技术博客 全部文章

文章系统拆解现代浏览器工作机制，以 Chromium 为主线说明网络加载、HTML/CSS/JS 解析、样式计算、布局、绘制、合成、GPU 渲染、V8 执行、模块加载、多进程架构与站点隔离，并对比 Gecko 与 WebKit 差异，结论是理解这些内部流程有助于优化页面性能、稳定性与安全性。

Google白皮书认为AI正重塑软件生命周期：智能体关键不在模型而在工具、规则、上下文、评测等“ harness”；开发者工作从写代码转向写规格、控上下文、做验证。AI可大幅压缩实现环节，但需求、架构和最后20%仍依赖人类判断；长期看，缺少测试、评估和路由的vibe coding会推高成本，工程化智能体才具备可持续性。

AI编码代理显著提高代码产出，但真实交付价值增幅有限，质量、缺陷、审查时长和零审查合并风险上升，软件工程瓶颈已从写代码转向验证与信任；审查策略应按风险半径分层，用测试、CI和异构AI审查处理低风险与重复工作，让人类负责意图判断、高风险路径和最终合并，团队优势将来自可信审查体系而非代码生成量。

Loop engineering把人与编码代理的交互从反复写提示转为设计自动循环系统，由自动化、worktree、技能、连接器、子代理和外部状态组成，负责发现任务、分派执行、验证结果并持续推进；Codex和Claude Code已具备类似能力，但成本、验证、理解债和认知放弃风险仍需工程师把关，核心变化是杠杆点上移而非责任消失。

软件债务分为技术债、认知债和意图债；AI代理能重构代码、解释系统，却无法还原未写下的目标、约束与决策理由，只会用猜测填空。代理越多，未外化意图的成本越高。团队应把关键“为什么”写入规格、AGENTS.md和决策日志，因为代码变便宜后，人类意图成为最稀缺资产。

多代理并行不等于个人产能并行，真正瓶颈是开发者的判断、审查与合并能力；若盲目启动大量代理，只会增加上下文切换、浅层评审和认知债务。有效做法是按可审查速率限制代理数量，区分可委托任务与需亲自判断任务，批量评审并让机器自证，把注意力当作稀缺串行资源来架构。

长运行智能体的核心不是更长对话，而是把状态、计划、进度和验证移出上下文窗口，使其能跨多会话、多沙箱持续工作、失败恢复并继续推进；主流方案已收敛为规划、执行、评估分工，加会话日志、记忆层和检查点，影响是AI开始能稳定承担数小时到数周的开发、运维和研究任务，但成本、安全、漂移与验收仍是主要瓶颈。

编码智能体的核心在于"Harness工程"——即围绕AI模型构建的脚手架系统，包括提示词、工具、沙箱、反馈循环等组件，其重要性甚至超过模型本身，优质Harness配合普通模型可胜过劣质Harness配合顶级模型；该工程遵循"棘轮"原则，将每次失败转化为永久规则，通过AGENTS.md、钩子、沙箱隔离、上下文压缩、Ralph循环等机制实现持续优化，且随着模型能力提升，Harness的复杂度会向更高层级迁移而非消失，最终趋向动态组装、多智能体协作的编译器形态。

作者认为当前生产级智能体的主要瓶颈不在模型，而在底层架构失衡，导致治理、可靠性和审计风险持续累积；未来一年团队应押注四件事：为智能体建立平台级身份与权限控制，提供跨系统通用上下文，支持跨天跨周的持久执行与人工审批，以及用开放平台替代自建管道；谁先把智能体基础设施标准化，谁就能把资源集中到真正有差异化的业务逻辑上。

AI 编码代理读取文档依赖可发现性、可解析性、上下文 token 成本和访问权限，传统面向人类的页面分析几乎捕捉不到其行为；若文档过长、结构差或被 robots.txt 阻挡，代理会跳过、截断或幻觉生成。解决方案是做 AEO：提供 llms.txt、skill.md、AGENTS.md、Markdown 源、token 标注并监测 AI 流量，以提升代理调用成功率与文档实际可用性。