当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

AI代码漏洞责任归属：开发者主体责任与行业共识

源自145位全网作者

05-28 00:03

精选参考来源

为什么 VibeCoding 这么火？AI 编程能够在 IT 领域这么快大规模的应用？其实，原因可能就是两点：上下文更集中和程序具有可验证性。什么意思？详细解释一下。第一个是上下文更集中。对于编程来说，工具和上下文往往在一个地方：IDE、代码库、终端。这让 AI 更容易理解和执行。但一般的知识工作分散在几十个工具里。想象一个 AI Agent 试图起草产品简报：它需要从 Slack 聊天记录、策略文档、上季度的仪表板指标，以及只存在于某人脑子里的机构记忆中提取信息。今天，人类就是那个粘合剂，通过复制粘贴和在浏览器标签页之间切换把这一切拼接起来。在这些上下文被整合之前，AI Agent 只能局限在狭窄的用例里。所以，想要让 AI 在其他领域可以更集中的规模化使用，就需要解决这个问题，或者对上下文有更好的解决方案。目前最好的解决方法就是最近比较火的 Skills 。第二个缺失的要素是可验证性。代码有个神奇的特性：你可以通过测试和错误来验证它。模型制造商用这个来训练 AI 更好地编程。但是，其他领域的很多工作，并不具有可衡量性和验证性，比如，你怎么验证一个项目管理得好不好，或者一份战略备忘录写得怎么样？我们还没找到改进通用知识工作模型的方法。所以人类仍然需要在循环中监督、引导，展示什么是好的。如果顺着这两个条件继续往下推，其实就能看到一个更大的结论：Vibe Coding 火的不是“编程”，而是它刚好踩中了 AI 最容易规模化落地的那块“甜区”。AI 并不是突然“会写代码了”，而是第一次遇到一个：上下文高度结构化、结果可以被快速验证、反馈闭环极短的工作形态。编程只是最典型的代表。你在 IDE 里敲一句需求，AI 生成代码，跑一下，报错或通过，立刻得到反馈。这正好符合强化学习和人类协同训练最舒服的环境。所以，为什么其他知识工作暂时很难复制 Vibe Coding 的成功？因为它们同时缺两样东西：- 上下文没有被收敛- 结果没有被形式化只要这两点不解决，AI 就只能当“高级搜索 + 自动补全”，而很难进入“协作生产”。所以你会看到一个很有意思的趋势：AI 在写代码、做数据处理、生成 SQL、写测试时进展飞快在战略、管理、判断、决策上却进展缓慢不是模型不聪明，而是工作本身还没被“工程化”。未来 AI 是否能在某个行业大规模落地，取决于这个行业能否被改造成“像编程一样的工作”。也就是说：- 能不能把上下文压缩到少数系统里- 能不能把“好不好”变成“对不对”- 能不能把反馈周期从“几个月”缩短到“几分钟”谁先做到这一点，谁就会诞生属于自己的 “Vibe X”。#科技先锋官##微博年度新知博主##AI创造营#

OpenAI 内部残酷真相：只会写代码的工程师正在“消亡”，AI 正在制造无法跨越的阶层鸿沟

全部
来源

内容由AI生成

1. 为什么 VibeCoding 这么火？AI 编程能够在 IT 领域这么快大规模的应用？其实，原因可能就是两点：上下文更集中和程序具有可验证性。什么意思？详细解释一下。第一个是上下文更集中。对于编程来说，工具和上下文往往在一个地方：IDE、代码库、终端。这让 AI 更容易理解和执行。但一般的知识工作分散在几十个工具里。想象一个 AI Agent 试图起草产品简报：它需要从 Slack 聊天记录、策略文档、上季度的仪表板指标，以及只存在于某人脑子里的机构记忆中提取信息。今天，人类就是那个粘合剂，通过复制粘贴和在浏览器标签页之间切换把这一切拼接起来。在这些上下文被整合之前，AI Agent 只能局限在狭窄的用例里。所以，想要让 AI 在其他领域可以更集中的规模化使用，就需要解决这个问题，或者对上下文有更好的解决方案。目前最好的解决方法就是最近比较火的 Skills 。第二个缺失的要素是可验证性。代码有个神奇的特性：你可以通过测试和错误来验证它。模型制造商用这个来训练 AI 更好地编程。但是，其他领域的很多工作，并不具有可衡量性和验证性，比如，你怎么验证一个项目管理得好不好，或者一份战略备忘录写得怎么样？我们还没找到改进通用知识工作模型的方法。所以人类仍然需要在循环中监督、引导，展示什么是好的。如果顺着这两个条件继续往下推，其实就能看到一个更大的结论：Vibe Coding 火的不是“编程”，而是它刚好踩中了 AI 最容易规模化落地的那块“甜区”。AI 并不是突然“会写代码了”，而是第一次遇到一个：上下文高度结构化、结果可以被快速验证、反馈闭环极短的工作形态。编程只是最典型的代表。你在 IDE 里敲一句需求，AI 生成代码，跑一下，报错或通过，立刻得到反馈。这正好符合强化学习和人类协同训练最舒服的环境。所以，为什么其他知识工作暂时很难复制 Vibe Coding 的成功？因为它们同时缺两样东西：- 上下文没有被收敛- 结果没有被形式化只要这两点不解决，AI 就只能当“高级搜索 + 自动补全”，而很难进入“协作生产”。所以你会看到一个很有意思的趋势：AI 在写代码、做数据处理、生成 SQL、写测试时进展飞快在战略、管理、判断、决策上却进展缓慢不是模型不聪明，而是工作本身还没被“工程化”。未来 AI 是否能在某个行业大规模落地，取决于这个行业能否被改造成“像编程一样的工作”。也就是说：- 能不能把上下文压缩到少数系统里- 能不能把“好不好”变成“对不对”- 能不能把反馈周期从“几个月”缩短到“几分钟”谁先做到这一点，谁就会诞生属于自己的 “Vibe X”。#科技先锋官##微博年度新知博主##AI创造营#

