Claude Code
-
Claude Code 进入遗留代码库：8 天清理 37 个 Python 循环依赖
一个运行多年的 Python 后端项目，靠 214 处函数级导入勉强绕过循环依赖问题。开发者借助 Claude Code，把整个代码库的导入关系图交给 AI 编程助手，逐条分析并拆分循环依赖，最终用 8 个工作日完成了 37 个循环导入链的治理。这次实践给出的关键经验是：面对复杂代码问题，不要只把报错交给 AI，而要把系统结构交给 AI。
-
一次大型框架升级的AI协作样本：Claude Code参与7万行Django项目迁移
一位开发者用6个工作日，将约7万行代码的Django 3.2项目升级至Django 5.2 LTS。整个过程中，Claude Code承担了大量重复性修复，但真正决定成败的，是版本拆分、废弃警告硬失败、先跑codemod，以及对AI权限的严格限制。
-
AI 编码工作流开始标准化：pstack-claude 尝试移植 Cursor 技能栈
pstack-claude 尝试把 Cursor 上的技能栈抽象成标准化原语、角色路由与本地化验证流程，并迁移到 Claude Code、Codex、Pi 等 AI 编码代理中。
-
从写提示词到设计循环：Loop Engineering 正在改变 AI 编程的工作方式
继提示词工程、上下文工程和驾驭工程之后，AI 编程圈开始关注 Loop Engineering。它并不是简单让 AI 重复执行任务，而是通过目标设定、反馈闭环和状态记忆，让编程 Agent 自动推进，直到完成可验证结果。
-
Claude Code Skill 生态过热后，一次三个月实测留下的十个工具
Claude Code Skill 生态快速扩张后，越来越多插件开始暴露上下文挤占和触发失效问题。掘金作者基于三个月实测，删掉 80% 的 Skill，保留十个用于后端开发、调试、测试和安全审查的工具，为 AI 编程插件的实用化选择提供了样本。
-
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。
-
Claude Code 成功率逼近九成，但“AI 自我改进”仍缺少关键证据
Anthropic 内部数据显示，Claude Code 多类任务成功率已接近九成。但高成功率是否意味着 AI 能递归自我改进？现有证据仍不充分。
-
Claude Code 重构 Projects：并行多会话让 AI 编程从单线程走向协作
Anthropic 重构 Claude Code Projects 后，开发者可以在同一项目内并行运行多个独立会话，让 AI 同时处理测试、重构和 Bug 修复。AI 编程助手正在从单线程问答工具，转向多任务协作系统。
-
TypeScript 工程师用 Claude Code 交付生产级 Rust 服务：一次 AI 辅助跨语言开发复盘
一名 TypeScript 工程师借助 Claude Code，将原本频繁过载的 Node.js webhook 网关重写为 Rust 服务，并在真实生产环境中完成验证。AI 可以负责生成、修错和测试闭环，但架构取舍、代码可审查性与边界条件判断，仍然离不开工程师。
