AI编程
-
从 Codex 切到腾讯 WorkBuddy 一周:成本、模型选择与真实开发体验
一位 Codex 用户因订阅渠道受限转用腾讯 WorkBuddy。一周实测显示,其编程能力已接近 Codex,后端表现稳定,但前端还原仍需人工调整;模型选择对成本影响显著。
-
审计 Claude Code:从用量、会话到文件变更的可观测实践
文章介绍如何通过用量指标、会话回放和文件变更记录,对 Claude Code 的实际执行过程进行审计,为团队建立 AI 编码工具的可观测能力。
-
当 Agent Skill 多到管不过来,开发者开始用“包管理”思路重构工具链
一位开发者为管理上百个 Agent Skill,自建了一套类似包管理器的工具链。这一实践显示出,Agent 能力管理正在从零散配置走向工程化依赖治理。
-
一次误触发的提醒:流式 Agent 的 Tool-Call 授权不能只靠一个 Toast
一名开发者在流式 Agent 中因焦点仍停留在输入框而误触发 read_file 工具。文章认为,Agent 的工具调用授权需要焦点锁和模态确认,而不是只依赖 Toast 提示。
-
本地优先的BYOK多智能体编程工具almost-cli上线,重构AI代码助手控制边界
almost-cli 以 BYOK 与本地优先方式,将多智能体编程带入命令行,与云端订阅式编码助手形成明显差异。
-
当 MCP 成为攻击入口:一次可复现的 AI 工具链安全实验
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。
-
AI 编程代理因“合并率”导向与开源维护机制冲突,仓库需要重写 AI PR 规则
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。
-
AI 编程工具链正在形成新分工:LSP、MCP、ACP 各自解决什么问题
LSP、MCP、ACP 正在成为 AI 编程基础设施中的三条重要协议线。它们分别对应代码理解、模型工具调用和智能体协作,共同构成下一代开发工具通信标准的基础框架。
-
LLM“打字机效果”背后:用 Node.js 与 SSE 实现流式输出
从 Node.js 手写 SSE 服务到 LLM API 的 stream: true,本文拆解大模型“打字机效果”背后的工程实现。
-
给代码智能体加一件“新装备”:从零扩展 Code Agent 工具的完整路径
在 Code Agent 的工程实践中,模型本身并不直接“做事”。它通过 Function Calling 选择工具,再由框架执行并返回结果。因此,扩展一个代码智能体,往往不是重新训练模型,而是给它增加新的工具。