maintainability

Jerry Liu 同意 Jesse Zhang 的观点，认为人们低估了好的抽象和可维护性的重要性，并指出 LLMs 之所以流行，部分原因在于推理时使用模型（通过提示、编排）的便利性，而非训练。

文章警告说，依赖LLM编写代码而不保持良好模式，会教会AI不良习惯，导致代码库充满重复逻辑，代码质量不断恶化。

文章认为，当前的AI智能体框架将智能体视为黑箱，导致其难以维护，并提出了一种基于Git的原生架构（Lyzr GitAgent、OpenGAP），在该架构中，智能体逻辑以平面文件的形式进行版本控制，并通过拉取请求实现回滚和可审计性。

作者提出了一套软件开发的优先级列表：对最终用户的有用性、正确性、可维护性和效率，认为所有工作都应致力于最大化用户效用。

这篇文章强调了AI记忆在六个月后变得不可靠的问题，出现矛盾和信息摘要漂移，并质疑业界是否专注于增加存储容量而非提升可维护性。

本文指出，软件团队常常过度优化微性能基准测试，却牺牲了开发者体验和工程吞吐量，而这两者才是长期交付速度与可维护性的真正瓶颈。