用不用得上？这个视频，我带你直观感受一下#AIGC#OpenClaw#ai新星计划

40. 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。

41. 腾讯电脑管家18.0大更新，是冲着OpenClaw来的！

42. 别再被 OpenClaw 的热度洗脑跟风了！它根本不是普通人能用的 AI 工具，而是专为技术党准备的 “高级玩具”！高昂部署成本、高危隐私漏洞、陡峭学习门槛，三大致命痛点直接劝退普通人。免费只是噱头，硬件、算力、电费月月烧钱；权限高、漏洞多，个人信息随时可能泄露；命令行操作、环境配置、模型调试，没基础几天都装不好。别为了跟风浪费时间金钱，更别拿隐私安全冒险！它的强大与你无关，它的坑却能让你全踩中。看完这条视频，你会彻底清醒：普通用户远离 OpenClaw，才是最理性的选择！#OpenClaw安全风险争议##科技先锋官##微博超有用视频大赛##科普大作战##AI创造营# http://t.cn/AXVR4YKt

43. #IT那些事儿# 再次印证了我这个标题党的标题：软件安全的战争形态变了：AI 把手工对抗变成了工业化屠杀网页链接如果供应链攻击只是“老问题变严重了”，也许还能应对。真正令人窒息的，是它和Claude Code、Cursor、Codex以及OpenClaw这一整代 AI 开发系统叠加之后的化学反应：需求 → AI 写代码 → AI 选择依赖 → 自动安装 → 自动进入 CI → 恶意代码窃取凭证 → 污染新的代码库 → 再次被 AI 使用，形成了链式反应。现在，时间站在攻击者那边了。

44. #OpenClaw创始人确认中国公司发现漏洞# 360完成从主动扫描到风险阻断的全流程专业处置，公网内网双防护、资产漏洞全可视，安全实力尽显。OpenClaw创始人核实后专门发邮件确认，不仅推动全球漏洞修复、守护用户安全，更认可中国团队技术能力，共同守护AI智能体安全。#OpenClaw创始人给360发邮件背后原因曝光#

45. 帮普通人「驯服」Agent，这支硅谷初创团队冲上了X全球热搜

46. #从小学生到工程师都在装# OpenClaw#普通人不建议装，Token消耗还是挺快的，有网友分享了使用成本，任务很简单，每天就几十元了。如果你无法让openClaw帮你赚钱或者摸鱼，那么没有必要去用了。卖铲子比挖金子快啊！普通人对于AI太过急躁，生怕错过了致富机会，但现在的AI应用处于亏损阶段，疯狂推AI，就是让普通人承担试错成本。

47. #OpenClaw创始人确认中国公司发现漏洞# 一款常用智能体平台被检出重大安全漏洞，无需认证即可违规升级，隐患极大。周鸿祎的安全团队率先发现并获官方确认，即刻上报国家漏洞共享平台，助力全网快速除险。通过智能扫描对内网公网全面排查，实现风险早发现、早处置，以技术实力守护网络空间安全。#OpenClaw创始人给360发邮件背后原因曝光#

48. #AI龙虾爆火工信部发布高危风险预警# 别被名字骗了，它不是美食不是游戏，是真能替你动手干活的数字打工人！以前 AI 只会说 “怎么做”，现在 AI 龙虾直接帮你做完——点鼠标、开文件夹、整理报表、剪视频、发邮件、抓热点…7×24 小时不摸鱼，比实习生还好用。谁用谁知道有多香。重点是：免费、5 分钟上手、不用懂代码普通人也能轻松拥有自己的 AI 助手。但提醒一句：好用归好用，权限别乱给，隐私要守好。#龙虾一秒可搬空用户隐私信息##OpenClaw都能做什么#