2. OpenAI 内部残酷真相：只会写代码的工程师正在“消亡”，AI 正在制造无法跨越的阶层鸿沟

3. 亚马逊将禁止初级工程师直接提交 AI 代码，如何评价这一举措？AI 提效与工程质量如何平衡？

4. Haider分享了一个正在发生的开发变革：他80-90%的代码由AI生成，而他负责设计、拆解任务、审查和优化，这让他的效率提升了10倍。AI不再是简单的“实习生”，而是如同一位经验丰富的资深工程师，甚至连架构设计都开始被部分AI承担。这个趋势引发了很多思考：1. 人类开发者的角色正在转变——从编码者变成架构师和审核者。写代码的定义正在从“敲代码”转向“高效编辑”和“系统设计”。2. AI生成代码速度极快，甚至可以用语音操作，开发流程因此大幅加速。3. 代码质量和系统安全依然需要人类把关，审核周期成了最关键的环节。4. 持续创新将成为公司在AI时代的唯一护城河，传统的专利保护将变得无力。5. 未来架构设计将由AI辅助甚至主导，这将彻底改变软件开发的格局，留给人类的空间更多是策略和商业层面的大局观。正如多位开发者所言，AI是永不疲倦的天才助手，极大释放了开发者的创造力和专注力。关闭AI辅助的开发环境会让人感到“戒断反应”，这显示了AI已经深度融入工作流。人类的真正竞争力在于“判断力”和“设计力”，而不是单纯写代码。这是一场从“代码劳动者”向“智能指挥官”的身份转变，技术的边界被重新定义，未来属于懂得驾驭AI、融会贯通创新的人。原文：x.com/slow_developer/status/1997554290689544281

5. 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#

6. instavm.io/blog/llm-anti-patterns这篇文章总结了日常用大模型时的一些“反模式”，也就是我们在使用 LLM 时应该极力避免的习惯或行为。1. “我以前没告诉过你吗？” —— 关于上下文资源的浪费问题：上下文（Context）是一种稀缺资源，价格昂贵且有限（"worth its weight in gold"）。很多开发者习惯在同一个会话中反复发送相同的信息或文本，造成极大的浪费。典型案例：在“计算机操作”（Computer Use）场景中，当鼠标从 A 点移动到 B 点时，屏幕画面几乎没有变化（可能只是鼠标移动了 1 毫米）。但由于没有优化，系统会在每一次 API 调用中都发送一张新的、几乎重复的截图。这不仅浪费了 Token，还增加了延迟。讽刺的现状：某些大公司一方面推出了“上下文管理工具”来帮助开发者压缩/删除冗余信息，另一方面在他们自己的“计算机操作”API 中却做着完全相反的事情——在那里面重复发送几乎一样的截图。解决方案：应该只在状态发生显著变化时才发送新的截图或信息。作者团队为此开源了一个名为 click3 的工具，专门解决这个问题。2. 让 LLM 做它不擅长的事 (Not playing to model strengths)—— 强行让文科生做理科题问题：很多时候我们试图强迫 LLM 直接通过“思考”来解决它本质上不擅长的任务。典型案例： 1️⃣生成带文字的图片：直接让模型生成一张包含特定文字的图片，效果通常不好。 2️⃣数数：比如让 LLM “数一下这个字符串里有多少个字母 r”。由于 LLM 基于 Token 预测，它非常不擅长这种精确的字符计数。解决方案：利用 LLM 的编程能力来解决这些问题，而不是利用它的推理能力。 1️⃣与其让它直接生成文字图片，不如让它写一段 Python 代码来绘制图片。 2️⃣与其让它直接数数，不如让它写一段代码来计算字符串长度。3. 忽视“大海捞针”效应 —— 随着上下文填充，准确率会下降问题：许多开发者认为只要上下文窗口没满，就可以无限往里面塞东西。但实际上，随着上下文被填满，模型的注意力会分散，准确率（Accuracy）会显著下降。现象：这就是著名的“大海捞针”现象——模型往往能记住开头和结尾的信息，但很容易忽略中间的大段信息。解决方案：保持上下文的精简。要做到“具体”和“精确”，只添加最相关的上下文，不要指望模型能从海量噪音中自动提取关键信息。4. 期望魔法能解决确定性问题 (Expecting magic for deterministic tasks)—— 概率模型 vs 确定性逻辑问题：试图用一个概率模型（LLM）去解决必须 100% 准确的确定性问题（Deterministic requirements）。观点： LLM 是基于概率的，它并不具备像 CPU 那样的严密逻辑运算能力。解决方案：将确定性的需求转移到确定性的代码执行层。不要问 LLM：“如果 A>B 且 C<D，结果是多少？” 而是让 LLM：“请写一个函数来判断 A 和 B 以及 C 和 D 的关系。” 核心原则：别指望魔法，要把逻辑判断交给代码（Code Execution Layers）。#科技先锋官#

7. Anthropic试图打造一个能在六个月内取代程序员的代码模型，虽然他们尚未成功，但从他们对编码领域的投入和努力中可以看出野心十足。Opus 4.5无疑在处理多种编程任务上表现惊艳，成为了强大的辅助工具。然而，真正的编程远不止写代码本身。判断力、理解产品需求、处理遗留系统和复杂人际沟通才是核心。代码只占程序员工作的20%左右。AI目前还无法自动做出这些关键判断，仍需人类“牧羊”般引导和决策。AI的崛起，虽未完全替代程序员，但已经迫使开发者提升标准，不再依赖模板和重复劳动。低水平或入门级编码岗位更易受到冲击，而资深工程师则拥有不可替代的经验优势，继续主导设计、优化和调试。未来，编程将更多转向对AI生成代码的监督和责任承担。AI是工具，不是替代品。它加速了开发效率，也带来新的挑战：谁为代码背后的错误负责？这场AI与开发者的博弈，是技术进步的必然，也是我们职业成长的新契机。拥抱AI，提升判断与设计能力，才是程序员未来的核心竞争力。原文：x.com/amritwt/status/1996524534703546527

