标签
Sean Goedecke 发布了一封来自读者的电子邮件，批评他对人工智能对软件工程影响的务实立场，并附上了他的回复，将这一情况与工业革命和砸毁机器的卢德分子进行了类比。
一位开发者解释说，尽管有注释和说明，AI 编码 agent 还是会不断调高数据库连接池的最大连接数，唯一可靠的护栏是一个测试——一旦该值改变，测试就会失败。
Gergely Orosz 宣布 Casey Muratori 将作为嘉宾参加 The Pragmatic Engineer Podcast，并向关注者征集想提问的问题。
Matt Pocock 宣布推出他的 AI Coding 速成课程，这是一个工作坊，教工程师如何应用战略性编程原则和使用智能体技能，从而保持对 AI 生成代码的控制。
一位软件工程师反思科学家往往缺乏软件工程技能，以优化天体物理学模拟后处理工具为例，倡导为科学家开设一门类似“Missing Semester”的课程。
一篇论述文章，认为AI生成的原型不是真正的产品；真正的产品需要真实的用户、真实的市场，并解决真实的问题。文章批判了围绕AI演示的炒作，并提醒开发者：没有用户，他们所构建的只是一个玩具。
An essay arguing that as AI collapses the cost of software production, taste—the wordless verdict of quality—becomes the decisive skill for developers.
一份教育指南，详细拆解了生产部署的各个阶段——构建、构建产物、数据库迁移、健康检查、滚动更新和回滚——并讨论了何时该使用 PaaS，何时该运行自己的部署基础设施。
Casey Muratori 通过经典的形状面积示例，演示了遵循多态和短小函数等“干净代码”准则如何导致显著的运行时性能开销。
一条推文认为，LLM 基准测试应在报告准确率的同时报告 token 使用量，并介绍了 VulcanBench，一个用于真实软件工程任务的开源基准，它跟踪 token 效率和成本。
一位工程师在没有解决 LeetCode 问题的情况下获得了 Anthropic 的 L4 SWE 录用通知，这突显出顶级 AI 公司正从算法记忆转向真实世界任务。
本文综述了自演化编码智能体，这类智能体通过从先前的编码交互中更新框架、记忆、技能、工具或模型来改进其未来行为，并提出了一个分类体系，涵盖演化什么、何时演化以及由哪些软件特定证据驱动。
Epoch AI 和 METR 推出了 MirrorCode，这是一个基准测试，用于测试 AI 模型在长时间跨度内端到端重新实现整个程序的能力。早期结果显示，Claude Opus 4.7 在 14 小时内解决了一个生物信息学工具包，花费 251 美元，但记忆化方面的注意事项仍然存在。
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。
一位软件工程师讨论了功能开关在何种情况下有意义，例如用于A/B测试和复杂部署，并提醒团队在能够控制部署时不要过度使用它们。
SQLite 开发者分享其可靠性经验，源自 DO-178B 航空电子标准，通过 100% MCDC 测试覆盖率确保代码质量，强调“没有测试过就不工作”的理念。
对软件工程中“AI生产率差距”的分析，认为AI主要加快了开发人员工作中编码部分的速度，而设计、评审和会议等其他关键任务基本未变，导致整体收益仅略有提升。报告还指出，初级员工比高级员工受益更多，这与一些领导者的假设相反。
文章详细拆解了 OpenAI 软件工程师的完整面试流程，按轮次分析了初筛、编码、系统设计、居家项目和终面背后的核心考点，并整理成一份可系统的工程师进阶清单。
Carl Kolon 作为一名工程领导者，分享了他精心整理的软件工程文章“必读清单”，涵盖编码实践、平台设计和前端开发，并附有关于每篇文章重要性的个人注释。