依意思最接近的 30 筆
一位工程師復盤：Codex 把約 30 行的 App.tsx 寫成 15 個各佔一行的完整元件，CI 被 SonarQube 的圈複雜度規則攔下。他逐行審查後確認邏輯正確、複雜度確有業務依據，只是略顯過度設計，於是讓 Codex 自行重構拆成 10 個檔案，CI 通過併合入。作者由此提出，維護系統將不再依賴親手寫過程式碼，而取決於是否具備「看出哪裡不對、必要時深挖」的判斷力；代理產出速度遠超人類消化速度，失序會隨之下潛深度放大。
哈佛大學研究者在 700 多家公司、70 萬名員工、3 億條工作事件的資料中發現，AI 程式設計工具並未讓企業軟體產出增加或減少用人，編碼階段省下的時間被下游環節吸收。程式碼審查時長明顯增加，pull request 更常需要返工，審查者留下的評論也更多。研究據此認為人工程式碼審查是 AI 編碼效率的主要瓶頸。
Meta 工程師在 LinkedIn 發帖稱，用 AI 寫程式碼後難以逐行審查，交付的系統成了自己不完全理解的黑盒。帖文說 AI 輔助交付節奏太快，逐行檢查會耗費大量時間，結果可能只懂高層結構、不懂每個細節，這違背軟體工程習慣。該帖被轉到 Hacker News 的 Ask HN 後獲得 179 分、292 條評論，討論工程師該理解到什麼程度、又該如何應對才敢繼續交付。
一位開發者撰文稱，AI 輔助程式設計（vibecoding）只把樂趣前置：能快速做出可用原型，但重構和維護階段不再有趣，也缺少手寫程式碼帶來的成就感。他把建造的樂趣分為六種，認為 vibecoding 只能滿足「想到點子」「把點子變成現實」和「解決自己的問題」三類，攻堅後的成就感、作品完成的滿足感與學習樂趣都不會自然產生。他仍用 AI 做出了一些手工做不出來的東西，包括即時野火預警系統、Kobo 資料庫遷移助手和即時音準訓練應用，但表示過程不像自己寫小指令碼那樣好玩。
一位寫了 18 年程式碼的開發者表示，自去年在 Claude Code 中使用 Opus 4.5 後，用自然語言描述需求比手寫程式碼更快，於是徹底停止了手寫程式碼。他所在的 Filestage 團隊月合併 PR 從約 200 增至 300，bug 報告未增加，每位開發者每月 AI 訂閱費 20 美元，工具可自選 Codex、Claude Code 或 Cursor。
AI 工具正在加速老遊戲的反編譯與重編譯移植，也讓專注遊戲儲存的社群遭到衝擊。過去一個月，瀏覽器裡的《光環》、iPhone 上的《風之杖》、混合現實中的《任天堂明星大亂鬥》等非常規移植專案高頻走紅。愛好者用 decomps/recomps 逆向拆解遊戲，再為新平台重建；AI 提高了移植速度，卻撕裂了原本緊密的儲存社群。
JetBrains AI 團隊發文介紹其語義程式碼搜尋平台 Air Context 的 RAG 流水線，已投入生產環境。首篇聚焦解析、分塊與向量化：固定行數分塊會把 import 與函式體等無關程式碼混在一起，導致檢索錯誤，因此需按原始碼結構（如 Java 的 import、類定義、欄位與方法）劃分語義完整的塊。
OpenAI 開發者帳號介紹了內部工程師如何使用 Codex：在自家程式碼庫中檢索、定位需要關注的部分，並逐步消化積壓的維護任務。推文只給出這一概述，未披露具體工作流程、所用模型版本或效率資料。
Airbnb CTO Ahmad Al-Dahle 披露，公司目前 60% 的程式碼由 AI 生成，功能交付量同比增加近 80%，工程師人均 PR 吞吐量提升約 1.6 倍；約一半客服工單已完全由 AI 處理，與 Q2 財報中近 45% 的數字一致。內部上下文圖譜 Everest 幫助雜貨配送服務在 8 至 9 個月內上線，機場接送僅用約 6 周。Airbnb 採用多模型策略，至少部署 10 個定製模型，主要在開源模型上做後訓練和強化學習。
OpenAI 產品負責人 Tibo Sottiaux 發帖預告未來模型會更擅長刪除和簡化程式碼，並在評論中確認 Astra 6.1「coming soon」。負責 coding post-training 的研究員 Rajan Agarwal 轉發該帖，並公開徵集使用者遇到的 sloppy code 與程式碼品質問題。《華爾街日報》此前報導，Astra 6.1 原計劃 10 月發布，因內部安全測試中在權限邊界上表現不穩而被臨時叫停。
