标签
文章解释了在代码开发中，AI审查循环可能由于AI意见不一致、范围蔓延和幻觉而变得不稳定，正如在Opus 5的测试中所显示的。
GitHub发布了4个新的Skills练习，旨在让开发者实践AI驱动的开发、代理工作流和代码质量。
作者测试了GenOS，这是一个使用版本化YAML基因组的LLM智能体工具，发现它通过减少令牌开销和借助涌现式TDD及智能体培育提升代码质量，其性能优于传统提示和多智能体集群。
本文分享了一种使用 agent.md 文件定义LLM辅助开发中编码风格偏好的方法，通过减少重复反馈来提升代码质量。
Robert C. Martin 讨论了他的职业生涯、“Clean Code”的影响，以及他如何利用静态分析和突变测试等约束工具来增强AI代理在软件开发中的应用。
本文讨论了人类品味和所有权在自动化软件开发中的重要性，强调了在设计和质量检查中需要人类监督，同时平衡自动化和人工审查。
作者审计了他们的AI智能体，发现了九个安全漏洞，其中防护措施未覆盖默认路径。为此，他提出了使用构建门禁的豁免列表作为解决方案，并征询关于管理过时豁免的意见。
SlopScan 是一个 Firefox 扩展，为 GitHub、Codeberg 和 SourceHut 上的公共 git 仓库显示“slop 评分”字母等级，由 repo-slopscore 服务器提供支持。
作者认为，“技术债”常被开发者滥用来形容草率或粗心的工作，并提出“一团糟”是更诚实、更有效的说法，尤其是在与非技术利益相关者沟通时。
文章认为，“AI slop”的争论混淆了作者归属、生产力和工程质量，并提议将生成式编码系统视为工程控制回路中的高吞吐量、易出错的生产者，将稀缺技能转向规范制定、验证和问责。
Addy Osmani 的文章《Agentic 代码质量》指出，AI agent 产生大量代码后，传统人工 code review 无法规模化，质量保障应转向依靠 harness、质量闸门和约束来兜底，并讨论了自主性与信任问题。
一篇鼓励开发者以清晰意图编写代码的文章，认为命名困难往往揭示了抽象设计的问题，并指出理解代码的“为什么”与“是什么”同样重要。
卡尔·纽波特反思了人们对Claude Code等AI编程工具的最初热忱，以及开发者因隐藏漏洞、质量问题和不持续的工作流而日益幻灭，认为目前将所有代码生产外包给AI并不可行。
Linus Ekenstam讨论了AI编写Google 75%的新代码与仅10%的实测开发速度提升之间的差距，以及Sonar如何致力于弥合这一差距。
一项大规模实证研究，分析了生产环境中352万次C++代码变更，比较AI生成代码与人工编写代码的质量，发现AI代码具有更高的耦合度和计算开销，但有针对性的反馈可以缓解这些问题。
作者解释了软件工程中的反向杰文斯悖论：当繁文缛节导致变更成本显著上升时，变更总量可能降至零，从而导致增量改进的根本性停滞，而不仅仅是放缓。
本文介绍了一项对AI代理编写的大型代码库进行重构的实验，证明重构能减少未来AI驱动更改的令牌消耗。作者详细阐述了方法论和结果，显示重构后输入令牌数量有所减少。