ai-code-generation

本文修订了由AI生成或审查的新编写代码的估计比例，并分析了其对软件开发的影响。

本文报告了一项研究，该研究估计了新编写代码中由AI生成或辅助的百分比，突显了AI工具在软件开发中日益增长的作用。

一位开发者对Claude的C++代码进行了基准测试，发现要求达到最高速度往往会引入内存安全违规，而实际性能却没有提升，从而打破了速度与安全之间权衡的假设。

一项对比实验表明，Kimi K2.7 Code生成落地页的成本比Claude Fable 5低约94%，且质量相近，尤其是在通过MCP服务器提供设计上下文的情况下。

本文介绍了 Environments AI，这是一个能够为物理模拟生成并运行代码的工具，有助于更轻松地创建模拟环境。

Miguel Grinberg 解释了他拒绝接受由 LLMs 生成的未经请求的拉取请求，坚持需要人工参与以避免成为 'reverse centaur'。

本文探讨了那些编写代码巧妙但难以维护的“明星开发者”现象，并将其与AI生成代码带来的挑战进行类比，强调了可维护性和团队协作的重要性。

Twitter上关于AI编写90%代码对科技工作影响的讨论，表明如果代码产量增加10倍，每个人都可能受到影响。

Anthropic报告称，超过80%的新生产代码由Claude编写，每位工程师交付的代码量提升了8倍。本文为企业采用类似AI驱动开发工作流程提供了路线图。

一篇反思性文章，探讨不构建功能的价值，认为未编写的代码是一种隐藏资产，并警告人工智能驱动的发展可能导致不必要的代码积累。

一位开发者反思了应用中混乱的核心数据结构，承认技术债的存在，但表示除非它阻碍AI代码生成，否则不会优先修复。

一篇反思性博客文章，探讨代理式代码生成如何阻碍技能保留，以及如何在开发中重新增加摩擦以进行刻意学习的策略。

本文认为，当AI代码生成工具了解组织内部的代码库和约定时，Go语言的代码生成会更有效，从而提高接受率并减少所需编辑次数。

Addy Osmani 提醒：过度依赖 AI 编写代码可能会阻碍学习，并削弱对软件开发的思维模型。

分析了Bun从Zig到Rust的争议性重写（使用AI生成的代码），引发了对合并的6,755个AI编写的提交未经人工审查以及AI翻译代码在生产环境中的风险的担忧。

Pietro Schirano宣布，MagicPath现在可以作为Codex内的原生画布运行，从而实现设计和构建功能性应用。

关于在使用AI编写代码时设置新应用的指南，重点介绍工作流程和集成。

作者讲述了在终端中阅读 Markdown 的烦恼，并描述了如何使用 Claude 快速构建一个自定义的 macOS Markdown 查看器（MDV.app），展示了 AI 如何让人能够迅速创建个人软件工具。

本文类比了2000年代初的外包时代与当前AI生成代码的趋势，指出廉价代码的真正代价是失去了人类的理解力和上下文。