标签
Matt Pocock 分享了约翰·奥斯特豪特的《软件设计哲学》中的一段引文，谈到那些被称为“战术龙卷风”的开发者：他们写代码很快，却留下一堆烂摊子让别人收拾，并问这种情况是否似曾相识。
Addy Osmani 认为，使用 AI 智能体进行软件工程如今已成为默认做法，并敦促资深工程师带头采用这一方式，与团队公开分享经验，而不是私下试验。
Gergely Orosz 评论了软件工程师招聘方式的变化，指出随着面试所能提供的判断依据减弱，学历与职业背景、背景核查、内推以及更长的试用期正变得越来越重要。这一观点延续了此前关于将面试流程精简为系统设计面试和基于智能体的现场项目的讨论。
一篇关于 OpenAI 面试流程与经验的复盘：涵盖系统设计（Webhook 投递平台、CI/CD 系统）、编码题与行为面试，指出系统设计环节深入且难度极高，远超普通大厂标准。
科技博主 Gergely Orosz 指出，AI/LLM 已成为现代软件工程不可或缺的一部分，不使用 AI 的开发者将难以在初创公司和大型科技公司获得工作机会。
作者论证个人智力活动只有在人类知识共同体中才能持续，而AI正在瓦解这些共同体：软件工程话语变浅、人类技能积累停滞、开源与写作对共享知识库的贡献失去意义。
## Ars Technica 报道：研究显示 AI 编码代理提升代码产出，但拖慢整体交付速度 Ars Technica 报道了一项研究结果，该研究显示，AI 编码代理（AI coding agents）虽然能够提升代码产出量，却拖慢了整体交付速度。具体表现为： - 代码审查（pull request review）时间增加 **49%** - 要求修改（changes requested）的比例几乎翻倍 - 目前尚未发现可归因于 AI 的显著就业变化 研究发现，AI 代理虽然让开发者更快地产出代码，但由于生成的代码量大幅增加，审查人员面临的审查负担也随之加重，导致整体交付周期反而被拉长。与此同时，尽管业界对 AI 取代开发者岗位的讨论甚嚣尘上，但截至目前，并没有显著的就业数据变化能够直接归因于 AI 技术的应用。
Devin AI 智能体现在可以生成并管理自己的子 Devin，使单个任务能够分支成多层级的智能体树。这样就能实现并行执行，大型任务的完成时间取决于其最慢的子任务，而不是所有部分的总和。
作者在AI编码工具大规模普及前离开了大厂，好奇这些公司如今是否已适应AI编程，或在验证变更、构建、部署和发布环节上瓶颈是否更加严重。
SWE-Journey 提出一个更贴近真实场景的编码助手评测基准，通过弱到强合成流水线构建长时程编码任务，并利用从真实交互数据挖掘的用户画像与模拟智能体复现多轮交互。实验显示模型面对软件架构师时通过率超75%，但面对非程序员时不足25%。
AgentSWE 引入了一个涵盖智能体创建、编辑和优化的基准测试，研究发现目前没有任何被评测的编程智能体能够可靠地交付符合用户需求的智能体，常见的失败模式包括过拟合和空洞的运行时实现。
创造"软件工程"一词、领导 NASA Apollo 11 机载飞行软件开发的先驱 Margaret Hamilton 于 90 岁高龄去世。这篇讣闻回顾了她的职业生涯，从在 MIT 为 Edward Lorenz 的混沌理论实验编写程序，到在 Apollo 飞行系统上的奠基性工作，以及她后来创办的软件公司。
一位软件工程师的博客文章，批评如今用 LLM 生成的"个性化"招聘邮件泛滥：邮件中大肆夸赞候选人的背景，却与实际职位描述明显脱节，让招聘邀约比过去的模板群发邮件更让人感觉缺乏真诚。
计算机科学先驱、阿波罗登月飞行软件负责人 Margaret Hamilton 逝世，享年90岁。她不仅帮助人类登上月球，还开创了软件工程学科，其关于系统可靠性与容错的理念至今仍深刻影响着 AI 与自主系统的发展。
Staffcoder 是一个在 Product Hunt 上发布的实战编程平台，开发者可以在其中通过 1000+ 道挑战题和 39 条学习路径（React、Next.js、Docker、Kubernetes、AI agents）练习真实的工程开发工作。平台提供完整的浏览器 IDE，内置终端、文件系统和实时预览功能，无需任何本地安装。
rauchg 认为，任何程序都可以被无限地加固和优化，但这会带来实实在在的时间和注意力成本——即使在 token 无限的世界里，工程师也必须决定何时停止，因为 AI 智能体会毫无节制地钻下去。
计算先驱 Margaret Hamilton 曾在 MIT 的 Instrumentation Lab 领导 NASA Apollo 计划的软件开发，并帮助将软件工程确立为一门学科，现已去世，享年 90 岁。
本文收集了 JetBrains IDE 中 4,782 个真实软件工程师的编码智能体会话，提出 SWE-TaskFlow 方法，将 issue 导向的基准测试转化为符合目标任务流分布的交互，并发现交互协议本身会显著影响智能体成本与求解率。
一位评论者认为，通用 LLM 和智能体在二阶优化、隐性专业知识以及数据稀缺领域方面能力有限，因此工作不会被 AI 消除，反而会变得更加丰富、更加专业化。