搜索[coding]结果-低调大师优秀个人博客

精选列表

搜索[coding]，共3440篇文章

Vibe Coding 时代，到底什么时候该用现成框架，什么时候该自己写？

最近"vibe coding"这个词很火——大意是你不用一行行手写代码，跟 AI 说清楚想要什么，它就能帮你把代码写出来。

2026-08-29

AI Coding的软件无法分发给别人使用？MacOS DMG 独立分发完整指南

作为一个工作十几年，「0编码经验」开始AI Coding的产品经理，希望我的视角，能给有相同经历的你带来一些帮助和启发！ **背景：为什么会遇到APP分发失败？

2026-07-23

我受够了 Coding Agent 的“假聪明，真串行”，于是做了 Meta-Orchestrator！

恰恰相反，现在的 Coding Agent 已经很能打了。读代码、改功能、补测试、查 Bug，这些都不是大问题。真正让我难受的是它的执行方式。

2026-07-15

从Vibe Coding到OpenClaw，我看到了大家对AI时代的FoMO情绪

--- ## **先说说Vibe Coding这个词** 回到2025年2月。 OpenAI联合创始人、特斯拉前AI负责人Andrej Karpathy创造了一个新词,叫Vibe Coding。

2026-07-10

Vibe Coding跨过原型期：AI编程agent的工程化成熟度怎么判断？

- Vibe Coding没有降温，而是在分层——原型阶段追求生成速度，生产阶段考验测试习惯、错误处理、架构一致性与流程嵌入，这是两套不同的评估标准。

2026-11-05

AI Coding生成的代码能交付吗？一张业务单的验收方法

# AI Coding生成的代码能交付吗？一张业务单的验收方法 AI生成了列表、详情、接口和SQL，页面也能提交。接下来该不该交付？

2026-10-30

AI Coding 特种兵：从“写代码的人”到“Agent 军团的边界制定者”

“AI Coding 特种兵”常被误解为“用 AI 把代码写得最快的人”。

2026-10-27

Vibe Coding 实战：5 行代码，让 AI 替我写完一篇自媒体文章

直到我试了 Vibe Coding：不跟语法死磕，先把感觉描述清楚，让 AI 把代码补全，跑起来再说。最近我做了个实验：用最少代码，生成一篇能发的自媒体文章。结果真成了，核心代码只有 5 行。

2026-10-04

Vibe Coding 的专业工程实践：从自然语言到可交付代码的约束体系

Vibe Coding 由 Andrej Karpathy 在 2025 年初提出，核心是**用自然语言描述意图，AI 生成代码，开发者凭感觉迭代，而不逐行阅读实现**。

2026-10-02

银河it-Vibe Coding：概率性生成与确定性工程之间的深层张力

一个更精确的判断来自社区对12种失败模式的归纳：“vibe coding不是拼提示词话术，而是以工程规范约束AI”。

2026-09-29

Vibe Coding 全栈开发：意图驱动的 AI 原生全栈工程范式与落地实践

> 注意：Vibe Coding 不等于无代码 / 低代码。

2026-09-27

Vibe Coding 全栈：用一句话跑通一个产品

Vibe Coding 不是“不写代码”，而是把代码当成中间产物。你用自然语言描述意图，AI 负责生成，你负责运行、观察、判断和微调。

2026-09-26

Codex + Seed-2.1-pro 实测：多模态理解 + Coding Agent 能扛住真实仓库吗?

提升细粒度视觉定位能力； - **深度调研**：新增万字图文报告生成、营销内容创作，增强 PPT 生成； - **工具反馈**：调整工具描述、入参字段变更时遵循新工具描述，及时反馈工具调用输出结果； - **Coding