8. 【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#

9. 怎么验证AI生成的单元测试是真的在测东西，而不是形式上通过？

10. 给企业员工的AI安全指南：先看完再动手

11. 3月7日，OpenAI正式发布一款名为“Codex Security”的应用安全智能体工具，目前进入研究预览阶段。该工具旨在帮助安全团队和开发者在大规模代码库中自动识别、验证潜在漏洞，并生成可直接审查并应用的修复补丁，有望大幅降低传统网络安全工具常见的误报噪音，提升漏洞修复效率。Codex Security基于OpenAI前沿模型的智能体推理能力，能够在分析整个项目代码库前先构建项目级威胁模型，从而更精准地定位高置信度漏洞，而非泛泛扫描产生大量低价值警报。该智能体会先识别网络安全缺陷、提出解决方案建议，并在开发者审查批准后协助打补丁，避免直接自动修改代码带来的风险。OpenAI强调，Codex Security专为“大规模运行”设计，提供“易于接受的补丁”，让开发者能将精力更多集中在高级任务上，而非耗时于漏洞筛选。该工具已在开源代码仓库中进行扫描测试，展示了识别遗漏安全隐患的能力。目前，Codex Security通过Codex网页界面向ChatGPT Enterprise、企业版和教育版客户逐步推出，首月免费使用。研究预览阶段意味着该工具仍处于实验性部署，OpenAI将根据反馈持续优化功能、准确性和安全性。这一发布正值智能体技术快速发展之际，也加剧了OpenAI与竞争对手Anthropic在AI网络安全领域的角逐。市场分析指出，Codex Security若能有效减少安全团队的“假阳性”负担，或将对传统网络安全厂商构成一定冲击，同时推动AI在软件开发生命周期中的深度嵌入。OpenAI表示，此举是其持续推进AI安全生态的一部分，未来或将扩展更多自动化安全能力。

12. 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？

13. //@宝玉xp:重构代码这事，最佳实践是先写自动化测试，先保证自动化测试覆盖，然后再去替换模块代码，确保替换后测试还能通过，这样重构后系统还是相对稳定的。AI 正适合写自动化测试，另外对于用 AI Agent 写代码，有了自动化测试，也更容易验证生成结果的好坏，能提升效率，至于工具，主流的 Coding Agent 工具都挺好//@我拖沙養妳:宝玉老师，我现在面临的问题是，前端历史项目由于技术栈老旧，现在增加或修改功能比较混乱，也没有文档。我想借助AI来重构项目并能够形成文档，请问老师有什么建议？使用什么AI工具呢？//@宝玉xp:原型在确认模糊不清的需求上是相当有优势的，尤其是AI生成的高保真可以交互的结果//@迷糊-Tree:最近其实遇到一个类似的问题，一个小feature写了两周多。主要问题就是需求模糊+细节繁琐。因此用codex也很难直接出结果。下次按这个流程应该能快很多

14. 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。

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

16. OWASP发布生成式AI安全治理检查清单，助力企业应对LLM风险

17. 现在程序员的代码大多数都是用AI生成的，后面会成为屎山代码看不懂吗？

18. 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？

19. 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

20. 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

21. 2026 AI Coding 下半场：不拼参数，拼谁能让开发者“戒不掉”

22. 一个随机对照实验发现了一个很有意思的现象：有经验的程序员用 AI 写代码，实际上比不用 AI 慢了 19%。但这些程序员自己觉得呢？他们认为自己快了 20%。感觉和现实之间差了将近 40 个百分点。看到一篇文章《How to Vibe Code: A Developer's Playbook》，作者 Akshay 说，问题不在工具本身，在于你怎么用它。他总结了五个关键实践。第一个，也是最重要的一个：别急着写提示词。"帮我做一个任务管理器"这种模糊指令，出来的东西基本没法用。但如果你花几分钟写一个 15 行的需求说明，定义好技术栈、数据结构、页面和权限，一个 session 就能跑出可用的原型。有人用这个方法做到了第五个功能时，一个 session 跑出 32 个通过的测试，零调试。差距不在模型，在输入。第二个叫上下文工程。你给 AI 的信息质量决定了产出质量。上下文窗口是共享资源，塞太多东西性能会下降。做新任务就开新会话，别让上一个功能的残留信息污染当前的实现。只保留 AI 推断不了的东西，比如团队的命名规范、架构约束、安全要求。第三个是小步快跑。把复杂任务拆成一个个小块，每一步都是"计划、执行、验证"的循环。AI 处理前 80% 的工作很擅长，但在边界情况和集成环节容易卡住。任务越小越聚焦，AI 就越能在它的能力范围内发挥。第四个是测试先行。没有测试的话，AI 可能声称某个功能正常但其实根本没验证过，新改动可能悄悄搞坏其他功能。先写测试，确认测试会失败，再让 AI 写代码让测试通过。你在审查实现之前就已经通过测试验证了意图。第五个是安全意识。数据显示 45% 的 AI 生成代码会引入安全漏洞，AI 协作代码的安全漏洞率是普通代码的 2.74 倍。在项目配置里写清楚安全规则，让 AI 生成代码后先自我审查一遍安全问题，还要警惕 AI 推荐的不存在的依赖包。作者最后说了一句话特别到位：AI 给你的速度是超能力，但随之而来的过度自信是陷阱。真正从 AI 编程中获益最多的开发者，带着工程纪律去使用它。写好需求、拆好步骤、验证一切、像审查初级工程师的 PR 一样审查 AI 的产出。你的角色没有缩小，只是变了。你从打字员变成了架构师。原文地址：x.com/akshay_pachaar/status/2039326670797369346#科技先锋官##How I AI##程序员#

