跳到正文

全部动态

今日 0 条
10月12日周一
10月11日周日
  1. 潮流周刊49

    潮流周刊第 285 期:陵水的云

    本期周刊分享 Tendedero、Paseo 等创意工具,并指出用 Personal Agent 操作重要账号应优先走官方 API 或 CLI,避免触发风控封禁。作者还推荐将 ASD-STE100 简化技术英文标准用于 AI 回复规则,并称 Gemini 3.8 Flash High 是当前优化产品文案最好的模型,而 Codex Pro 200 刀额度远不如 Claude Max 200 刀耐用。

  2. Hacker News · AI 最新69

    agent-pr-gate:用四道问题拦截 AI 生成 PR 的 review 队列洪水

    ktwu01 开源 agent-pr-gate,把四道问题写进 CONTRIBUTING.md,要求 AI 智能体在写 PR 前先问人类真正想达成什么,并等待人类回答。起因是 benchmark-radar 一个账号 10 天开了 58 个 PR、仅 5 个被合并,维护者记录到 27 秒内涌入 8 个 PR。作者说明该机制依赖智能体读取并遵守说明,并非强制的 PR 拦截器,采用后的效果尚未测量。

  3. InfoQ 中国54

    利用 AI 代码智能体优化软件架构的五种方法

    作者总结了使用 AI 编码智能体优化软件架构的五种方法,包括梳理遗留服务、发现并修复架构缺陷、开展安全审计、为开发者提供预打包架构基础,以及生成可测试的最小可行架构(MVA)。核心前提是向智能体提供可衡量的质量属性需求(QAR)与权衡取舍,只提功能需求无法保证架构合理。AI 生成的代码与测试仍需人工评审,安全审计时还应限制智能体访问权限并在封闭网络环境运行。

10月10日周六
  1. Hacker News · AI 最新31

    AI Constraints:Doctrine 是如何规范代码构建的

    Doctrine 是一套所有 AI 智能体在每次任务中都须遵守的常驻规则,声明一次即可跨所有会话、智能体和模型生效,直到你主动修改。它涵盖代码库风格、跨会话保留的规则、可执行的 Hook 检查,以及可继承或覆盖的 Pullboard 标准基线。每个条目同时受 Doctrine(如何构建)与 Spec(必须做什么)双重约束,并通过 Git hooks 在每次提交时强制执行。

  2. InfoQ 中国40

    腾讯云 CloudQ:从 Coding 到 Running 的 AI Native SRE Agent 工程实践

    腾讯云 CloudQ 技术负责人姚斌斌分享了 AI Native SRE Agent 的工程实践,通过全景图谱与 Agent 让软件运行世界变得可理解、可操作、可验证。该架构整合 infra、可观测与 knowledge 数据构建因果链图谱,支撑架构可视化与影响面分析,并依托实时加离线的评测闭环实现自进化。目前其 SuperAgent 已支持多云适配与沙箱隔离。

  3. InfoQ 中国25

    当代码不再稀缺:大型工程 AI 狂欢下的确定性底座|QCon上海

    哔哩哔哩技术专家张忻正确认出席 QCon 全球软件开发大会·上海站,分享大型工程落地 AI Coding 的实践。他提出 AI 是能力放大器,落地需聚焦约束、定位、验证、度量四个工程底座,把架构规则变成机器可执行约束,让度量从代码量、Token、采纳率回归“敢不敢合并”。大会将于 10 月 22 日—24 日举办,设 20 个专题论坛与 100+ 实战案例拆解。

  4. Simon Willison68

    Simon Willison 用 Codex 语音模式构建博客 Newsletters 页面

    Simon Willison 今天为博客上线了 Newsletters 页面,该功能几乎全部通过 ChatGPT 桌面端 Codex 语音模式(GPT-6 Astra High)在做饭的约半小时内口述完成。

    推荐理由:作者完整记录了用 Codex 语音模式配合本地预览驱动编码智能体的过程,读者可据此判断该模式是否适合自己的多任务开发场景。

10月9日周五
  1. Hacker News · AI 最新27

    AI 能否学会你的喜好,而不只是你搜索过什么?

    一位作家用 LLM 进行实验,通过向 ChatGPT 详细阐述文学品味,获得的 5 个推荐均为其未知且愿读的书目,LLM 还成功预测了其对已读书目的喜好。基于此,他构建了一个应用原型,通过对话提取用户偏好,生成可持续演化的个性化偏好模型来引导推荐,且对话与用户配置文件可本地存储,无需保存在中心服务器。

  2. InfoQ 中国54

    从 Demo 到生产:AI Agent 缺的到底是什么?

    文章提出 Agent = 模型 + Harness,生产级 Agent 的稳定性、安全、成本与可观测性都来自围绕模型搭出的 Harness,而非模型本身。Harness 分开发侧(记忆、工具与 MCP、检索、Prompt、编排)与运维侧(可观测性、评估、护栏、路由、成本监控、部署扩缩容),托管与自主管理的差别在于交付方式、控制权与成本结构。