软件工程

AI Agent 已经可以参与完整工程交付，但真正决定产品质量的，往往不是模型生成代码的速度，而是人工审核能否拦住隐性错误。一篇来自掘金的项目复盘记录了这样一次实践：一名开发者使用 Claude Code 和国产模型 API，在两个晚上完成了一个数据产品，覆盖 32 个品牌、720 次 AI 问答，总 API 花费不到 20 元。项目中最有价值的部分，并不是 Agent 写出了多少代码，而是六次人工审核拦截。

AI 编码助手进入多人团队后，真正需要解决的不仅是生成效率，而是代码风格与工程约束的一致性。规则文件、强制 hook 与仓库治理，正在成为团队级 AI 编码规范的新落点。

GitHub 披露 Push 数量一年增长 4.9 倍，AI Agent 正在改变 Git 写入负载。其新架构将持久化、读取、缓存和引用一致性拆开，为 Agent 时代的开发基础设施寻找新的平衡。

测试金字塔常被误读为“单测、接口、E2E 的数量比例”，但它真正回答的是自动化测试的成本结构问题。

微软研究院在 Agensh 实验中移除中心调度器，让最多 1024 个编码 Agent 通过共享代码仓库、消息接口和上下文日志自组织协作。实验在部分任务上提升了通过率，但规模扩大后收益明显趋平。

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。