标签
一篇博客文章指出，严格的小PR“退火”策略阻碍了快速变化，而AI驱动的编程会产生大规模、相互关联的改动，这些改动有时无法干净地拆解为可审查的小步骤。
Sonar CEO Tariq Shakir 的演讲指出 AI Agent 让代码产量暴涨（+2450% 行数、+240% 提交）但发布量仅增 30%，'从生产到交付'仍未解决，并提出由意图、导轨、验证、证据相乘构成的'代码信心公式'，帮助软件工厂交付信心而非盲目信任。
微软杰出工程师 Stephen Toub 讲述了他如何借助 AI 编程智能体，在约 14.5 周内独力将包含 40 万行代码的 GitHub Copilot 运行时从 TypeScript 移植到 Rust，消耗约 1360 亿个 token，花费约 12 万美元，并探讨了语言选择、上线策略以及如何防止回归问题。
一条引用推文，反驳时间线上流行的“性能垃圾内容”，认为真正的性能工程意味着对 CPU、堆内存、磁盘和网络进行性能剖析，并缩短这些性能剖析图中最长的条形。
《麻省理工科技评论》认为，团队应以每个已合并拉取请求的成本，而非每个词元的支出，来衡量 AI 开发成本，并建议采用模型路由和自有的开放权重模型算力，以遏制智能体编程不断攀升的成本。
一项实证研究发现，编码智能体在多个软件工程任务上的持续 harness 自进化会导致严重的灾难性遗忘：在 FeatureBench 上进化后，SWE-Bench 性能从 94.0% 骤降至 32.0%，并为未来的持续智能体 harness 进化提供了启示。
Nader Dabit 指出，在 Cognition，随着 AI 降低拉取请求的合并成本并加快合并速度，人们开始开发和修复一年前根本不会尝试着手的软件——这体现了杰文斯悖论在实践中的作用。
Troy Hunt 的第 528 期每周更新讨论了 Proton 首席执行官颇具争议的 AI 工程宣言，其中谈到开发者的角色正转向引导大语言模型，同时也分享了对阅读 AI 生成代码以及太阳能经济效益的思考。
CrossSWE 提出了一个包含 171 个真实世界实例的多代码仓库基准测试，结果表明，当前的 LLM 编程智能体难以保持跨代码仓库的一致性，其中最强的模型（GPT-6.1 Sol）的 Pass@1 仅达到 58.48%，而跨代码仓库不一致问题占失败案例的 44.2%。
Kent Beck 认为，在 AI 时代，制约软件交付的关键因素是信任，而不是代码生成速度；测试和结对编程等极限编程（XP）实践能够建立发布软件所需的信心。他还推广了自己即将开设的付费课程，主题是以优化信任为目标的 AI 辅助开发。
一份实用、基于证据的 GPT-6 Astra 现实应用指南，将其在 Scale AI SEAL 基准测试的 12 个类别中的表现与项目建议、优势、局限性，以及更适合选用 Claude Fable 5.1 等替代模型的情形相对应。
介绍了「Kluever Maneuver」这一 bug 修复实践：先提交一个能通过的失败行为测试来复现 bug，再在第二个提交中修复代码并同时修正该测试，从而证明修复真正有效且每个提交都能通过 CI。
SVPino 认为，在与 AI 智能体协作时，应使用确定性测试来取代书面指令：凡是能够自动检查的内容——格式、类型、API 契约、安全性——都应通过测试、代码检查工具和静态分析来强制落实，而不是通过提示向智能体灌输规则。
一篇 Code Simplicity 博客文章，主张开发者在编程时每当停下来思考，都意味着存在某个潜在问题——通常是理解不够透彻——并解释了为什么更深入地理解工具、符号和问题本身，才是实现快速、简洁编程的真正秘诀。
作者探讨当 AI 编码智能体的代码产出速度超越团队理解速度时，如何通过编译器硬约束、架构骨架、只读契约、重构循环与可抛弃实现等五层治理手段，对抗系统熵增与人类认知破产，守住软件的可维护性。
Jack Ganssle 于 2002 年发表的经典文章，列出了嵌入式系统项目陷入麻烦的十大原因，涵盖了资源不足、过早编码以及在安全关键型固件中使用 C 语言的陷阱等问题。
亚马逊发布新工程指南，告诫工程师停止为了显得高效而盲目堆砌人工智能词元消耗，强调人工智能将处于软件工程实践的核心，但使用量本身并非目标。
思科总裁吉图·帕特尔为一名27岁的工程师提供了无限量的AI词元，并要求他在24个月内重构公司98%的遗留代码，由他牵头开展大规模的AI驱动代码库重写工作。
Meta 分享其 Catching JiTTests 方案在生产环境大规模部署的成果：利用 LLM 自动生成会失败的即时测试，在代码合入前捕获传统测试和 LLM 代码审查难以发现的 bug，并配套发布了详细论文。
播客访谈：Lean 创始人 Leo de Moura 谈 AI 如何让形式化验证走向实用、验证 AI 生成代码与自主智能体的必要性，以及构建经过验证的软件栈的愿景。