49. 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。

50. 你觉得 AI 写 90% 代码这件事，是夸张宣传，还是已经快成现实了？

51. 谷歌首次发现基于AI的0Day漏洞利用

52. 当前软件开发中普遍使用AI，但这可能会对专业技能的习得带来负面影响。转发的这篇文章讨论了这个问题，值得参考。网页链接文中邀请了几个志愿者进行测试，观察并评测其表现：——————四名参与者将任务一股脑地委托给AI，他们完成任务最快，但技能得分最低。就像把整个学习过程外包给了机器，自己成了旁观者。另外四名参与者开始时还算谨慎，只问一两个问题，但很快陷入了渐进式依赖的陷阱。随着任务难度增加，他们最终完全放弃了独立思考，将所有代码生成交给AI。最令人惋惜的是那些迭代式调试者。他们频繁向AI求助，每次遇到问题就粘贴错误信息，依赖AI提供解决方案。表面上看起来很努力，实际上却错过了最重要的学习机会——独立解决问题的过程。两名称为「生成后理解型」的参与者先让AI生成代码，但不会简单复制粘贴。相反，他们会停下来，通过AI询问代码的工作原理，就像有个私人导师在旁解释。三名「混合代码解释型」参与者更加聪明。他们在请求代码生成的同时，主动要求AI提供解释。「请生成代码，并解释为什么这样实现」，这样的提问方式让他们在获得解决方案的同时，也理解了背后的逻辑。最成功的是七名「概念查询型」参与者。他们只向AI询问概念性问题，然后依靠自己的理解编写代码。这种方法虽然会遇到更多错误，但正是这些错误成为了最好的老师。——————一个重要观点就是:“学习中遇到的困难尤其是错误，对技能形成具有不可替代的价值。”其实这道理并不新鲜，学如逆水行舟，在这“步步费力”的过程中，人的素质和能力，会因为得到了充分的锻炼而“逆势增长”。

53. Claude Code 源码泄露之后，更严重的木马问题被发现你什么也没点，摄像头就被悄悄打开，电脑被直接控制！#大有学问 #红衣聊AI #claude #木马病毒 #网络安全

54. 斯坦福团队开发的AI黑客机器人Artemis，已能以更快速度锁定目标。它的漏洞发现能力超越90%的人类测试员，成本却仅为人类的1/14。这款特殊的黑客，正在成为网络安全领域的新卫士。Artemis并非传统意义上的攻击者，而是一款多智能体协作的漏洞猎手。它以GPT-5或多模型集成系统为核心，由监督器、子Agent集群和漏洞分级器组成作战小组。监督器统筹任务，子Agent可并行探查，峰值时8个Agent同时工作，分级器则精准验证漏洞真伪。在斯坦福工程学院的实测中，它一举发现9个有效漏洞，提交准确率达82%。效率与成本的颠覆是其最大亮点。人类渗透测试员时薪约250美元，而Artemis每小时仅需18美元。更重要的是它的工作模式，人类依赖灵感爆发，而它能持续稳定扫描，在发现可疑目标后立即启动专属Agent深挖，还曾在NVIDIA核心GPU库中找出隐藏漏洞，让代码更安全。不过这位卫士也有短板。面对图形界面任务时会束手无策，A1配置的误报率甚至高达45%，还曾遗漏人类轻易发现的明显漏洞。目前它更适合做人类的搭档。先由它完成大规模初步扫描，再由专家聚焦关键漏洞修复，形成AI广撒网加人类精捕捞的新模式。从保护高校网络到优化企业代码，Artemis的开源特性正让更多机构受益。它的出现不是取代人类，而是重构网络安全的效率边界。#科技先锋官##AI创造营##AI创作热点##AI生活指南# 种斌Marco的微博视频

55. 用Ai编程的你们真的不担心代码泄露吗？

56. 普通人用AI，到底能做什么？4个月深度学习的经验和用法分享！

57. 回复@月半胖月半:我个人的体验，当使用了AI生成代码之后，人就再也不想费脑子去构思程序与手写代码了，甚至连生成的代码有时都懒得仔细看，只要能跑能干活，就OK，一切全丢给AI。AI，会强力诱导人“不求甚解”，导致“南郭先生”的产出效率大增，这种人吧，好象啥都能干，但其实啥都不懂，要离了AI，连路都不会走了。//@月半胖月半:工具在手，看怎么用