Claude Code 團隊在分享中表示，程式碼評審已從合併前等待同事把關的最後一道關卡，變成像寫作時拼寫檢查那樣持續進行，多數改動在被請求人工檢視前已由 Claude 至少審過一遍。他們認為「人類有沒有讀過這段程式碼」是判斷風險的粗略代理，更該問的是這次改動可能出什麼問題、應由哪種檢查（自動或人工）來捕捉。這樣能攔下大部分常規錯誤，把團隊注意力留給更高層的問題與審查。
Uploadcare CTO Alex Gusev 在 40 歲這年寫道，工程挑戰已經消失：他現在有時完全不看 agent 寫的程式碼，出錯由其他 agent 發現並告知。一年前他還花數月清理自己在 lettercarta.com 上 vibe-code 的程式碼，如今已習慣 agent 把任務做好。
蒙大拿州立大學計算機教授 Carson Gross 在《Yes, and...》中回答“AI 時代還該不該學程式設計”：應該，但初級程式設計師必須親手寫程式碼。他認為 AI 能生成作業程式碼，但若因此不寫程式碼，就難以讀懂程式碼，可能造出自己無法理解和控制的系統；AI 更適合當助教，他給學生提供 AGENTS.md 來把編碼代理配置成助教。他同時判斷，未來寫程式碼本身的相對價值會下降，清晰溝通與理解業務會更重要。
作者以親歷說明 AI 讓「更敢做」變得可行：藉助 SOTA 模型，他只花個位數小時就做出可用的正則引擎、ripgrep 分支和更快的 Rust 建置，而這類工作過去要一年以上。他還為常被當成 AI 生成垃圾的 pgrust（用 Rust 重寫 Postgres）辯護，指出其維護者在測試中發現了多個真實 Postgres bug，涉及數值、格式快取、pgcrypto 與 money 溢位。
Replit CEO Amjad Masad 在 TechCrunch Disrupt 上提出「自驅動公司」概念：AI 代理承擔公司裡大部分雜活，人的價值轉向判斷與品味。他舉例說 Replit 的客服工單會先由代理檢視 GitHub issue、程式碼庫和 Linear 工單完成初步分診，人工決定修復方案後一鍵再部署一個代理打補丁。Masad 稱公司運營方式已被徹底改變，團隊花更多時間討論做什麼、畫白板、研究架構，而代理並沒有取代崗位，只是改變了工作內容。
一位 Ruby gem 作者把自己所有 gem 的原始碼歸檔，明確表示不再繼續開發。他稱 Ruby 語言本身現在已大量由 LLM agent 開發，Matz 正把 Ruby 重新定位為供 LLM 生成程式碼的「AI 時代程式語言」，並認為 LLM 需要攝取更多人類寫的高品質 Ruby 程式碼；同時 Rails 由他不認同的維護者掌控。他不願再為一個被大公司免費開採、用於餵養那些反過來汙染公共程式碼庫的機器的公共資源做貢獻。
作者花 3 個月、約 500B token 讓 AI agent 把一款第一人稱射擊遊戲反編譯成 C++，最終程式碼可讀但語義錯誤。專案同時使用 Claude Max（20x）與 Codex Pro 訂閱，agent 跑在 Claude Code CLI 與 Codex CLI 裡，主力是 Sonnet 5，也用過 Opus 5.5、Luna、Sol、Terra；
Anthropic 用 7 名工程師和 Claude，在 5 個月內從零開發出內部原始碼控制系統 Scion 及程式碼審查工具 Antique，並把整個 Monorepo 從 Git 遷移過去。起因是 AI 程式設計量激增：日均程式碼合併從 5 月的約 2500 次漲到 9 月的 3 萬次以上，主分支歷史近 100GB，CI 每天約 2500 萬次檢出，原有 Git 映象方案難以支撐。
軟體架構師 David Pertiller 用 Claude Code 為油價應用 Petroly 寫了一個 JavaScript 渲染器，把 15 秒宣傳影片變成時間函式 frame(t)：每幀輸出 SVG，再由 sharp 轉成畫素交給 FFmpeg 編碼，全程沒有開啟影片編輯器。渲染器按每秒 25 幀生成 375 幀，改文案、貨幣、排序動畫都只需修改原始碼、檢視 diff 後重新渲染。
文章主張把開發任務從 Jira、Redmine 遷進程式碼倉庫，用 Markdown 檔案儲存，讓 Claude Code、OpenCode 等 coding agent 在同一處讀到需求與程式碼。任務改動因此像普通 commit 一樣有版本、可評審；文中給出五步流程：描述任務、分析需求、生成實現計劃、人工審批、實現並回寫報告。作者的做法是程式碼、文件、任務各建一個 Git 倉庫，後兩者 clone 進程式碼倉庫並由 .gitignore 排除，任務庫因含敏感資訊可單獨設權限。
