技术博客 全部文章

针对AI生成代码时代的代码审查实践提出新框架，核心观点是逐行阅读不再必需，但每处变更仍需人承担审批责任。作者提出行业转型速度取决于检查成本与失败修复成本两个变量，区分了代理审查加人工审批的可行路径与单纯放弃审查的崩盘路径，并给出个人执行者和管理者在Agent编码时代保持判断力与可解释性的具体行动建议。

聚焦企业级代码现代化项目，提出在AI代理加速代码生成背景下，瓶颈已从产出变更转向组织协作，并给出六步法：定义目标态、制定变更证书、设定晋升策略、准备前置条件、构建并迭代代理工作流、运行现代化，还涉及成本测算与流程资产沉淀。

以一次 LLM API 调用为主线，逐跳拆解从 HTTPS POST 发出到首个 token 返回的全链路技术细节，涵盖 BPE tokenization、embedding、32 层 transformer 预填、KV 缓存、prefill 与 decode 分相、连续批处理、张量/流水线/专家并行以及推测解码等推理工程机制，旨在解释大模型推理时延、显存占用与计费差异背后的实现原理。

针对遗留代码库中引入 Agent 工程的实践方法，指出核心问题是让隐性约束可见并保证改动可信，提出分区分级、自主性依赖影响半径与可恢复性、用特征测试锁住现行行为、完整迁移而非半成品、最后再并行化等原则，强调结构与维护资产比生成的代码量更值得投入。

熟练的AI工程师应超越单纯执行产品需求，主动参与塑造产品方向，核心能力包括驱动开发循环、做出产品决策、跨职能沟通与领导、保持高度主动的所有权意识，从而在AI时代以更高速度推动项目并创造更大价值。

Agent 从单次 LLM 调用演化为 Harness 的工程路径：上下文、循环、工具、记忆逐步补齐模型能力边界，并比较 Pi、OpenCode、Codex、Hermes 在成本、事件、权限、安全、恢复和长期学习上的不同取舍，指出模型负责决策，Harness 负责让行动可持续、可控、可恢复。

提出面向电商消费者与商家的 Claude Agent 生产架构，核心是单一智能体循环配合技能、工具和评测体系，重点解决多意图协作、延迟成本、安全记忆、持续评测及多团队交付问题，最终通过系统复用、缓存、分阶段审批和代码防护实现可扩展上线。

介绍一种企业级专家知识智能体，通过结构化知识库、可组合推理流程和自动化反馈编译闭环，将专家隐性经验转化为可审计、可复用、可持续改进的组织记忆，在无需重新训练模型的前提下提升合规等高风险分析的一致性与效率。

编码代理的技能包、CLAUDE.md和AGENTS.md会随模型、工具链与代码库演进而失效，过长配置增加令牌成本并可能降低效果；研究显示个性化技能和上下文文件对正确率提升有限，应定期审计、清理并通过测试验证保留价值。

AI文本水印不依赖字符或元数据，而是在模型生成时利用密钥微调候选词选择，使绿色词出现概率累积偏高，持钥者可通过统计检测；轻度改写会稀释标记，重写或重组可抹除标记，检测结果仅表示文本被处理过，不能直接证明作者是AI。