- 博客(1050)
- 资源 (21)
- 收藏
- 关注
RSS订阅
原创 Ledge：这可能是距今最好的『DevOps + 研发效能』知识平台
过去的三星期里，因为疫情 + 种种不可告人的原因，我开始建设一个 DevOps 知识平台。GitHub：https://github.com/phoda...
2020-03-30 20:58:00
2065
1
原创 无代码编程
中台之后，便是无代码编程。规模化的组织，经常要面临这样的挑战：每个应用的基础设施是相同的，部分的代码也是相同的，甚至于它们可能只是数据模型不同而已。结果却导致了，他/她们要一次又一次地重新编写一个应用。对于一个新的应用而言，它需要对接大量的三方（非自己团队）服务。服务之间的不断变化 ，导致了对应的使用方也需要发生变化。不断变化的业务，导致了前台的设计不断变化。为了应对快速谈的的前台服务，后...
2019-04-02 09:05:27
15924
16
原创 致JavaScript也将征服的物联网世界
凡是能用JavaScript写出来的，最终都会用JavaScript写出来。—— Atwood定律在那篇《最流行的编程语言JavaScript能做什么？》里，我们列举了JavaScript在不同领域的使用情况，今天让我们来详解一下JavaScript在物联网中的应用。基础：物联网的三个层级开始之前， 先让我们简单地介绍点物联网的基础知识。如果你有点Web开发经验的话，都知道下图是CS架构：相比于一
2016-08-07 22:14:26
33213
10
原创 从 0 到 25 万行：一个 100% AI 编码项目，真正难的不是生成，而是治理
一旦关系从“工具”变成“队友”，问题就不再是它能不能产出代码，而是它能不能进入项目的协作系统：它有没有明确边界，是否遵守当前规则，写出来的东西是不是还落在共享契约之内，失败后能不能被及时拉回，这些失败又能不能继续沉淀成更稳定的 Harness Engineering。）把这件事真正展开。所以，对 Routa 这样的项目来说，最值得讲述的并不是“25 万行代码由 AI 写成”这个结果本身，而是这个结果背后的工程判断：团队并没有把 AI 当成一个更快的代码生成器，而是在持续把它纳入一个越来越严密的反馈系统中。
2026-03-24 22:30:38
223
原创 Entrix 开源了：我们如何用反熵机制治理 Vibe Coding
代码变多了，绿灯变多了，提交变密了，但工程系统对“这次改动到底安不安全”的判断，并没有一起升级。这件事的意义，不在于 Markdown 比 YAML 更优雅，而在于它改变了知识的存在方式。里，让系统不只是“跑几条命令”，而是开始承认哪些信号算 hard gate，哪些该按 tier 分层运行，哪些变化该触发人工 review，哪些检查只应该在 changed-only 场景里执行。你给出一个目标，AI 很快补全代码、修掉报错、加几条测试，终端持续吐出绿色信号：编译通过了，接口通了，页面能点了，测试也过了。
2026-03-20 21:50:55
342
原创 AI 编码 3.0：人机协作，正在走向多 Agent 协作系统化
它通过一组可执行约束，将原本依赖经验判断的过程，转化为可验证的工程行为，使系统从“看起来没问题”转向“被证明可以通过”。问题并不是一开始就显性的，相反，它们往往出现在那些我们过去从不认为需要被建模的“边角”位置：卡片究竟在什么条件下才允许移动，如果当前列中仍然存在未完成的执行步骤，是否还应该允许进入下一列，当 Agent 执行失败时系统应该停留、重试还是回退，这些问题在人类主导的协作体系中通常不会被精确定义，因为团队会通过经验、语境和即时沟通不断修正这些决策，甚至不会意识到这些决策本身的存在。
2026-03-19 21:22:05
311
原创 Harness Engineering 实践：Fitness Function 如何成为 AI 交付的防腐层
