AI编程
-
评估 AI 编程助手时,Token 单价为什么会失真
AstraCode 对 11 个模型进行真实编码任务测试后发现,AI 编程助手的成本不能只看 token 单价,任务步数、通过率、返工和验证成本才是更关键的指标。
-
Codex CLI 多会话时代:为什么 Current checkout 与 New worktree 成为 AI 编程的关键选择
Codex CLI 在新会话中提供 Current checkout 与 New worktree 两种执行目录选择,反映出 AI 编程工具正在进入多会话、并行任务的 Git 协作阶段。
-
Coding Agent 让 Android 渲染工具链自己长出 Compose 能力
一名开发者将 Android UI Renderer MCP 的 Jetpack Compose 支持交给 coding agent 完成,展示了 agent 如何在无人工适配层的情况下自动生成渲染探针、修复语义树协议,并扩展工具链闭环。
-
AI 编程助手说它改好了,你怎么确认?一位开发者把验证流程做成了手机清单
当 AI 编程助手宣布“修复完成”、自动化测试全部通过时,开发者真正的工作往往才刚刚开始。
-
AI为什么总是“记不住”?Agent记忆系统的关键分层
AI为什么经常“记不住”?问题往往不在模型本身,而在Agent的记忆系统设计。用户记忆、知识库、轨迹和长期记忆共同决定了AI能否真正记住你。
-
测试金字塔不是数量KPI,而是一道工程成本优化题
测试金字塔常被误读为“单测、接口、E2E 的数量比例”,但它真正回答的是自动化测试的成本结构问题。
-
AI Agent 的 API 密钥,为什么不该出现在模型上下文里?
GitGuardian 在公开 MCP 配置中发现大量有效 secret 后,开发者开始重新审视 AI Agent 的密钥管理方式。更安全的做法不是把 Key 放到模型附近,而是让运行时在模型之外完成注入。
-
微软尝试去掉中心调度器:1024 个编码 Agent 如何自组织写代码
微软研究院在 Agensh 实验中移除中心调度器,让最多 1024 个编码 Agent 通过共享代码仓库、消息接口和上下文日志自组织协作。实验在部分任务上提升了通过率,但规模扩大后收益明显趋平。
-
从公开拒绝到原生支持:Pi 将 MCP 纳入核心,引发对协议边界的再讨论
Pi 团队曾公开拒绝 MCP,如今却将其纳入核心。Hacker News 上的这篇讨论不只关乎一次产品转向,也揭示了 MCP 在工具链集成中的真实边界。
-
微信开发者工具向AI开放:TRAE接入小程序Skill实测
开发者实测显示,TRAE 可通过 Cloudbase Skills 接入微信开发者工具,完成小程序编译、运行、截图与测试。官方 Skill 为 AI 打开小程序生态入口,但自动触发仍依赖插件封装与明确指令。