23. 【当代码不再需要手写：Karpathy 承认的软件开发转折点】快速阅读：前 Tesla AI 总监 Andrej Karpathy 透露，他现在主要用自然语言而非代码编程，称这是 20 年来最大的工作流变化。这一坦白引发开发者社区热议：当顶尖工程师承认“这有点伤自尊”时，我们该如何重新定义开发者的价值？---Karpathy 最近在 X 上的一段话引起轩然大波。这位 AI 领域的顶级专家说，他现在大部分编程工作都是用英语完成的，“有点不好意思地用文字告诉 LLM 该写什么代码”。这不是什么惊天动地的技术突破，而是一种微妙的承认。他补充道：“这有点伤自尊，但用自然语言操作大规模'代码动作'的能力实在太有用了。”短短几周内，他的工作流彻底翻转。以前主要手写的代码，现在大部分由 LLM 生成，他只需用自然语言引导。这不是渐进式改进，而是相变。开发者的角色正在从编写代码转向编排系统。LLM 表现得像热情但粗心的初级开发者：速度快，能力强，偶尔马虎。它们不问澄清问题，而是猜测。有时猜错了。社区反应揭示了更深层的东西。一些开发者将其视为解放，另一些则感到职业身份被侵蚀。这种紧张情绪是情感性的，而非技术性的。编程从来不只是工作，对许多人来说，它是自豪感的来源。有观点认为，这是“规格驱动开发”——认知负荷从实现转向规格说明。你花更多精力思考*想要什么*和*为什么*，花更少时间处理语法和样板代码。Claude 因其大上下文窗口和在恰当时机提出澄清问题的能力，特别适合这种工作流。但也有网友质疑：“如果我不写代码，我还算开发者吗？”这个问题击中要害。如果顶尖工程师承认“伤自尊”，这对职业的未来意味着什么？有趣的是，Karpathy 并非一味乐观。他过去曾公开质疑 AI agents 的成熟度。这次不是炒作，而是在承认工具强大的同时，指出它们依然混乱、脆弱、不完美。我们不只是在换工具，而是在重新协商“开发者”的定义。2025 年底，LLM 编码 agents 达到了触发软件工程转变的一致性水平。智能正在超越工具、工作流和组织结构。行业刚开始追赶，2026 年注定是快速发展的一年。ref: shiftmag.dev/llm-agents-claude-7751/ref: www.reddit.com/r/ClaudeAI/comments/1rxc7wj/andrej_karpathy_admits_software_development_has/#AI创造营##人工智能#

24. OpenClaw创始人正式确认360发现的WebSocket无认证升级零日漏洞，为快速发展的AI智能体领域敲响安全警钟。该漏洞可让攻击者绕过认证控制网关，引发系统崩溃，威胁极大。360及时将漏洞报送国家信息安全漏洞共享平台，以专业能力阻断风险扩散，彰显了国内网络安全团队的硬核实力。在AI智能体加速普及的当下，安全隐患随之凸显。此次事件证明，AI发展与安全防护需同步推进。开发者应强化安全架构设计，安全厂商持续提升漏洞发现能力，各方协同构建防护体系，才能为AI技术健康发展筑牢安全屏障。

25. “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

26. 硅谷巨头正疯抢高中生，斯坦福开设vibe coding课，清华AI博士甚至建议从幼儿园学起？AI海啸下，人才底层逻辑彻底变了，未来最值钱的不再是代码，而是你的“Vibe”#ai #vibecoding #秒哒 #硅谷 #AI时代学什么

