AI编程
-
单个 Agent 不够用的时候：拆解 MyCodeAgent 中多 Agent 团队协作的设计与退场
MyCodeAgent 曾推出实验性多 Agent 协作系统 AgentTeams，尝试通过团队创建、任务分发、结果收集和协调者合并，让多个 Agent 并行处理代码重构、测试等复杂任务。该机制最终被移除，但其设计揭示了 AI 编程工具在处理大型工程任务时必须面对的任务分解、上下文隔离和状态同步问题。
-
OpenJDK 禁止 AI 代码五个月后：规则还在，执行只能靠提交者自觉
OpenJDK 临时 AI 政策实施近五个月后，禁令仍然有效，但由于无法可靠区分人类代码与 AI 代码，最终只能依靠提交者勾选确认和社区自觉。与此同时，Debian 选择允许负责任使用生成式 AI，却引发核心开发者离开；同一母公司旗下的 GraalVM 则采取“提交者负全责”的宽松路线。开源社区在 AI 代码治理上仍未找到统一答案。
-
从「一只虾」到「多只虾」：一次 AI 助手拆分实践背后的协作逻辑
当 AI 助手承载的技能、记忆和任务越来越多，单一模型架构开始暴露出上下文对齐、技能加载和能力适配等问题。一次从“一只虾”到“多只虾”的拆分实践，为理解多 Agent 协作提供了具体样本。
-
不靠 LangChain 手撸一套 RAG，才能真正看懂检索增强生成
calmrocks/ai-engineer-notebooks 提供了一组可在 Colab 中运行的实战 Notebook，绕开 LangChain 等框架，直接用原始 API 搭建 Prompt 工程、RAG、Agent 和评测流程。对于想理解 RAG 底层链路的开发者来说，这类练习的意义不只是学会调用接口，而是把检索、重排、生成和评测重新拆开检查。
-
Claude Code 打通终端与桌面会话：AI 编程助手开始补上“工作连续性”短板
Anthropic 为 Claude Code 桌面端新增 /resume 功能，可恢复 CLI 终端中的历史会话。AI 编程助手正从单轮聊天工具，走向更重视上下文连续性的开发工作流工具。
-
Agent 反复失败，问题可能不在技能：工程实践中被低估的记忆层
Agent 反复失败时，开发者常习惯继续加工具、改提示词、补 few-shot。但 Dev.to AI 一篇工程文章结合 WikiSkill 论文指出，真正被低估的是记忆层：技能决定当下能做什么，记忆决定能否从经验中学习。
-
OpenRouter 上 5 个免费模型可处理 100 万 token，大型代码库分析有了低成本入口
OpenRouter 上出现 5 个免费支持 100 万 token 上下文的文本模型，为大型代码库分析、长文档摘要和仓库级 AI 编程工具提供了低成本试验入口。
-
AI 编程助手缺的不是代码能力，而是工程习惯：开源项目 Waza 尝试把资深工程师的工作方法变成可执行技能
Waza 是一套面向 AI 编程助手的开源技能集合，尝试把资深工程师的隐性经验转化为模型可执行的标准化流程。
-
Codex 回退对话却不回退文件，暴露了 AI 编程助手真正的工程难题
Codex 双击 Esc 可以回退对话，却不会同步回退文件，导致模型基于错误状态继续回答。OpenAI 曾两次尝试修复，但都因触碰用户 git 仓库而引发问题。社区项目 codex-rewind 则提出不写入 git、单独维护快照的第三种方案。
-
GLM-5.3 Flash 前端实测：四个真实任务里，低成本模型能接住多少活？
一位前端开发者用四个脱敏后的真实任务测试智谱新上线的 GLM-5.3 Flash，涵盖异步竞态修复、并发任务编排、React 代码审查和布局问题排查。结果显示，多数代码类任务可一次跑通，视觉类任务仍有边界；按限时折扣计算，总成本约 4 分人民币。低成本模型正在改变工程分工：AI 负责初稿和初审，人工负责最终判断。