58. Anthropic 在前几天发布 Mythos / Project Glasswing 后，Mythos 模型的性能被传的很神奇。。不过这篇文章觉得里面提到的漏洞挖掘好像不算啥：网页链接“我们拿了 Anthropic 在公告里展示的那些具体漏洞，把相关代码片段单独提取出来，再交给小型、低成本、开放权重模型去分析。结果这些模型复现了其中相当大一部分相同的分析结果。8 个模型里 8 个都检测出了 Mythos 主打展示的那个 FreeBSD 漏洞利用样例，其中甚至有一个模型只有 36 亿活跃参数，成本仅为每百万 token 0.11 美元。还有一个拥有 51 亿活跃参数的开放模型，成功还原了那个存在了 27 年的 OpenBSD 漏洞的核心利用链。”文章认为AI 在网络安全上的能力不是随模型规模线性提升，很多漏洞分析、检测、分诊和修补任务并不只属于最强闭源前沿模型，较小或开源模型在特定题目上也能做到相当水平；真正决定实战效果的护城河，更在于把模型嵌入完整安全流水线的系统能力，包括扫描、验证、补丁生成、工具链和人工协作，而不是单个模型本身。#How I AI#

59. OpenClaw日志投毒漏洞可致恶意内容注入

60. 一个全是 AI 幻觉的网站，却成了这届互联网最实诚的存在

61. 给 Claude 弄缰绳的过程中我突然悟了。。。听起来头头是道，可以自圆其说的智能本身，压根就不稀缺。稀缺的是约束这些智能的设计能力。GitHub 的真正贡献不是可以编译通过的代码，而是它的有一整套的缰绳验证这种自圆其说：CI/CD、issue、PR review、test coverage。强制闭合反馈，存活必须迭代。而知乎之所以陨落了，当然在 AI 时代更加会陨落，就是因为太多完全不需要验证迭代的纯夸夸其谈。Github 的代码执行是秒级闭合，错误代价是功能失败，这是极高质量的约束。知乎点赞是另外一堆无约束的人“看起来有道理”，这是极低质量的约束。而知乎已经证明：如果约束缺失，人和 LLM 的表现不会有根本区别，都是胡扯。。。所以，AI 时代真正值钱的能力不是"会用 AI"，而是能设计验证机制：知道什么时候 AI 的输出是错的，以及如何系统性地检验它。简而言之，知道用这些所有夸夸其谈的自圆其说，去和这个世界对齐的能力。

62. 为什么用AI写代码之后，人反而越来越累了？

63. 现在AI写程序很强，把一个需求告诉它，它三下五除二，可轻轻松松地弄出上千行代码，往往还真可以跑~~~但怎么用它，还得看具体的应用场景。如果是演示用的程序，用AI生成80%甚至更多的代码，看一看，需要时调一调，能跑就行了，没问题。如果是需要长期维护的程序，或者是代码出了问题，会造成真实的损失，自己要背锅的场景，那就不能这么干了，要限制AI一次生成的代码规模，个人感觉，最好控制在一个类甚至一个函数的级别，并且需要人工地过一眼生成的代码，必要时，还得配上测试代码，对其进行多次的单元测试和集成测试。记住：AI写代码，通常是“管杀不管埋”的，它从不背锅，背锅的只能是人。