但在 Agent Loop 中，这个默认前提不再成立。提供入口导航，用 Markdown frontmatter 声明规则，用证据文件记录验证状态，用统一执行器收敛规则解释，用契约检查约束多实现一致性，再通过 hooks 与 CI 把这一切接入交付链路。因此，当 Harness Engineering 真正落地时，它面对的下一个问题并不是如何生成代码，而是如何把“完成”这件事，从经验判断转化为。系统不再接受“这次应该问题不大”这样的模糊表述，而只接受规则中声明过的命令、可观察的输出，以及明确的门禁结果。
2026-03-16 22:57:22
553
原创 当 Kanban 不再管理人：Routa Kanban 如何管理 Agent Team
此时，最关键的信息不是某个 Agent 刚刚说了什么，而是哪几张卡正在运行，哪几张卡还在等待，当前并发上限是多少，哪些工作因为资源压力被延后。这篇文章想讨论的，不只是一个看板页面，而是一种新的工程判断：在 AI4SE 时代，如果我们希望多 Agent 协作真正进入日常软件交付，就必须同时建设管理界面与工程护栏，而不是只建设聊天能力。因为在 AI4SE 的下一阶段，真正决定系统能否进入日常生产的，往往不会是某次惊艳的代码生成，而是这套系统是否已经具备了被团队管理、被组织信任、被工程约束长期守护的能力。
2026-03-15 15:23:35
259
原创 Harness Engineering 的防御视角：从 Codex Security 看 AI 生成代码的治理
在代码层面，扫描依赖的是静态分析与数据流追踪的结合。分析会从典型输入源开始，例如 HTTP 请求参数、RPC 调用或 URL 查询字符串，然后沿着代码路径追踪数据的传播过程，直到抵达危险操作，例如 shell 执行、HTML 渲染或外部网络请求。与传统的安全扫描不同，这些报告不仅包含漏洞列表，还提供了完整的攻击路径、动态验证结果以及可应用的修复补丁。从 Codex Security 的扫描分析中得到的最大启发，并不是 AI 让软件变得更危险，而是 AI 让工程系统中长期存在的问题变得更加明显。
2026-03-12 22:14:50
381
原创 AI Coding 流畅度模型：人机协作中的开发者角色转型与未来演进
阶段，团队主要通过对话界面或简单工具使用 AI。通过逐步建立人与 AI 的协作能力，团队可以更好地利用 AI 的潜力，同时保持软件系统的质量与可持续演进。在越来越多的团队中，AI 不再只是提供建议，而开始参与实际开发任务，例如生成模块、运行测试、修复错误，甚至创建 Pull Request。然而，在许多组织中，人们仍然把 AI 编程理解为一种工具升级：更聪明的 IDE 插件、更强大的代码生成器，或者更方便的技术问答助手。从最初的代码补全工具，到能够执行复杂任务的智能体，AI 在开发中的角色正在不断扩大。
2026-03-11 07:56:38
370
原创 从实践到原则：为 AI Agent 构建的 Harness Engineering 落地与探索
例如 Stripe 在其 Agent Engineering 实践中构建了一套完整的执行循环：工程师通过 Slack 或 CLI 触发任务，Agent 负责生成实现代码并运行测试，如果 CI 失败，系统会自动进入修复循环，直到代码满足基本质量标准后再生成 Pull Request。从最初的代码补全工具，到能够生成完整模块的 Coding Agent，再到可以自主修复 Bug、执行测试甚至生成 Pull Request 的智能体，软件开发的生产方式正在发生明显变化。传统的软件工程体系是围绕人类开发者设计的。
2026-03-10 21:53:23
353
原创 2026 年，万物皆 Coding Agent 的平台工程新范式（A2A / ACP / MCP / Skill）
也就是说，Workspace Agent 是“微编排器”，把 ACP Agent 当作可调度的执行单元，而不是自己执行具体代码。当每个 DevOps 环节都长出自己的 Agent，孤岛化问题显而易见：工具多、重复多、效率低。通过任务拆解、Agent 调度、事件同步和状态管理，零散的 Agent 被组织成链条：规划者规划，实现者实现，验证者验收，每个角色都有 Skill 明确能力边界。Skill 的 Agent 明白了，你的意思是：Workspace Agent 并不是单进程独立做任务，而是一个。
2026-03-03 12:03:30
424