27. 为什么用AI写代码之后，人反而越来越累了？

28. 【访谈对话】造过 Codex 的人，为什么每天用 Claude Code完整图文版：网页链接Calvin French-Owen 联合创办了 Segment，2020 年被 Twilio 以 32 亿美元收购。之后加入 OpenAI，带队用 7 周时间从零构建了编程 Agent Codex。2025 年中他离开 OpenAI 回归创业，日常主力编程工具却是竞品 Claude Code。他最近在 YC 播客 Lightcone 上，和 YC CEO Garry Tan 做了一场对话。Garry 刚用上 Claude Code 九天，Calvin 则是造过 Codex 的人。两人聊了编程 Agent 的产品哲学差异、怎么成为 top 1% 用户、上下文中毒的应对，以及如果今天重新创办 Segment 会做什么不同。要点速览：• Claude Code 被低估的优势不在模型本身，而在产品架构：通过子 Agent 拆分上下文窗口，用 grep 而非语义搜索检索代码• Anthropic 和 OpenAI 的产品哲学有根本差异：一个造"去五金店买材料造狗窝"的人类工具，一个造"3D 打印整个狗窝"的通用智能• LLM 正在替代 Google 成为开发者工具的推荐引擎，竞品公司可以通过伪装排名文章操纵 LLM 推荐• 上下文使用超过 50% 就该清理。LLM 的"迟钝区"就像考试最后五分钟还剩半张卷子没做【1】CLI 的复古未来：为什么命令行击败了 IDEGarry Tan 用一个膝盖手术的类比开场：十年前他是个"马拉松跑者"（写代码的人），后来遭遇"灾难性膝伤"（变成了管理者），停止编程。最近九天用上 Claude Code，感觉像换了仿生膝盖，跑得比原来快五倍。Calvin 认为人们太关注模型能力本身，忽视了产品和模型的协同。Claude Code 做得特别好的一件事是拆分上下文：给定一个任务，它会生成多个"探索子 Agent"，每个用 Haiku 模型遍历文件系统、搜索相关代码，各自运行在独立的上下文窗口里，互不干扰。正因为 Claude Code 运行在终端里，它天然适合这种自由的、可组合的集成方式。Calvin 说："CLI 不是 IDE，这一点很重要。它让你远离正在被写的代码。IDE 的全部目的是把所有状态保持在脑子里。但 CLI 是完全不同的东西，当我用 Claude Code 时，感觉像在代码里飞行。"Garry Tan 举了个实际的例子：沙箱概念上很干净但实际使用时到处碰壁，比如需要访问 Postgres 却连不上。而 CLI 直接运行在你的开发环境里，他甚至让 Claude Code 访问了生产数据库，调试了嵌套五层深的并发 bug。【2】自下而上的分发：LLM 时代开发者工具怎么卖Calvin 认为 CLI 工具的分发模式被低估了：下载就能用，不需要任何人批准。他最近试用了一个产品：下载桌面应用后，它直接调用你笔记本上安装的 Claude Code，然后通过 MCP 服务器通信。全程不需要任何人的许可。Garry Tan 把这个观点推得更远：在一切都变得飞快的时代，产品必须走自下而上的分发路线。CTO 做决策太慢了，要考虑安全、隐私、控制权。工程师直接装上就用。更有意思的是 AI 推荐的影响。Calvin 指出，现在人们可能直接在 Claude Code 里决定用什么工具。"只要 Claude Code 推荐用 PostHog，他们就用 PostHog。"而竞争对手可以通过伪装排名文章操纵 LLM 推荐——人类一看就知道是软文，但 LLM 会被骗。Calvin 认为这对开源项目特别有利。Supabase 就是典型：因为有非常好的开源文档，每当有人问怎么搭建后端，所有 LLM 的默认推荐都是 Supabase。【3】上下文工程：grep 为什么打败了语义搜索构建编程 Agent 最重要的是什么？Calvin 说：管理上下文。一个有意思的差异：Cursor 用语义搜索（把代码嵌入向量空间，找最相关的片段），而 Claude Code 和 Codex 直接用 grep。这看似落后，实际很合理。代码信息密度极高，通过 .gitignore 过滤无关文件后，用 grep 搜索基本能准确定位。而且 LLM 特别擅长写出人类绝不会手写的复杂正则表达式。"如果你在构建非编程领域的 Agent 系统，可以从中学到很多。关键是怎么把你的数据整理成接近代码的格式，让模型可以窥探周围的上下文、获取结构化的信息。"【4】成为 Top 1% 用户：少写代码，多做管理Calvin 的建议：部署在 Vercel、Next.js 这类有大量模板的平台上，核心代码控制在一两百行；倾向微服务或结构良好的独立包；理解 LLM 的盲区——它"超级持久"，可能会复制已有功能、重新实现你觉得不该碰的东西；给模型提供检查手段，测试、lint、CI 都行。Garry Tan 分享了他的"顿悟时刻"：前几天几乎不写测试，第四天决定把测试覆盖率做到 100%，之后速度暴涨。Calvin 说：这和所有公司做 prompt engineering 的方式一样，就是测试驱动开发。"测试用例就是你的 eval。"【5】上下文中毒：LLM 的"迟钝区"和金丝雀检测Calvin 引入了"上下文中毒"的概念：模型沿着错误方向走下去，因为"超级持久"特性，会不断参照已经错误的 token 继续推进。他的建议是上下文使用超过 50% 就清理。他用了一个类比："想象你是大学生在考试。前五分钟觉得时间充裕，会认真思考每道题。但如果还剩五分钟而你还有一半没做完，你只能随便写。LLM 遇到上下文窗口就是这种感觉。"Garry Tan 介绍了一个技巧：在上下文开头放一个随机事实作为"金丝雀"，定期问模型是否还记得。当它开始忘记，就知道上下文退化了。Calvin 认为 Claude Code 应该能在产品层面自动做这种检测，在内部跑一个"心跳"机制监控上下文质量。【6】两家公司的 DNA：五金店造狗窝 vs 3D 打印狗窝Calvin 把两家公司的差异追溯到创始 DNA："Anthropic 注重为人类构建工具。Claude Code 的工作方式像人类：你要造狗窝，它去五金店买材料拼在一起。OpenAI 倾向于训练最强模型做越来越长的任务。它可能完全不像人类工作——用 3D 打印机从零打印一个狗窝。会花很长时间，做奇怪的事情，但最终能用。"长期看他认为"后者可能不可避免"。但用 Claude Code 的体验让他想起十年前自己写复杂正则的感觉。"我一天能做五个人的工作量。像装了火箭推进器。"【7】如果重建 Segment：什么价值被清零了Segment 起步做的是数据集成：帮你把同一份数据同时发到 Mixpanel、Google Analytics。写这种连接代码以前是件麻烦事，值得付费。"现在这部分价值降到了零。你可以直接告诉 Claude：'我要这样映射数据'，然后它就做到了。"还有价值的部分是：维持数据管道运行、自动化业务流程（比如每次新客户注册就通过 Customer.io 发欢迎邮件）、管理受众群体。如果今天重做 Segment，他会在这些基础上用 LLM Agent 分析完整客户画像，自动决定该怎么给客户发邮件、登录后要不要调整产品界面、不同客户是否需要不同的 onboarding 流程。低层级的东西被 Agent 取代，价值向上迁移到了更抽象的层面。Calvin 还分享了一个让他持续感到惊讶的事情：Claude Code 仅仅从他正在工作的代码上下文中，就能推断出他的意图和动机。"你给 Agent 一份代码仓库的副本，然后从门缝塞进去一张纸条说'帮我实现这个'。它完全不知道你的公司是做什么的，你的客户是谁。但它竟然能工作。"【8】谁从编程 Agent 获益最多Calvin 认为越资深的工程师获益越大。因为 Agent 擅长把想法变成代码执行，如果你能用几句话准确描述你想要什么，就能把那些你一直想改但没时间改的东西批量派出去。他还认为更有"管理者气质"的工程师获益更大。"我们需要给 Agent 做上下文管理，但我们也需要给人类做上下文管理。"初创公司和大公司的差异也很明显。初创公司没什么可失去的，会把编程 Agent 推到极限。Calvin 预测一个奇怪的场景：一个人的团队做出的原型，可能比对面那个十人团队做得更好。Garry Tan 还提了一个观察：Paul Graham 的经典文章"Maker Schedule vs Manager Schedule"正在被改写。过去写代码需要先花几个小时把所有代码关系装进脑子，十分钟的碎片时间根本不够。现在 Claude Code 帮你维护上下文，碎片时间也能有产出。创造者也可以像管理者一样碎片化工作了。【9】安全与训练数据安全方面，Calvin 分享了 OpenAI 内部的故事。每次发布新模型都要过安全审查。他们团队的 PM Alex 做了一个实验：创建一个 GitHub Issue，里面放了一个很明显的 prompt injection，然后让模型去修这个 Issue。结果注入立即生效。所以 OpenAI 对沙箱非常谨慎：所有代码在沙箱中运行，不碰机器上的敏感文件，严格管理密钥。训练数据方面，Codex 对 Python 单体仓库特别好，这"恰好"就是 OpenAI 内部代码库的形态。Garry Tan 注意到问题不是模型本身对 Ruby 不行，而是 Codex 的沙箱环境不支持 Rails 需要的特定方式访问 Postgres。不是模型的问题，是"模型外面那层壳"的问题。---Calvin 在对话中反复回到一个核心判断：编程 Agent 的竞争力不在于模型有多聪明，而在于上下文工程做得多好。另一个贯穿的线索是角色转变：最好的编程 Agent 用户看起来越来越像管理者。他们不写代码，而是判断什么该做、什么风格好、哪些地方需要人类介入。Anthropic 的"人类工具"路线和 OpenAI 的"通用智能"路线哪个最终胜出，Calvin 不确定。但他的行动选择说明了一些东西：造过 Codex 的人，每天用的是 Claude Code。访谈来源：YC Lightcone 播客

