最新

我并非软件工程师，但我一直在进行一项实验，以评估基于现有SaaS代码库的代理式开发（agentic development）能否产出一个有用的原型。 该代码库拥有超过100万行代码，已有15年历史，托管在Azure上，主要使用C#和React编写。 原型需要在9月份提供给客户进行测试。虽然我偶尔可以获得特定技术问题的帮助，但没有全职开发人员可以投入。一位工程师将在8月份评估实现情况，并决定我们对AI生成的代码有多大信心，以便我们决定如何将代码“转换”为生产级别。 我的问题是，在8月份的评估之前，我主要利用AI工具和手动测试，可以做些什么来使代码尽可能健壮和易于审查？我希望提高AI生成代码的质量，使其在转换为生产级别时，更接近于“复制粘贴”，而不是从头开始重建。 环境 原型正在一个单独的分支中开发，部署到一个单独的内部环境中，并连接到其自己的数据库和模式。 规划流程 我们在6月份访谈了客户，并将结果转化为MVP（最小可行产品）规范。 流程大致如下： 1. 编写PRD（产品需求文档）。 2. 使用LLM（大型语言模型）将PRD转换为架构文档，并由架构师进行审查。 3. 使用Claude Design创建产品设计，包括屏幕图像和包含交互细节及边缘情况的md文件。 4. 使用一个代理，以PRD和架构文档为指导，将工作分解为史诗（epics）。 史诗是我们最细粒度的规划产物，由我和架构师进行审查。 开发流程 开发流程旨在尽量减少干预： 1. 一个规划代理将史诗转换为md故事文件和Jira故事。 2. 一个编码代理实现故事，包括测试，并创建PR（拉取请求）。 3. 一个审查代理审查PR，请求修改，并将它们合并到原型分支。 编码代理会轮询PR以获取审查意见，并将问题反馈给规划代理。 代理还有一个“停止并询问”列表，用于它们不允许自主做出的决策。我（有时还有工程师）通过解决这些升级请求以及每天手动端到端测试累积的更改来参与其中。 大部分实现和初步审查都是使用基于Claude的代理完成的。对于风险较高的PR，我也使用了Codex作为审查者。第二次模型审查发现了Claude生成的代码中更多相关的实际问题，但令牌配额限制了其使用。 我还对代码进行了单独的重构和加固。 结果 规划以及环境和代理流程的设置大约花费了两周时间，然后代理在约两周内构建了整个MVP。从代码量上看，功能代码有13,000行，测试代码也占了相同数量。 我希望获得的建议 假设在审查之前我无法获得实质性的开发人员参与，我如何才能最大程度地提高代码接近生产级别的可能性？ 以下是我一直在思考的一些问题： 1. 在工程师审查代码之前，哪些检查或开发循环可以带来最大的信心提升？ 2. 如何使用独立的代理或模型来降低编码者和审查者做出相同错误假设的风险？ 3. 测试是否应该由一个与编写实现的代理不同的代理来生成？ 4. 哪些文档或证据可以使最终的工程审查更快、更可靠？ 5. 如果只有几周时间来改进这个原型，然后将其交给工程师，我会优先考虑什么？

我感觉最近的模型在每次新发布时都变得越来越粗糙，并且越来越倾向于“Claude 风格”（承重接缝随处可见）。 我曾希望这种趋势能在较新的主要版本发布中得到逆转，但我刚试用了 Opus 5，它在写作方面同样很糟糕。Fable 稍微好一些，但差距不大（而且当然价格也贵得离谱）。添加技能有帮助，但效果只是轻微的，对于长篇散文几乎没有作用。 你们最近有没有用过什么模型，觉得它的写作风格很不错？我记得 GPT-4.5 曾让我惊喜，但既然它已经停产了，我正在寻找一个更好的替代品。

我正在用 Rust 从头开始重新实现 PostgreSQL，并做了一些小改动。

在过去的7个月里，我一直在构建 Rivers，这是一个基于资产的编排器。核心组件，如规划、调度等，是用 Rust 编写的，而面向用户的 API 是用 Python 编写的。我最近的发布增加了 OIDC 和转发认证支持。安全不应被付费墙阻挡 :)

OpenAI 正在优化 GPQA Diamond，而 Anthropic 正在优化 Humanity Last Exam。 GPT 5.6 在 GPQA 上获胜，Opus 5 在 Humanity Last Exam 上获胜。