Claude Code 團隊公開其程式碼審查流程：多數 PR 只需一位人類把關，其餘交給 Claude 自動審查。6 月至 9 月，該倉庫合併 PR 數翻倍以上，回滾比例下降超 40%；Anthropic monorepo 每日變更從 5 月約 2500 次增至 9 月逾 3 萬次。
一位被裁工程師撰文稱，Fable/Mythos 一檔的前沿模型並沒有比他更勝任工作，只是比他更便宜，讓僅剩的管理層有信心撐到被併購。他認為模型仍缺產品品味與對長期後果的預判，不足以替代資深工程師，但已足夠讓 Shopify 用機器生成、由資深開發者監督的程式碼把 react-native 應用改回原生 iOS 與 Android。
REA 是一套接入 coding agent 的逆向工程工具，用 npx rea-agents@latest setup 安裝並連線後，agent 就能檢查程式本身並解釋其行為。官方演示了兩個案例：讀取 Chrome 恐龍游戲執行中的指令碼，取回起始速度 6、每次更新加 0.001、上限 13 的加速規則，並據此重建一個可調速版本；以及分析 Windows Calculator 的 % 按鈕，發現 + 與 × 之後使用不同規則，因此 200 + 10% 得 220。
INIT Labs 開源了 Rust 編寫的 coding agent INIT，它能在同一段對話中重寫並熱替換自己的 harness（提示詞、工具、編譯核心），換核耗時 4.3 秒，並保留 87.9% 的 prompt cache。模型幾乎可以改寫所有層，但永遠不能觸碰 Root：金鑰、簽名記錄與快照都在 Root 中；12 項危害訊號中任意一項觸發，都會回滾改動。一次對 shell 工具的改動因評分偏低被拒絕，9 秒後回滾，記錄 seq 88–90 均帶簽名。
一篇隨筆主張，AI 正在瓦解支撐個人智力活動的知識社群，使長期、複雜的私人思考越來越難維持。作者以軟體工程為例：Claude Code 發布一年多，行業討論從編譯器、型別系統轉向 prompt、harness、loop，變得狹窄膚淺；寫部落格、開源庫或設計新程式語言也不再有人類讀者，內容只會被下一代模型消化。文章稱數學領域正經歷類似過程，並認為持續的知識活動需要共享成果與他人認可這兩種無法獨自獲得的輸入。
CodeRabbit 使用 GPT-6.1 Sol 在複雜程式碼庫中排查安全風險。其安全 agent 負責彙總問題發現與擬議修復方案，供開發者審閱確認。
獨立遊戲開發者 Popcar 指出，AI 正在推動一波對既有遊戲的大規模反編譯，讓老遊戲更容易被移植、修改，並藉助 WebAssembly 在瀏覽器中執行，利好遊戲儲存。但同樣的能力也意味著任何軟體都可能被反編譯：公司可以竊取競品程式碼，付費遊戲或應用可能在違背作者意願的情況下被開源，而且這不限於老遊戲。作者認為，在主機廠商全面轉向數字版、伺服器關停導致遊戲無法遊玩的背景下，這一進展既令人興奮也令人擔憂。
Parsimony 是一個開源基準，用來衡量 AI 模型在改程式碼時到底新增了多少程式碼。它複用 DeepSWE、SWE-bench Verified 與 SWE-bench Live 已公開的補丁，統計語句、呼叫、命名、字面量等「編碼單元」而非程式碼行數，並減去被刪除的程式碼，只算淨增量。GPT-6 與 Claude 5.5 尚無公開補丁，作者在自己的訂閱上跑了 3–10 個任務，結果以淺色圓圈顯示、不參與排名。作者也歡迎提交新模型的公開補丁匯出。
Anthropic 自研了內部版本控制系統 Scion，並在五個月內把 monorepo 從 git 全量遷移完成。原因是 AI 編碼速度已超出為人設計的開發基礎設施：日合併程式碼變更從 2026 年 5 月的約 2500 次增至 9 月的逾 3 萬次，主分支歷史近 100 GB，壓縮工作副本超 25 GB，CI 每天約 2500 萬次 checkout。Scion 假設客戶端始終線上，由服務端負責歷史、blame、合併與 rebase，客戶端只保留有界快取；
Faros 2026 年研究分析 22,000 名開發者、4,000 個團隊兩年遙測資料後發現，AI 採用度高的組織每位開發者 bug 增加 54%，PR 評審中位耗時約漲 5 倍，每 PR 事故數超 3 倍；其 Q3 報告稱部分效應有所緩解，但驗證與運維成本仍在累積。