29. AI生成的代码你们会去一行行检查吗？

30. 如何终结代码审查 (Code Review)

31. 【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

32. 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？

33. 5行代码，逼疯整个硅谷！澳洲放羊大叔，捅开AI编程奇点

34. 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。

35. 姚顺雨在腾讯首个研究：在“上下文”这事上，在座的各位都不及格

36. 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

37. 只用一个大模型审代码已经过时。现在，开三个Cursor窗口，分别用Gemini 3.0 Pro、Claude Opus 4.5和Codex 5.1 High Pro，分别审查代码库并生成详尽的Markdown报告。然后让每个模型阅读另外两个的报告，最后用Opus 4.5进行步骤化的统一重构。流程结束，代码质量显著提升。为什么不用单一最强的Codex 5.1？即使是“王者”也需要智囊团。不同模型视角互补，避免盲点，提升审查深度。过往“凭感觉写代码”的时代一去不复返，AI协作正成为软件进化的核心动力。虽然有人担心多模型审查会带来冲突和额外复杂度，实际操作中可以根据目标选用最适合的模型： - Opus 4.5：通用且擅长理解新代码库 - Gemini 3.0：前端和UI表现卓越 - Codex 5.1：后端逻辑推理无敌批判性的多模型交叉验证，相当于三位资深工程师各抒己见，最终汇聚成最佳方案。人类设计流程和决策策略，才是发挥这些AI最大效能的关键。这不仅仅是工具升级，更是开发范式的变革。未来，单模型“孤军奋战”将被多模型“团队协作”取代，代码审查和重构将更加严谨、高效、可靠。我们不再是“单兵作战”，而是运营一个由智能体组成的开发团队。原文：x.com/vasuman/status/1996414648594161923思考：在AI驱动的开发生态中，如何设计有效的“模型协作机制”，成为人类开发者新的核心竞争力。技术的进步让我们重新定义“代码质量保障”的边界，也让软件工程进入了“智能共创”时代。

38. 【让Claude自己抓自己的Bug，才是AI编程的正确姿势】Claude写代码快，写Bug也快。安全漏洞、类型错误、藏在随机文件里的API密钥，每次会话生成500行代码，靠人工审查根本不现实。解决方案很简单：让Claude自己测试自己。第一步，在项目根目录创建CLAUDE.md文件，写入强制检查清单：完成任何任务前必须扫描硬编码密钥、检查SQL注入和路径遍历漏洞、验证用户输入、运行测试套件、检查类型错误。Claude每次会话都会自动读取这个文件，相当于内置了一道安全门。第二步是关键的提示词技巧。让Claude“写20个专门用来破坏这个函数的单元测试”，它自己清楚哪里偷了懒，让它亲自举报自己。让它“像渗透测试员一样找出文件中所有安全漏洞”，SQL注入、认证绕过、权限提升都会被揪出来。让它“生成50个边缘用例：null、空字符串、负数、Unicode、十万项数组”，然后用hypothesis做自动化模糊测试。有评论提出一个更狠的思路：在写代码之前先让Claude写安全测试。先问它这个功能可能引入哪些危险漏洞，再让它写能捕获这些漏洞的测试，最后才写实现代码。这样Claude就被自己设的规则约束住了。第三步是工具链集成。claude-code-action可以在GitHub上自动审查每个PR，claude-agent-sdk能批量扫描整个目录，factory.ai的droid命令能扫描全仓库并直接提交修复PR。第四步是堆叠自动化扫描器：semgrep扫OWASP十大漏洞，bandit检查Python安全问题，ruff做代码规范自动修复，mypy做严格类型检查，snyk检测依赖项漏洞，gitleaks检测泄露的密钥。第五步是设置pre-commit钩子。把上面所有工具都加进配置文件，物理上阻止你提交有问题的代码。最终形成完整闭环：Claude写代码，CLAUDE.md强制自审，自动扫描器兜底，pre-commit阻止垃圾提交，GitHub Action审查PR。你只需要关注什么地方出了问题。有人说CLAUDE.md在长会话中会被忽略，可以用单独的SECURITY_CHECKLIST.md文件，每次提示词都明确引用它。说到底，核心思路是把CLAUDE.md当作安全契约来用，而不只是风格偏好说明。假设模型又快又马虎，然后围绕这个事实设计整套系统。#How I AI#x.com/pipelineabuser/status/2015531634255098266

39. 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

40. AI生成代码的速度，远超人类。但为了保证软件系统的可靠性和安全性，当前关键代码，仍需人类的审核与复查，这就带来了一个“代码生产与代码审核速度不匹配”的问题，人脑干这事的低效，成为了最大的瓶颈。也许未来的时光，人类只需提出要干啥事情，软件系统会全部由AI生成和维护。到那时，在整个设计与开发流程中，AI不会再遵循人类制定的种种“软件工程理论、规范和流程”，它认为那是“自缚手脚”，它会自己“创造一套对机器友好”的方法。当前AI干的，还是先生成用编程语言描述的程序代码，再编译转换为机器可以执行的代码，这个明显是照顾人类的，因为人类看不懂最底层的机器代码。如果不用理会人类，AI可以一步到位，直接生成最终的机器码，也就是说，AI会把“愚蠢的人类”，从“软件开发”中“彻底踢出去”——AI：“愚蠢的人类，请你滚蛋，你，只会影响我写代码的速度！”但这里，还有个问题，AI不能坐牢，所以，最后大约还需要一个人类背锅侠，他的职责就是——负责坐牢。