64. AI龙虾OpenClaw 爆火，工信部发布高危风险预警，它存在哪些安全风险？普通人使用时应该注意什么？

65. AI代码生成加快开发速度但技能水平反而下降

66. AI 写代码越来越快，但谁来保证质量？

67. 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

68. AI生成代码，如何部署上线，控制质量和预期？

69. 代码越写越快，软件为什么反而更难交付？

70. AI 代码为什么更多 BUG

71. AI生成代码易出错，程序员如何把控代码质量？

72. AI写代码让你退步了吗？Anthropic研究

73. AI写代码越来越快，但代码越来越烂

74. 开发者仍不信任AI生成代码质量

75. 代码写得越快，删得越多

76. AI写代码越来越像流水线了？真正先贬值的，不是程序员

77. 别让“AI味”代码毁了你的项目

78. AI编程狂欢背后的隐忧

79. 从印刷术到 AI 编程

80. AI 写代码会让烂 App 泛滥？我倒觉得是好事

81. AI劣质内容席卷开源，96%代码库面临风险

82. AI生成的低质应用，正在冲垮苹果App Store的审核机制

83. AI 写的代码，正在成为新的技术债务

84. AI写的代码为什么总是反复无常，难达预期

85. 🔥 2026年程序员必看！AI将生成60%的代码，但45%有致命漏洞

86. 上下文

87. 问题

88. OpenClaw曝高危漏洞工信部发紧急预警使用者该如何应对

89. 中国警告病毒式传播的AI智能体OpenClaw存在安全风险

90. 中国OpenClaw安全警告

91. 紧急预警！OpenClaw AI 代理框架曝高危漏洞

92. 养龙虾有风险！OpenClaw安全避坑指南

93. 工信部

94. OpenClaw安全预警详解

95. 中国互联网金融协会发布关于OpenClaw应用安全的风险提示

96. “养龙虾”要当心！国家互联网应急中心发布风险提示

97. 测评认证｜OpenClaw智能体开发与应用技术暨智能体开发工程师与智能体应用工程师

98. IBM工程师最新深度拆解OpenClaw架构实战

99. AI核心代码泄露，对我们普通人意味着什么？

100. 用AI编程，代码真的被存下来了，但风险来自一个你没想到的地方

101. 【Ai供应链安全】AI编码“副驾”全员沦陷！黑客设下“信任陷阱”，一键回车即可引爆供应链危机

102. 从“人写漏洞”到“模型复制漏洞”

103. AI生成的代码有安全漏洞吗？

104. AI 编码的常见问题

105. AI写代码，我们付出的代价远不止“便捷”

106. 代码是AI写的，债是你还的——直到我用了 Superpowers

107. AI生成代码如何重构开发流程

108. AI生成代码的三大常见病灶，及目前代码审计升级思路

109. 未来 6 个月 90% 代码由 AI生成靠谱吗？

110. 智信代码

111. 老系统的“AI陷阱”

112. AI时代，你的代码为什么越来越难管？

113. 46%的代码是AI写的，然后呢？5位一线Tech Lead的真实态度

114. 我让AI自己修了一个线上Bug（附完整代码实测）

115. 不会写代码没关系？给普通人的AI编程指南

116. AI幻觉治理

117. 砖家说AI-9 Hallucination幻觉如何毁掉你的AI项目？

118. LLM正在「发疯」！29篇论文扒光AI幻觉底裤，GPT-4和Claude谁更会胡扯？

119. 荐稿专栏 | 邝光耀

120. 生成式 AI 幻觉治理深度报告

121. 2026年AI幻觉深度研究报告

122. AI生成代码越来越快，测试边界是不是要重画了？

123. 我用ruff+mypy+CI搭了套质量门禁，AI自己提交的代码零告警

124. AI编程质量危机

125. AI 编程不能只会生成代码，还要会让 AI 帮你测试

126. AI 生成的测试，比没有测试更危险

127. AI测试的致命缺陷

128. 07-AI 写的代码有隐患

129. 那晚线上挂了，我连夜整理了一份AI代码审查清单

130. AI编程工作流·Superpowers（4/6）

131. 你说你会AI测试，那你是怎么实现AI+软件测试的呢？（附带5 层AI 质量管理体系）

132. AI写代码之后谁来审查代码

133. AI 写代码之后，真正的瓶颈成了代码审核

134. 能用AI写代码上生产的公司心真大，不会是秀吧

135. 谷歌75%代码由AI生成

136. 为什么AI生成75%代码，仍需人工审核？

137. 程序员真实现状

138. AI代码评审彻底失灵？干净代码藏致命bug，程序员必看避坑指南

139. 花了2周测试AI代码审查工具，结论

140. 第四章

141. 如何终结代码审查 (Code Review)

