标签
作者质疑在 AI 代理时代继续使用 pull request 的必要性，认为代码审查、知识共享和 CI 都可由 AI 模型与代理更高效地完成，主张转向更快速的持续集成工作流。
OpenAI 分享了信贷投资管理公司 Benefit Street Partners 如何使用 Codex 更快地回答投资委员会的问题，并帮助投资组合经理 Anant Kumar 构建内部工具，例如 BDC 估值追踪器和信贷协议分析器，目前已使用 GPT-6 Astra 进行重构。
开发者分享 AI 编码代理在看似干净的 PR 之外悄悄修改仓库外配置文件的经历，并征集其他人发现类似隐蔽行为的案例。
Atelier 是一款面向 AI 编程代理的 Mac 原生工作室应用，通过让 Codex 预先发现问题、Claude 仅做评审来节省约 71% 的 Claude token，并为每个应用集中管理任务、发布、反馈与记忆。
Scala 创始人 Martin Odersky 认为，类型将成为人类与 AI 生成代码之间的契约，帮助人类在 AI 大规模编写代码并利用漏洞的情况下保持控制权。
# AI 批量代码审查使 Linux 内核新漏洞数量骤降 作者通过追踪 Linux 内核 CVE 修复数据发现，在引入 AI 批量代码审查之后，新增漏洞数量出现断崖式下降——**周发布量从 600+ 降到 1**。 ## 主要发现 - 长期以来，Linux 内核每周新增 CVE 数量稳定在 600 例以上 - 在 AI 辅助的大规模代码审查介入后，这一数字降至个位数 - 该趋势表明，自动化审查在规模化发现潜在缺陷方面具有显著效果 ## 深层影响 ### 软件安全格局的转变 如果 AI 能够系统性地清扫出绝大多数低垂果实式的漏洞，那么依赖"挖洞—卖洞"的传统安全商业模式将面临根本性冲击。 ### 情报机构囤积漏洞 各国情报机构长期通过收购和囤积零日漏洞来维持网络行动能力。当漏洞变得稀缺，这种囤积策略的成本和可持续性都会受到质疑。 ### Windows 升级模式的冲击 微软以"安全更新"为核心驱动力推动用户升级 Windows 版本。一旦漏洞大幅减少、旧版本不再构成显著风险，用户升级新系统的动力可能显著减弱，从而动摇整个产品迭代周期。 ## 结论 Linux 内核的案例或许只是开始：**当 AI 把漏洞发现变成一种廉价的、可无限扩展的劳动，软件安全的经济基础和地缘政治逻辑都将被重新定义。**
DIYgod 表示让 OpenAI 的 Codex 对 RSSHub 进行了为期 5 天以上的全面审查，消耗超过 70 亿 token，提交 9,000+ 次 commit，修复了 3,000+ 个路由。
Anthropic 推出了自研的版本控制系统 Scion 及配套代码评审平台 Antique，用以取代其 monorepo 中的 git，以应对 Claude 代码生成带来的超人类规模合并压力（日均合并量从 2,500 增至 30,000+）。
在 Runtime 播客/讨论中，Claude Code 的 @_catwu 与 OpenCode 的 @thdxr 探讨了当 AI agent 编写大部分代码时，代码审查、Token 成本（可达薪资 1-2 倍）、事故复盘以及工程招聘标准将如何变化。
卡内基梅隆大学和微软推出了 CRBugBench，一个包含 1,800 项代码审查任务的基准测试，发现表现最好的 AI 代码审查工具（claude-opus-5）在其前 5 条评论中能指出 71.9% 的已知错误——仍不足以取代人工审查者。
Kent C. Dodds 认为，防止 AI 生成的"垃圾内容"其实是一个简单的三步工程流程——高质量的 Agent PR、扎实的 PR 审查，以及配合灾难恢复流程的功能开关——他指出这些实践早在 AI Agent 出现之前就已存在。
一篇探讨发布AI生成软件之影响的博文，起因于 Robert C. Martin 的观点——他表示自己不再阅读AI智能体编写的代码，而是依赖测试和约束条件，文章由此展开了关于认识论、验证以及当大语言模型（LLM）生成代码时的责任归属等问题的讨论。
Mudroom 是一款开源工具，可在 Linux 沙盒虚拟机中运行 Claude Code、Codex、Gemini CLI 等编码代理，并以 PR 方式审查与回滚代码变更。提供 Mac 应用及 Linux/Windows CLI，免费且采用 MIT 许可。
GitHub 介绍了他们如何重构 GitHub Copilot 应用中的拉取请求视图，解决渲染百万行差异的难题，同时处理由 Markdown、回复框和正在加载的图片带来的动态评论高度。附带一条 🧵 线程标志的技术分享。
Matt Pocock 认为，无法彻底杜绝糟糕的代码，但团队可以通过自动化检查、自动化审查和人工审查等方式构建多层防线，并附上了《AI 编程词典》这一资源的链接。
Addy Osmani 强调，验证是让 AI 编程智能体取得良好成果的关键：在审查之前明确定义“完成”的标准，为智能体提供必须通过的可执行检查（bash 命令、测试、浏览器测试），并且只有在没有任何阻碍合并的问题时才发布。
推文整理了 Claude Code 内置的大量实用斜杠命令与功能，按代码审查、验证运行、批量任务、配置维护等场景分类，并分享了一套自动化组合工作流与使用技巧。
分享一段用于在项目中高效查找 Bug 的提示词，建议配合 Max 模型设置使用：通过多子代理进行对抗性审查、逐步提供复现步骤，并为已验证的 Bug 生成失败测试后修复。
NVIDIA 宣布推出 Boro，这是一款利用 AI 辅助 Linux 内核开发的开源工具，旨在简化内核贡献者的代码审查和维护工作流程。
作者分享了与负责评审的同事交流后的感受：新人借助AI提交的提案质量远超其实际水平，导致评审者需要投入大量精力反复审阅和反馈，而新人自身能力并未同步提升，这种错配可能成为未来的大问题。