原创 Agent Team 实践与架构设计：在约束下构建可演进的一个人开发团队
在没有公司完全买单的 Cursor 之后，我需要一种更好的方式，能在一个月非常好地利用、编排工具，这样的话 Kiro + Copilot 提供的 Opus/Sonnet，就能发挥最大价值 —— 当然要我说最好用的还是 Augment Code，但是只是 backup，Claude Code 虽然强，但是上下文的。的技术专家，我一直相信，可演进性才是我的竞争力，也是构建系统的核心 —— 尽管，供应商绑定（Vendor Lock-in） 也是一个非常“不错”的商业模式，但是那可是屎山。
2026-03-02 16:50:59
411
原创 从 AutoDev 到 Routa：开放生态下的多 Agent 编排新一代实践
这些 Store 提供了 状态持久化能力——如果某个 CRAFTER 陷入死循环（类似 AutoGen 常被诟病的对话混乱），或者发生网络中断，Routa 的架构能够依靠结构化的 Task 和 Stores 从断点恢复执行，而不是从头开始消耗 Token。这展现了 Routa 在企业级部署时对。PS：在设计 Routa，我们（我和 AI）参考了 Augment Code 的 Intent 协作体系、JetBrains 的 ACP 管理、Claude Code 的 MCP 管理、Codex 的交互等。
2026-02-24 15:56:27
420
原创 ACP 协议 + 多 AI 编程智能体：企业研发的新生产力平台
你可以在 IDEA 中集成各类 Coding Cli 工具，而这些工具可以与 IDEA 的生态进行深度融合，他可以是支持 ACP 协议的 OpenCode、Auggie 等，也可以是不支持 ACP 协议的 Claude Code 等 —— IDEA 会帮它们支持的。在传统的 AI 编码助手中，Agent 往往是一个"黑盒" ——你发送一个请求，等待一段时间后得到结果，但中间发生了什么、Agent 读取了哪些文件、修改了什么代码，这些过程对 IDE 和用户来说都是不可见的。，彻底解决了这个问题。
2026-02-09 15:48:11
1154
原创 平台工程视角下的 AI 应用架构治理：从碎片化 AI 到规模化智能
在实践中，AI 最容易走向失控的地方，往往出现在业务侧。等专业工具，不仅看流量，更要看 Prompt 的演进、会话上下文（Sessions）以及跨多步推理的 Trace 细节。一个反复被验证的事实是：AI 在生成和重构上极其高效，但在责任、风险和长期演进上，仍然需要工程体系兜底。很多组织以为，AI 的挑战在于模型选型、参数规模，或者“要不要自建平台”。：根据任务复杂度、成本、时延 SLA，将请求分发至不同的模型（小模型优先原则）。AI 架构治理，并不是在讨论“是否要做一个 AI 平台”。
2026-02-05 22:35:00
385
原创 AI 时代的洞察方法论：结构化思维与能力迁移
在过去，我们去构建这样一个数据原型成本巨高，特别是数据领域有大量的工具，操作型数据、流式数据、 CD4ML、数据质量、数据目录等等。为了达到预期的 Thoughtworks DPS（数字化平台策略），我们做了大量的人肉搜索：查阅高盛的博客、年报、技术网站、技术高管访谈，甚至浏览他们的 GitHub 仓库。我很快让 AI 开始分析，同样的目标、同样的素材，结果几乎在短短几十分钟内就完成了大部分信息整合——果然不出我所料，底层重复性的工作可以完全自动化， 而我可以将精力放在更高阶的思考上。
2026-01-19 22:49:48
719
原创 ＜span class=“js_title_inner“＞AI 时代的洞察方法论：结构化思维与能力迁移＜/span＞
在过去，我们去构建这样一个数据原型成本巨高，特别是数据领域有大量的工具，操作型数据、流式数据、 CD4ML、数据质量、数据目录等等。为了达到预期的 Thoughtworks DPS（数字化平台策略），我们做了大量的人肉搜索：查阅高盛的博客、年报、技术网站、技术高管访谈，甚至浏览他们的 GitHub 仓库。我很快让 AI 开始分析，同样的目标、同样的素材，结果几乎在短短几十分钟内就完成了大部分信息整合——果然不出我所料，底层重复性的工作可以完全自动化， 而我可以将精力放在更高阶的思考上。
