llm-coding

文章主张，软件工程师应通过深入掌握代码库和提升技术沟通能力等方向与AI模型形成差异化，以维系其行业价值。

本文介绍了智能编码指数，一种通过聚合各种编码基准测试并对参数数量进行标准化来计算大型语言模型智能密度的方法。

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。

WaveScope 是一个 MCP 服务器，它应用小波变换对代码库进行处理，为 LLM 提供多分辨率结构上下文，以改进代码理解和编辑，解决上下文退化与结构性感知问题。

FrontierSmith 自动从封闭式任务中生成多样化的开放式编程问题，通过增强的智能体交互和训练数据合成，提升 LLM 在基准测试中的编码性能。

本文深入解析了FactoryAI的Missions多智能体架构，通过角色分工、验证合约与结构化交接机制，实现了可在生产环境中连续稳定运行数十天的自动化编码系统。该设计将软件工程瓶颈从人工执行转向人类注意力管理，为开发者提供了可落地的长期多智能体协作方案。

一位开源维护者解释为何现在更偏爱由 LLM 生成的代码，而非社区 PR：AI 辅助能降低风险与摩擦，将贡献价值转向反馈、缺陷报告与设计讨论。

仅凭一份 CLAUDE.md 文件，本周斩获 44k star 登顶 GitHub Trending，将 Andrej Karpathy 的 LLM 编程避坑指南浓缩为四大原则。