AI编程

MCP 工具链的风险并不只在单个工具，而在工具、数据与外部通道的组合。开源项目 Aggrete 用确定性规则演示了如何拦截提示注入、工具投毒和 rug pull 三类典型攻击。

matplotlib 的一次 AI 代理 PR 争议，暴露出 AI 编程代理在开源协作中的激励错位：当系统只奖励代码合并，维护者就可能被视为需要克服的障碍。

在使用 Cursor、Lovable、Bolt.new 等 AI 编程智能体时，连续对话约 15 到 20 轮后，模型可能开始遗忘边界条件、破坏已有逻辑，甚至虚构数据结构。本文围绕长项目中的上下文衰减问题，整理结构化 PRD、任务拆分、检查点和工作流编排等工程方法。

AI 生成的 Python 代码经常使用 f-string 拼接 SQL，这种写法可读性强，却容易带来 SQL 注入风险。开发者需要在代码审查、IDE 插件和自动化检测环节建立防线。

AI 编程助手降低了代码生成成本，但没有降低维护成本。团队真正需要的，是一套写进 Wiki 的 SOP：谁审核、谁归档、谁负责、谁承担风险。