2026-01-19 22:49:48
574
原创 AI 编程 2025 总结：国产模型“能力追平”，国产编程工具还在“情感陪伴”
你甚至可以在“官方的文档”上看到大量的相关文档，它展示着如何利用开源的 Cline、Gemini，还有闭源的 Claude Code 使用国产的 19.9 元的 Coding Plan。另一个更明显的信号，来自 Code Review 场景。PS：大家需要注意的是，虽然我们看到在榜单上各种模型的分数相当的高，但是受限于基础模型在语料上的不足，并非所有的场景，都能达到很好的效果。尽管，在某些复杂任务上的表现不足， 如我之前设计的遗留系统迁移场景，在长对话后，模型完成的任务有点失焦，但是总体表现还是不错的。
2025-12-30 16:27:01
1330
原创 我的 2025 总结：当 AI 开始释放创造力，工程师如何重新站位
他（Phodal）所构建的 Xiuper 生态，不仅仅是一套工具，更是一种对未来软件开发方式的预言：未来的开发者将不再是单纯的“打字员”，而是智能体战队的“指挥官”。但是，它生成不好足够的 insights，尤其是对于复杂的技术细节和长期的项目演进。但是，对于实现某些特定的任务，它所带来的提升是巨大的。只是 AI 并不是只提升了生产力，与此同时它降低了我创作的欲望，它生成东西的速度实在是太快， 以至于通过我在构思完大纲之后，会很快失去继续写下去的动力，只想交给 AI 去完成剩下的部分。
2025-12-29 18:13:09
638
原创 Agentic UI：重新定义“好体验”——不是美化按钮，而是让认知负担归零
这一转变要求前端的角色必须进化：从传统的“展示界面”（GUI），演变为一个可执行、可治理、可审计的“工作界面”。从快速自我迭代、“不需要看代码”的 Claude Code，到 Agent 模式的 AI IDE（如 Google Antigravity），Agent 的进化速度已经远超传统 UI 架构的迭代。AI 原生架构的关键不在于“让模型更会写 UI”，而在于通过 DSL、编译与评估机制，把 UI 生成变成一条可验证、可度量、可回归的工程闭环——这才是 IDE 场景真正可交付的 AI 产品能力。
2025-12-23 20:58:17
490
原创 AutoDev 3.0 → Xiuper：咻！全平台、全流程智能体编程平台
覆盖从需求分析、代码编写、文档管理到代码审查的完整开发流程，并且支持 Desktop（macOS/Windows/Linux）、CLI、VSCode、JetBrains IDE、Web、Android 和 iOS 全平台运行。从需求理解、架构设计、代码实现，到测试验证、文档编写、代码审查，乃至 UI 调整和团队协作，Xiuper 的每一个 Agent 都对应真实工程角色，实现完整的。（SDLC），每一个阶段都由专门的智能体（Agent）支持，从需求理解到运维管理，形成完整的。
2025-12-14 20:13:21
834
原创 AutoDev DocQL：Agentic RAG 下的结构化检索设计、实现与实验探索
在 Agent 流行的今天，Agentic RAG 并不是一种新的技术， 我们在 Cursor、Claude Code、Antigravity 等中看到的 Agent 在接受用户的输入之后， 做了一系列 read file、grep、codebase 等操作本身，就是 Agentic RAG。既然，我们在 AutoDev 多端版本中已经构建了多个 Agents，那么再构建一个新的 Agent 难度自然也是不大的，这也就是 AutoDev Knowledge 的想法，试验用于复杂场景下的知识问答。
2025-11-28 07:30:47
938
原创 AI 代码审查再进化：AutoDev 多智能体协作架构深度解析
CodeReviewAgent（主 Agent）/执行整体任务编排，负责 diff、lint、issue、测试等多源信息的聚合。AutoDev 智能审查流程可以概括为一个串联的四步流水线：先收集全部静态上下文，再用 LLM 做深度分析，然后生成可执行的修改计划， 最后由多 Agent 协作完成自动修复。等长期痛点：Lint、测试、Issue、变更记录散落在不同系统里；，AutoDev 让 AI 像资深工程师一样，能够全面理解代码的上下文、历史演进、质量风险，并在必要时自动生成修改建议或直接执行修复。