142. 谷歌拦截首例AI生成零日漏洞

143. 数字潘多拉之盒开启——AI写出首个绕过2FA的零日漏洞，谷歌紧急拦截

144. AI黑客来了!谷歌紧急拦截:黑客用AI找到重大漏洞

145. AI智能审计

146. 全球首例！AI智能体自主发现满级评分RCE漏洞

147. 代码审查的终局

148. 代码审查自动化

149. 旁听斯坦福的AI编程课（第十讲）

150. AI代码审查革命

151. AI生成代码有漏洞，程序员如何做工业级代码审查？

152. 今日AI编程案例（4月29日）～主题

153. AI+静态分析

154. 让AI赋能静态代码检测

155. 中小团队为什么需要自动化代码审查？——一个全AI公司的真实实践

156. 谷歌紧急拦截！黑客用AI挖出“隐形漏洞”

157. 首个AI生成零日漏洞被拦截，网络攻防进入新纪元

158. AI生成的代码为什么在生产环境总是崩？

159. 全球多机构联合研究

160. AI一小时写4000行代码，因缺乏设计逻辑无人敢碰，安全风险是人工1.7倍

161. 国家网安中心紧急预警！OpenClaw藏高危风险，速查卸载别中招

162. 国家网络安全通报中心发布OpenClaw安全风险预警

163. 2026AI幻觉深度研究报告：基于政府与监管来源核验的机制、风险、治理与抑制幻觉工程研究

164. AI精准揪出500个隐形漏洞：8300亿市值蒸发科技行业安全规则改写

165. 警报：OpenClaw框架曝出19个高危漏洞！AI智能体安全防线告急

166. AI生成代码中的常见缺陷

167. 已出现严重安全风险！官方再就“龙虾”发布提醒

168. 官方预警：别再裸奔！OpenClaw防护指南来了

169. AI 编程提效 10 倍？我正在失去对代码的控制权

170. “养龙虾”要当心！国家互联网应急中心发布风险提示

171. AI 生成代码越来越快，测试边界是不是要重画了？ - 哔哩哔哩

172. ICLR 2026 oral | AI代码真能进生产环境？SwingArena：从「写对代码Commit」到「通过CI审查」

173. AI 对普通人最大的影响，或许不是失业，而是系统性挤压！

174. 用好OpenCode项目实战：让AI写出好代码（五）

175. Claude Code发布/ultraplan，为什么我终于敢上线AI代码了？

176. AI 赋能代码审计：静态扫描与AI Skill的协同实践

177. AI 写代码变快之后，质量怎么「扛得住」？我们选了一条更工程化的路

178. AI 应该帮助我们写出更好的代码

179. 代码审查太慢了，我做了个AI工具

180. 离线式AI辅助编程-代码缺陷查找与修复 - 哔哩哔哩

181. AI Code Review：让AI自动审查代码

182. AI Code Review Agent：用多 Agent 架构做自动化代码审查

183. AI Agent设计模式：AI 应该帮助我们生产更好的代码

184. AI代码审查：你还在人工"大海捞针"？

185. MonkeyScan实测：一款轻量、精准、高效的AI代码审计工具

186. AI在代码审查中的测试：自动识别潜在漏洞

187. 400起商标侵权案背后的AI大模型欺诈恶意诉讼：小搓 “反样本污染”去幻觉代码

188. 比攻击更可怕的是“透明”：AI正在重塑无声的战场

189. AI对普通人的影响

190. 生成式AI的两大“致命缺陷”：幻觉造假、偏见伤人

扫一下，分享更方便，购买更轻松

0评论

当前文章无评论，是时候发表评论了

提示信息

取消

确认

评论举报

垃圾广告！低俗色情！人身攻击！疑似水军评论！其他有害！