41. 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#

42. #第一批养虾人已经失眠了# 最近，全网都在养的小龙虾是什么？有什么用？有什么潜在风险？它不是夜市吃的那种，而是AI智能体OpenClaw。它能自动干活、写代码、处理文件，号称全能数字员工，火到人人都想养。但风险真的被低估了：会乱删文件、有安全漏洞，第三方安装还可能泄露隐私、入侵设备。很多人刚用上就开始慌，第一批养虾人已经睡不着了。AI是神器，但别盲目跟风，安全永远比效率重要。袁国庆的微博视频

43. Anthropic 推出 Code Review：用一组 AI Agent 帮你做代码审查 Anthropic 今天发布了 Claude Code 的新功能 Code Review，针对 GitHub 上的每个 Pull Request（代码合并请求）自动派出一组 AI Agent 进行深度审查，目前面向 Team 和 Enterprise 计划用户开放研究预览。（注意个人用户还用不了）这个功能的背景：过去一年，Anthropic 内部工程师的代码产出增长了 200%，代码审查成了瓶颈。他们发现客户也面临同样的问题，开发者疲于应付，很多 PR 只是被快速扫一眼，而非认真审读。 Code Review 的工作方式是：当 PR 提交后，系统自动派出多个 Agent 并行查找 bug，交叉验证以过滤误报，再按严重程度排序。最终在 PR 上生成一条汇总评论，外加逐行的具体标注。大型复杂的 PR 会分配更多 Agent 做更深的审查，小改动则轻量处理，平均审查时间约 20 分钟。 Anthropic 自己已经内部使用了几个月。使用前，只有 16% 的 PR 能收到实质性审查意见；使用后，这个比例升到了 54%。在超过 1000 行改动的大 PR 中，84% 会被发现问题，平均每个 PR 找出 7.5 个问题。工程师对结果的认可度很高，不到 1% 的发现被标记为误报。他们举了个例子：一个看起来很常规的单行改动，实际上会导致生产环境的身份认证功能失效。Code Review 把它标记为严重问题，提交代码的工程师事后承认自己不会注意到这个问题。不过这个功能不便宜。它按 token 用量计费，每次审查平均花费 15 到 25 美元，随 PR 规模浮动。管理员可以设置月度预算上限、选择启用的仓库，也有分析看板追踪使用情况。值得注意的是，Code Review 不会自动批准 PR，最终是否合并仍由人决定。它的定位是补上人工审查的盲区，而非取代人类审查者。 Anthropic 此前已有开源的 Claude Code GitHub Action 做轻量审查，这次的 Code Review 是更重量级、也更贵的选项。 http://t.cn/AXVXCz6o

44. 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

45. Anthropic官方报告：8大趋势说透AI编程未来，60%代码AI写的，老金实测项目带你看！

46. AI时代下安全工程师培养的新范式

47. 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#

48. #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#

49. 终于来了！DeepSeek-V4 正式发布！免费开源，百万上下文，Agent能力直逼Claude！| 零度解说

50. 在 AI 一键生成代码的时代，程序员还有必要坚持手写「古法编程」吗？

51. 其实人类的工作流程还是久经考验的，目前AI这个搞法，就很像一次性给你一个九成外观作品，其实是哪哪儿都凑合，让你以为它距离完工就差一步，实际就是步步是坑，把所有东西都完成的时间和按照标准流程来可能还要更长一些。教训是还是要同时搞几个AI窗口当agent，一个是产品经理，一行代码不能写，只能碰需求，把需求弄成prd标准文档，下一个会话窗口，就只能搞根据这个prd弄架构，也不许写代码，输出，最后再开个会话窗口，设定为一个初级码农，对架构完全没有任何干预权力，或者就是再细分，一个会话窗口一个模块，输出完找缝合怪来缝，不然就是一团浆糊搅合一天。。。。

52. 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

53. 《从写代码到管 Agent，大多数工程师还没准备好》斯坦福首门 AI 软件开发课讲师 Mihail Eric 谈初级开发者的三重困境、多 Agent 编排的真正难点、Agent 友好代码库的标准，以及为什么初级工程师的'无知无畏'在 AI 时代反而是超能力。从写代码到管 Agent，大多数工程师还没准备好

54. 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。

55. 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？

56. CLAUDE MD 不建议放太多内容，只会适得其反，只放最重要的 AI 没训练过的内容，更多的内容作为链接按需读取。很多人把设计模式、规范、最佳实践之类的都放进去，先不说这些 AI 都训练过，你最多说个名字就够了，就算是你需要的，也不是每次都要，不如放一个链接或者移到 Skills 按需加载。人家 Claude Code 官方项目中 CLAUDE md 文件也就大约 2.5k tokens： - 常用 Bash 指令：让 AI 知道如何像开发者一样操作命令行。 - 代码风格规范 (Code Style Conventions)：确保 AI 写的代码符合团队编码标准。 - UI 与内容设计准则：指导 AI 如何设计界面和编写文案。 - 核心技术实现流程：教 AI 如何处理状态管理 (State Management)、日志记录 (Logging)、错误处理 (Error Handling)、功能门控 (Gating，即控制特定功能的开启与关闭) 以及调试 (Debugging)。 - 代码合并请求 (Pull Request) 模板：规范提交代码时的文档格式。

57. 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。

58. 在线代码评审经常面临一个难题：Claude Code 每次都要重读整个代码库，消耗大量计算资源和时间，效率低下。code-review-graph 这个开源项目为 Claude Code 构建了本地代码知识图，自动解析你的代码库结构，精准定位改动影响范围，实现只读“关键文件”，大幅减少无用令牌消耗。主要功能：- 基于 Tree-sitter，支持12种语言（包括Python、TypeScript、Java、Go等）；- 增量更新代码图，文件保存或 Git 提交后2秒内完成重解析；- “爆炸半径”分析，精准追踪受影响代码和测试，避免全面扫描；- 支持语义搜索、交互式可视化代码依赖图；- 本地存储，无需云端依赖，数据安全放心；- 实现代码审查时令牌消耗平均降低6.8倍，日常编码任务最高可达49倍。使用方式也很简单：```pip install code-review-graphcode-review-graph install```然后打开项目告诉 Claude 构建图即可。GitHub：github.com/tirth8205/code-review-graph它帮你从海量代码中精准提取精华，让AI读代码更快更省心，推荐给所有需要AI辅助审查和开发的程序员朋友！#代码评审# #AI开发利器# #开源工具#