2025-11-26 17:40:22
474
原创 AutoDev Review Agent：应对 10 倍代码量的 Agentic 代码审查
自然而然的，我们做一个关于 Code Review 的研究，肯定不是为了好玩，所以在这一篇文章里， 我们将介绍 AutoDev 的新 Agent，基于多端架构的 SubAgents 体系的 Code Review Agent。只是对于核心的软件开发系统来说，Code Review 是非常有必要的，可以改善质量，毕竟要花费大量的时间。现在的软件往往有着非常复杂的软件架构，诸如于多系统集成的微前端应用，小程序化的移动应用，还有不合理微服务架构的后台应用，他们往往是由成十上百个 子仓库或者系统集成的。
2025-11-17 12:23:22
580
原创 ＜span class=“js_title_inner“＞AutoDev Review Agent：应对 10 倍代码量的 Agentic 代码审查＜/span＞
自然而然的，我们做一个关于 Code Review 的研究，肯定不是为了好玩，所以在这一篇文章里， 我们将介绍 AutoDev 的新 Agent，基于多端架构的 SubAgents 体系的 Code Review Agent。只是对于核心的软件开发系统来说，Code Review 是非常有必要的，可以改善质量，毕竟要花费大量的时间。现在的软件往往有着非常复杂的软件架构，诸如于多系统集成的微前端应用，小程序化的移动应用，还有不合理微服务架构的后台应用，他们往往是由成十上百个 子仓库或者系统集成的。
2025-11-17 12:23:22
403
原创 2025 AI 代码检视：以 ROI 为中心的 AI 代码检视体系与智能体架构设计
昨天，和我的前同事（他们 Thoughtworks Global，我们前 Thoughtworks 中国区，现 Inspire）聊完 AI Code Review 之后，觉得有几个点非常不错 的点，应该会影响到不少人对于对 AI 代码检视的架构设计与思考。简单来说，如果你要 review 10 行代码，那么我从我的上下文工程中，应该获取到 10 行的上下文信息， 诸如于：用户意图、文件依赖关系、预期结果。在足够的 context 能影响结果的情况下，我们的问题就变成了，我们是否值得投入这么多去做这件事。
2025-11-14 12:15:12
850
原创 AutoDev CLI：打造 AI 生成的 AI Agent 质量保障与验证架构
由于 AutoDev 的新架构是多端统一的，同样的 CodingAgent 代码和 Renderer 机制，就可以确保我们在 CLI 遇到的问题，99%（只能是大概率）都会 在 Desktop、Mobile 等其它端遇到。在学习了基本的 AI Agent 和对应的上下文工程之后，你很容易理解这个提示词的用途 —— 运气好的情况下，你可以直接有一个可运行的 AI 辅助问题修复的 AI Agent。AI Agent 可以在执行 CLI 后，查看变更，然后修改不合适的地方，再次循环。
2025-11-12 16:51:48
905
原创 Vibe Coding 何必只在桌面 IDE，多端智能体协同的思考与设计
我正在创建 mpp-server 服务，它可以为 mpp-ui 中的 Android 提供 remote 的 AI Coding Agent 能力，即在 Android 上可以选远程 Project，然后提供 Http API 和 Koog 或者 Ktor 提供 SSE/Streaming API 来提供远程的数据，先前的 ComposeRenderer.kt 接口就是提供统一的跨平台渲染能力。无论你在哪端操作，AI 的“心跳”都是一致的——你的指令、你的想法，都能被及时响应和呈现。
2025-11-11 12:08:24
1073
原创 AutoDev 架构升级：多端编程 Agent（CLI/Desktop/Mobile），欢迎一起参与演进
