AI编程
-
给 AI 代理补上“行车记录仪”:生产环境必须记录哪些日志
一次夜间 Agent 任务只留下一个未跟踪文件,暴露出生产环境自动化中最容易被忽视的问题:当 AI 代表用户行动时,日志必须独立于 Agent 自身存在。
-
当AI参与关键基础设施维护:一次开源修复实践给出的工程启示
一个午夜启动的AI控制循环,开始在Google、NVIDIA、Microsoft等关键开源基础设施中提交并被合并修复。比起“自动修代码”,更值得关注的是它如何被验证、被拒绝、再被接受。
-
AI 编程带来凭证泄露洪峰:开发提速之后,安全团队如何先“排掉噪音”
AI 编程提升了代码产量,也让泄露凭证数量快速上升。GitGuardian 的 127 万条公开泄露凭证和 64% 长期未撤销数据说明,安全团队需要的不只是扫描,而是可解释的分诊与快速轮换机制。
-
GraphRAG 拆解:图结构到底给朴素 RAG 补上了什么
GraphRAG 不是更强的向量索引,而是处理跨文档关系和多跳推理的补充工具。一次基于三篇 AI Agent 论文的拆解,展示了图结构如何找回朴素 RAG 遗漏的中间链路。
-
一次库存更新超时后的重复写入:MCP Agent 获得真实数据写权限时的工程风险
当 MCP Agent 被赋予真实库存写入权限后,一次超时后的自动重试让库存被重复增加。问题不在模型,而在工具接口本身不具备重试安全性。
-
当 Agent 开始参与架构讨论:Whiteboard 把软件设计前置环节搬进同一个界面
Whiteboard 是 YC W26 推出的开源桌面应用,它把架构设计、白板协作和 Agent 参与放在同一个界面中,试图重新定义 AI 时代的软件设计前置流程。
-
代码里的业务规则如何变成可追溯文档:两个 AI Skill 的工程实践
业务规则常常只存在于开发记忆和零散代码中。xsoway/codebase-graph-prd-rules 通过两个 AI Agent Skill,让 AI 从代码中反向提取业务规则,并附上源码位置和证据等级。
-
AI Agent 需要的是协议,而不是框架:MCP 成为工具标准的底层逻辑
MCP 之所以被视为 Agent 工具标准,并不是因为它提供了最复杂的技术方案,而是因为它把 Agent 与外部工具之间的连接问题,从框架竞争转向了协议协同。本文从工具接入的重复劳动出发,分析 MCP 成为标准背后的生态逻辑。
-
AI代码审查实测:一个2022年Java老项目里,20条问题有5条是“正确但没用”
把一套完整的 Java 老项目源码交给 AI 做代码审查,它能找出多少真正需要修的问题?一位开发者基于「企业融合评估平台」的真实源码做了一次实测:要求 AI 找出 20 个“坑”,包括安全漏洞、性能隐患和设计缺陷,再由人工逐条复核。结果是 AI 报了 20 个问题,开发者认可 15 个,否定 5 个;如果把其中 1 条“半对”的建议也算入有效项,有效率为 80%。
-
Codex 本地 Agent 配置指南:TOML、AGENTS.md 与模型优先级如何协同
Codex 本地自定义 Agent 的配置并不是“新建一个角色文件就会自动运行”。掘金文章梳理出三层结构:config.toml 设置入口默认模型,角色 TOML 定义专长与权限,AGENTS.md 负责调度规则。