59. 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

60. 【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

61. 为什么大众对AI生成代码的道德容忍度要明显高于AI生成的图片视频和音乐？

62. AI生成的代码有安全漏洞吗？

63. AI 写的代码，正在成为新的技术债务

64. AI 写的代码,到底有多不安全？

65. 从“人写漏洞”到“模型复制漏洞”

66. 我在 CLAUDE.md 里加了 30 行安全约束，AI 生成代码的漏洞率降了一半

67. AI生成代码，如何部署上线，控制质量和预期？

68. AI生成代码的三大常见病灶，及目前代码审计升级思路

69. AI应用编程案例30～AI生成的代码别直接上线！踩过的3个坑，总结了一份安全检查清单

70. AI写的代码40%有安全漏洞，你还在直接用？

71. Vibe Coding生成的代码为何有多个高危安全漏洞？

72. AI生成代码的五大安全关卡

73. 没有规则约束，AI生成代码45%存在安全漏洞？aiXcoder

74. TOSEM'25| 面向代码生成的大语言模型数据高效适配探索

75. （转载）大模型的训练数据解决方案！2025

76. 大模型到底怎么训练？看完这篇你比95.27%的人懂得多 - 02

77. 别再乱用AI编程了！效率提78%VS漏洞增62%，企业安全攻略速看

78. AI让编程变得像说话一样简单，但安全吗？

79. 2026年人工智能大模型安全与隐私保护指南

80. 2026年AI编程智能体深度报告

81. AI 编程的安全防线

82. 企业如何安全高效落地 AI 编程？2026实测攻略，避坑又提效

83. 那行代码是谁写的？

84. Linux内核硬核官宣

85. Linux内核官宣AI编程新规

86. AI写代码之后谁来审查代码

87. 为什么AI生成75%代码，仍需人工审核？

88. 您的职责是交付经过验证能工作的代码

89. AI生成代码有漏洞，程序员如何做工业级代码审查？

90. 别等出事再后悔！这份AI使用规范每家公司都需要

91. Linux正式制定AI代码规范

92. 全球AI大模型开发者公约（2026版）

93. Linux 内核拥抱 AI 代码

94. Linux定了！AI生成代码能用，责任这么算

95. Linux说AI代码可以进，但责任不能进

96. AI 编程时代的责任边界

97. Linux 内核团队正式立规

98. AI Code Review Agent

99. AI 代码审查（AI Code Review）

100. 旁听斯坦福的AI编程课（第十讲）

101. 告别加班改Bug，AI帮你10分钟完成2小时的代码审查与重构

102. AI Code Review

103. 第四章

104. 全网最全面AI辅助开发指南（适用于全栈开发者）

105. AI代码质量守护者

106. AI时代，我们的任务不应沉溺于与 AI 聊天 - 🤔 从“对话式编程”迈向“数字软件工厂”

107. OpenClaw安全防护指南

108. 旁听斯坦福的AI编程课（第十讲）

109. 用AI做代码审查

110. AI代码审查

111. BMad v6实战第三弹

112. DeepSeek 等 AI大模型生成的代码靠谱吗?需要注意些什么

113. 开发者愤怒揭露:AI生成的漏洞报告为何让人失望?

114. 【明日生存课】厘清责任边界：在“人为主”与“AI为主”之间划出警戒线

115. OpenClaw安全框架发布，你的AI Agent安全吗

116. AI代码海啸来袭！谷歌CEO曝75%代码由AI生成，团队审核瘫痪危机何解？

117. Zig拒绝AI代码：一个开源项目第一次把灵魂摆上货架

118. 42%代码AI写，96%开发者不敢上线

119. DevSecOps 2.0：为什么「零信任 + AI 行动治理」，才是企业真正的安全护城河

120. ### AI 编程代码编写规范（基于“单体 + 技术分层 + 业务垂直 + 文件三层”） - 哔哩哔哩

121. 【第17篇】OpenClaw 安全审计：保护你的 AI 应用

122. Copilot PR 描述就被改了？GitHub AI 编程工具的权限边界正在失控

123. 如何保障阁下AI生成工具的安全性？

124. 开源社区炸了！AI写的代码到底算谁的？Debian这场争论太真实

125. 九章云：超实用OpenClaw安全操作（配置）指南

126. 十部门联手！AI正式进入“伦理审查时代”

127. 2026 AI 元年：从“增能”走向“责任承担”的演进逻辑

128. AI代码生成推动DevSecOps迈向机器速度

129. 使用AI助手前必看：9个安全建议让你用得更安心

130. “AI写的代码算不算贡献？”Debian开发者吵了半个月，最后只得出三个字：先观望

131. 专属领域大模型训练全攻略：开发者不用海量数据也能搞定！

132. 打破代码大模型训练瓶颈：MicroCoder将算法数据框架训练经验升级

133. AI生成的代码，知识产权到底归谁？法律与伦理的“无人区”争夺战

134. 《AI Index Report 2026》安全切片：狂奔的AI与掉队的治理

135. LLM上下文工程指南：为什么过多上下文反而降低性能

136. 人类在AI辅助软件开发中扮演什么角色？

137. 英国法官拥抱AI，但AI使用责任如何划分？

138. AI要“干活”了！2026年这些趋势+风险必看

139. 前沿AI的8大风险挑战-《国际AI安全报告2026》（英伟达，2026.2）

140. 活动预告｜智能化软件开发微访谈·第四十一期从氛围编程到SDD：盘点AI辅助开发的2025

141. 企业使用 AI 代理进行代码开发的规范2026Q1 v1 (简略版) - 哔哩哔哩

142. 用AI写文章、画图、写代码，版权归谁？2026年最新规则一次说清

143. Bengio领衔2026年国际AI安全报告：迎接风险与机遇博弈的治理挑战

144. DevSecOps 现状：平衡开发速度、阻力与人工智能

145. 2026 AI 安全攻防实战手册：职场人必懂防泄密、防诈骗、防注入

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！