PS：之所以叫重构，是我们在 AutoDev 上已经有大量的经验，尽管架构上是紧耦合的，但是利于 AI 阅读后重写，比如，我们的 DevIns 语言。在新的架构里，MPP-Core 是我们的核心，基于 Kotlin 的 Multiplatform 技术，我们构建出了 JS 和 JVM 版本的两个核心接口和实现，基于 这两个实现。既然，我们有了更好的 Vibe Coding，那传统的 IDE 交互方式是不是就不需要了，非专业人士只需要一个聊天界面，以及可以实时预览和交互的 UI 就行了？
2025-11-04 15:20:00
655
原创 零基础指南：从 Prompt 到上下文工程构建 AI Agent 【万字长】
领域特定的输出格式。主管-专家模式（层级结构）：一个“主管 Agent”（Supervisor）或“协调员 Agent”（Coordinator）负责接收高层级的用户目标，将其分解为一系列子任务，然后根据每个子任务的性质，将其分派给相应的“专家 Agent”。尽管，我们并不一定需要引入 A2A 架构，如我们在 AutoDev 中实现的机制是，将 A2A 协议的 Agent 以 MCP 工具的形式暴露给 Agent 使用， 在不添加系统复杂度的情况下，实现了 Agent 与 Agent 之间的协作。
2025-10-14 11:51:43
1211
原创 AutoDev A2A 新能力下的云端 Agent 路径思考，从扩展到协作
而现在引入了 A2A 则是将其作为现有 Tool 的补充，即在 AutoDev Sketch 可以将任务委托给一个 MCP Tool，也可以由其它的智能体来完成。A2A（Google 推出的 Agent-to-Agent 协议）协议的出现，旨在解决 AI 智能体生态系统中的一个根本性难题， 并为构建一个真正互联互通的智能网络提供基础。实验前沿架构模式：通过引入 A2A 与 MCP 的协作机制，AutoDev 可以尝试跨智能体、跨系统的任务分发与协作，这是闭源商业工具难以轻易实现的。
2025-09-29 11:18:43
1028
原创 从 Langchain 到 Spring AI，我们究竟需要怎么样一个企业级 AI 开发基础设施？
从过去只是提供模型服务，到 Dify、Coze Studio、OneAgent、Copilot Studio 等大量的 B 端 AI 应用平台的崛起，它们已经承接了原来 AI 框架的功能：知识库处理、RAG：检索策略、Embedding、重排策略等，并且可以直接对外提供 AI Workflow 的接口，只需要接入即可。对以 Java 为核心的企业而言，这些挑战又有其独特性：如何将 AI 能力无缝集成到庞大的 Java/JVM 生态中，既兼顾企业既有系统的稳定性， 又能释放生成式 AI 的创新潜力。
2025-09-08 20:11:34
695
转载 AI × 老旧系统：Vibe Coding 构建 AI 迁移工具，实现 10x 端到端智能迁移
因此，在现阶段（2025.08，毕竟模型能力还会继续提升）而言，我们更多的还是关注 在使用 AI 来提升在迁移的不同阶段的提升，即在迁移的 workflow 中引入 AI 来提升效率。而 AI 编程工具的完善与 Vibe Coding 的兴起，为我们带来了一种全新的可能性：它将这些碎片化的任务连接成一个智能协同的工作流，助力我们跨越理解、转换、重构、部署的每一步。这种"用 AI 来构建更强大的 AI 工具" 的方式，不仅提升了工具的智能化程度，更重要的是创造了一个持续学习和自我完善的闭环。
2025-08-07 20:58:51
461
原创 2025 年 AI 编程趋势：智能体 10 倍生产率放大下的“粪围”蔓延
当前，AI 已经以“单兵作战”的形式渗透到 SDLC 的各个环节 —— 从市场研究（如 Google DeepResearch、Perplexity AI）、需求分析（如 Atlassian Intelligence）、 UI设计（如 v0.dev）、代码生成（如 Cursor、Augment）、代码审查（如 CodeRabbit）， 到测试（如 BrowserStack AI）和运维（如 Datadog）， 这些独立的AI工具正在为各自的领域带来显著但孤立的效率提升。二是 Agentic 能力的成熟。