2026-09-26

Vibe Coding 实践分享：用 AI 构建本地写作 Agent 的架构设计与技术选型

# Vibe Coding 实践分享：用 AI 构建本地写作 Agent 的架构设计与技术选型 ## 引言各位开发者好。我是一名内容创作者，也是 Vibe Coding 的实践者。

2026-09-19

AI Coding 进入企业研发流程后，如何设计可验证、可回滚的质量体

当 AI 编程代理进入企业研发流程，代码生产不再是唯一瓶颈。代理可以并行修改服务、测试和配置，但需求确认、架构评审、安全验证、发布和线上反馈仍受团队吞吐限制。如果只扩大生成侧能力，常见结果是 PR 队列增长、Review 变浅、同源测试增加，以及重复实现和依赖膨胀。质量治理的目标不应是识别每一行由人还是 AI 编写，而是确保每次变更都具备四个属性：符合需求、证据可信、可以维护、能够恢复。 ## 总体流程可以把企业级变更流程设计成四个连续区域： ```text 需求与风险分级 → 独立验证设计 → 自动化质量门禁 → 灰度、监控与反馈 ``` AI 可以参与每个区域，但不能同时成为规则来源、实现者和最终裁判。 ## 一、在需求入口完成风险分级风险等级应由失败影响、可检测性和可恢复性共同决定。 | 风险 | 场景 | 控制要求 | |---|---|---| | 低 | 文档、样式、内部脚本、易回滚变更 | 自动门禁、抽样 Review | | 中 | 普通业务逻辑、公共组件、缓存、异步任务、外部 API | 人工 Review、契约/集成测试、回滚说明 | | 高 | 鉴权、资金、隐私、迁移、并发、核心接口和架构边界 | 领域负责人、安全评审、专项验证、灰度与回滚演练 | 风险分级决定审批人、测试类型、发布策略和监控要求。它不应简单等同于代码行数或是否使用 AI。 ## 二、将验证依据与实现分离 AI 根据当前实现生成测试，可能形成同源错误。要提高测试可信度，应把工件拆成： - 规格：目标、非目标、接口契约、业务与安全不变量； - 验证：验收样例、边界条件、属性测试、威胁场景、性能门槛； - 实现：代码、配置、数据库变更和部署脚本。关键输入输出先由业务与技术负责人确认，AI 再生成测试代码和实现。高风险功能可以让测试角色只访问规格和接口，不直接读取实现细节，由另一角色寻找反例。例如优惠边界、权限矩阵、状态机合法迁移和幂等条件，都应先形成可审查表格，再进入编码阶段。未定义规则必须保持待确认，不能让模型自动补全。 ## 三、构建分层自动化门禁推荐顺序如下： ```text 格式与 lint → 编译和类型检查 → 单元测试 → 契约与集成测试 → 依赖、许可证、密钥和漏洞扫描 → 架构边界与 API 兼容性检查 → AI 语义评审 → 人工风险评审 ``` 确定性检查优先，可以减少 AI Review 的噪声和成本。AI 语义评审重点关注传统规则难以表达的问题：重复能力、需求漂移、无必要依赖、错误处理、数据流、权限和事务边界。 NIST SSDF 将代码评审/分析与可执行代码测试视为不同验证活动，说明安全与质量需要多种证据组合，而不是依赖单项扫描。 ## 四、建立高信号 AI Review AI Review 不能以评论数量作为成功指标。每条意见应包含： ```text 严重程度代码与路径证据可触发的失败场景业务或技术影响验证方法置信度 ``` 样式和语法问题交给 lint；同根因评论去重；低置信度只提示；只有经过团队验证的高价值规则才能升级为强制门禁。 Uber 公开的 uReview 实践包含评论生成、质量评分、过滤、语义去重和开发者反馈。企业可以借鉴其“精度优先、逐步上线、持续评估”的机制，但其内部效果数据不能直接外推到其他组织。 ## 五、将项目上下文转为可执行约束提供给人和 AI 的上下文可以包括： - 服务地图、模块职责和数据流； - 复用组件与内部 API 目录； - 架构决策记录； - 权限、事务、错误处理和日志规范； - 数据分级与禁止外传信息； - 本地与 CI 验证命令； - 高风险目录和升级审批流程。重要规则还应在流水线中执行，例如模块依赖方向、禁止导入、API 兼容性、数据库迁移、新增依赖审批和高风险目录负责人审核。对于 Codex 等编程代理，仓库级指令可以帮助其理解结构和执行验证；这类指令只提供上下文，不能代替权限控制、安全门禁与人工复核。 ## 六、把发布和运行反馈纳入质量变更通过测试并不代表风险结束。中高风险变更还应具备： - 可观测的业务与技术指标； - 逐步放量或灰度策略； - 明确的停止条件； - 可验证的回滚路径； - 事故后根因与规则回灌机制。如果某次线上问题来自缺失的边界条件，应将该条件加入验收样例；如果来自依赖或架构违规，应转成静态规则。反馈必须回到开发入口，治理系统才会持续改善。 ## 七、指标与成本边界不要以代码行数、提交数或 PR 数衡量 AI 的价值。建议同时观察： - PR 首次有效反馈时间和评审积压； - 合并后短期返工、回滚和 hotfix； - 重复代码、新依赖与架构违规趋势； - flaky test、CI 时间和失败反馈速度； - AI Review 有效意见率、误报率和采纳率； - 高风险变更的灰度与回滚覆盖。在成本上，优先使用确定性工具过滤低级问题，再调用 AI 做语义检查；高成本检查只应用于对应风险等级。这样才能避免所有变更都执行同一套昂贵流程。 ## 最小落地路径第一周，统计最近一个月的评审等待、返工、回滚和 hotfix，找出高风险目录。第二周，建立风险分级和 PR 模板。第三周，将 lint、类型、测试、依赖和安全检查变为合并门禁。第四周，在少数项目试运行 3—5 类高信号 AI Review，记录误报与采纳，再决定是否扩大。开始治理时，最有价值的动作是复盘最近 10 个返工、回滚或 hotfix，找出最常失效且代价最高的关卡，优先自动化这一项。

2026-09-01

Coding Agent 如何跑稳长任务？从上下文管理到运行时状态

长程任务给 Coding Agent 堆积了冗长的交互轨迹，但操作流水账不等于执行状态：早期读取的代码在多轮修改后早已失效，系统却无法阻止模型拿着过时信息决策或在代码未变时重复跑测。

2026-08-26

当 Vibe Coding 遇上 AI 应用定制化：一场全栈开发范式的革命

本文将带您从零开始，使用 Vibe Coding 风格（AI 辅助 + 人工把关）构建一个**生产级智能文档问答系统**。

2026-08-23

EP-Harness：从个人 AI Coding 到团队级 Agent 工作流｜得物技术

# 一、本地 AI Coding 的团队级缺口直接在本地使用 AI Coding 工具，短期看，很方便，但团队化之后会暴露出几个缺口。

2026-08-20

GLM Coding（GLM 5.3）与 Kimi K3 的能力、价格与实战性价比全对比

for Coding**——月之暗面 2.8 万亿参数的开源旗舰，官方口径"编程超越 Claude Opus 4.8 / GPT 5.5" !

2026-08-19

AI Coding 的关键是什么：不是谁更会写，而是谁更能证明写对了

恰恰相反，AI Coding正从“给模型一份文本说明”，转向把人的意图编译成可执行契约，再由环境和验证器不断校正行动。

2026-08-13

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。