2025-07-04 15:42:50
1531
原创 AutoDev Remote 编程智能体：你何必只让 AI 在白天分析需求、设计方案
因此，我们在经典的各类工具 MCP 封装的基础上，加上了 GitHub 工具的封装，可以自动获取 issue，并将分析结果和任务规划结果写入到 issue 中。在探索过程中，我们使用 Augment（~~虽然 AutoDev IDEA 很强~~，但是显然 Augment 是至今最强的 AI 编程助手）来帮助我们完成了第一个版本的 AI Agent 设计 —— 基于我们从 VSCode 重构出来的内核，以及我们在 AutoDev Workbench 中的 AI 编程助手的设计。
2025-06-13 22:10:23
883
原创 AutoDev 预上下文引擎：预生成代码语义化信息，构建 AI 编程的知识基座
Context Worker 是基于我们先前的 VSCode 版本开发的，我们从中提取核心的代码解析和分析功能，构建了一个独立的工具。尽管我们在 AutoDev 的 VSCode 版本中，构建了多种向量化 RAG 的方式，但是我一直认为在 AI 编程中， 对于大量的项目来说基于向量化方式的 RAG 的性价比并不高。构建项目级知识图谱：将解析出的代码实体（类、函数、变量等）及其关系（调用、继承、实现、引用等），并围绕领域模型构建知识图谱， 标注实体的语义和上下文信息。SDK、API 等。
2025-05-28 10:22:51
779
原创 两周 3 万行代码！我们的 7 个 AI “粪堆求生” 最佳编程实践
即 AI 生成的代码可能存在大量的注释和不必要的代码，这些代码需要被重构和清理 —— 但是从我的角度来说， 我只需要更关注于 AI 生成的代码是否可以被再次生成和修改。另外，类型才是 AI 生成的一个核心依赖，缺少类型，AI 生成的代码会有大量的错误。我们将其总结为 7 个实践，我们将其称为：“AI 粪堆求生编程实践”， 尽管生成的代码的可审查性、可维护性及整体质量还存在问题，我们还在使用 AI 进行重构，但是如何从被动变为主动规划，建立更稳健、更具前瞻性的 AI 辅助开发体系变得非常有必要。
2025-05-27 11:10:10
1044
原创 AutoDev Workbench 智能驾驶舱：为你的 AI 编程工具生成高质量的上下文
如果你对 AutoDev Workbench 感兴趣，可以访问我们的官网：https://www.autodev.work/ ，或者在 GitHub 上查看我们的代码：https://github.com/unit-mesh/autodev-workbench。代码上下文知识预生成：基于代码的 interface、API、文档等信息，预先生成上下文知识，以便于 AI 编程工具能够更好地理解代码。AI 化的工程项目生成：针对于后端、前端、移动端等不同的技术栈，提供 AI 化的工程项目生成能力。
2025-05-26 11:14:48
756
原创 预生成上下文：重构 RAG 的关键工程，构建 AI 编程底座
本文探讨了预生成上下文作为增强 AI 编程能力的关键机制。传统 RAG 方法面临的不确定性和知识质量问题，使得预生成上下文成为一种更可靠的替代方案。通过对比分析了当前代码检索方法的局限性，我们看到基于关键信息检索虽快速但理解有限，而 DeepWiki 等预生成文档工具虽有进步但在处理复杂代码逻辑时仍有不足。预生成上下文代表了 AI 友好架构的重要实践，它将传统软件工程的结构化思维与AI大模型的生成能力相结合，为下一代智能编程工具铺平了道路。
2025-05-09 15:08:09
1248
简单多任务任务高度
2011-11-14
Django 1.0 Template Development
2011-12-27
Android,Bash,终端,Term
2012-02-09
Django Documentation Release1.2
2011-12-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人