AI Coding 由以下几层组合成一个可执行的软件工程工作流：   LLM（大脑） 项目上下文（记忆） 文件系统（操作对象） Shell（执行环境） 版本控制（变更管理） 权限与沙箱（安全边界） 可观测性层（追踪与调试）   主流结构： 终端交互层 → Agent 编排层 → 模型适配层 → 上下文管理层 → 工具执行层 理解了这个结构，你才能知道在哪一层出了问题，知道怎么扩展它的能力，才能真正用好这些工具。

AI Coding 时代，好的编程习惯仍然重要 最近做一个 Agent benchmark，发现不能简单地用开发者视角来评估一个编程任务对 AI 的复杂度。 比如一个重构任务：把一个几千行的大文件，按功能拆成十多个小模块。 这个任务对开发者来说其实不算难，主要工作就是移动代码、整理 imports、编译验证，新手也能搞定。 所以想着用一个简单的任务来做一下 benchmark，结果却出乎意料。 Claude Code 判断这个任务比较大，尝试拆了一部分，提了个 PR 写了 Future work 打算分步来。 我自己的 Agent 是“硬上”，往完整拆分的方向推进了更多，但代价也很明显：Token 消耗是 Claude 的几十倍，后面大量时间都花在反复读文件、修编译错误、再读文件、再修错误上。 这让我意识到，人觉得简单的任务，对 Agent 不一定简单。 对人来说，这类重构很多时候就是“把这一段挪过去”。但对 Agent 来说，它要先分批读大文件，记住哪些函数和哪些测试有关，再生成一堆跨文件修改，最后通过编译错误一点点补洞。看起来像机械活，实际变成了一个高 Token、高状态管理成本的任务。 前一段时间看到有人说，AI Coding 时代，拆分模块这些编程原则没那么重要了，反正人也不看代码。现在看，我不太同意。模块边界清楚、文件粒度合适、依赖关系简单，不只是方便人读，也是在帮 Agent 降低任务复杂度。 从另一个角度看，现在 Agent 的读文件和改文件工具，对这种重构也不太顺手。 Coding Agent 改文件，主要还是文本替换。比如 Claude Code 常见的是 old_string / new_string 模式：先给出一段旧文本，再替换成新文本。Codex 常用的是 apply_patch：生成一个类似 git diff 的 patch，表达把旧的内容替换成新的。它们都适合小范围修改，但如果要删除一大段旧代码，或者把一批函数挪到别的文件，模型往往还是要先把原始内容读进上下文，再生成一大段替换或 diff。 所以我后来给 Agent 一个提示，让它先用脚本、sed、perl 这类工具把大文件粗拆开，直接把旧内容删掉，写到新文件中，然后再逐个慢慢修，它的完成度确实高了许多。Agent 默认不会这样做，主要是因为系统提示词里会强烈要求 Agent 用内置工具修改文件，而不是命令行工具。 再往前想一步，Coding Agent 可能还需要更高级的编辑工具。不是只给它一个“替换文本”的接口，而是先通过 parser、LSP 或 compiler 建立代码结构，让 Agent 可以像 IDE 一样做重构：移动函数，删除 impl block，整理 imports。不知道是否有朋友做这方面的尝试。 总的来说，即便是 AI Coding 时代，好的编程习惯还是有价值的。尽量在早期通过 harness engineering，把好的编程习惯变成 Agent 的默认工作方式，比后来再重构的成本要小很多。

AI coding 一个实践：每次做重大功能/改动之前先用 plan mode 做一个 research / design doc，然后再基于这个 doc 做实现的 plan。 design doc 加上编号存到一个文件夹里，commit 进仓库。这就类似你的设计思路的 db migrations，记录着整个项目进化思考的脉络。

AI Coding：我从传统的单元测试全面迁移到 BDD（行为驱动测试）上了，让 AI 写 BDD 测试。因为 BDD 的测试结果更可读，很容易验收 AI 的代码。比如我下面截图，一眼就能看出来 AI 是否完成了需求。 搜了下时间线，竟然没有人分享过这个，简单分享下，BDD 是 AI Coding 的最佳伴侣。

关于 AI Coding 和 Harness 最近写的一些内容： 让 AI 学会并发干活儿 让 AI 能够复用过去的经验，把代码写的更好 如何让 AI 进入疯狂工作模式 让 AI 输出效果提升五倍 AI 解放双手，如何把工作托管给浏览器 AI 时代的软件开发速度 Claude Code 的编程哲学 Vibe coding 的宪法 Claude Code 的记忆设计 Harness，让 agent 跑长程任务 为什么你的 agent 跑不了长程任务？ 构建有效的工作上下文，让 AI 参与决策 AI 时代的软件形态 Harness 也是过渡产物 组合不同 LLM 完成任务，会成为必备技能之一。 文档编程，让 AI 一直跑下去。 让 AI 减少犯错 Codex 长程任务的运行机制 Claude Code/Codex 的记忆设计哲学 大多数人不知道如何给AI定目标

OpenPets 是一个给 AI Coding Agent 用的开源桌面宠物应用。 它会在桌面上显示一只像素风小宠物，并根据 Claude Code、OpenCode、Codex 等 Agent 的状态做出反应：思考、写代码、跑测试、等待确认、完成任务或报错。 GitHub： 主要功能： -桌面像素宠物，实时显示 Agent 工作状态 -支持 Claude Code、OpenCode、Codex 等工具 -支持 MCP，其他 Agent 也能接入 -可安装不同宠物包，并为不同项目配置不同宠物 -本地运行，默认不展示 prompt、代码、日志、路径和密钥

写给所有 AI Coding 时代下迷茫的工程师： 上周团队里一个核心工程师跟我说要离职。他说失去了喜欢做工程的动力，没有了思考，解决问题，犯错，抓狂的晚上，没有痛苦之后找到那个东西的过程，没有成就感。他想转去医学或生物学领域。我为团队感到可惜，但挽留的话说不出口，我好像并没什么好办法帮他解决这个问题，个人层面甚至觉得他的决定也不错。 这引发了我的一些思考，人类工程师会是 AI 的奴仆吗？工程师会变成纯体力活吗？我决定写这篇文章，希望能给到迷茫的工程师同学们一些帮助。 2022 年 GPT 横空出世的时候打死我都没想过工程师会是第一波受冲击的物种。我们处在一个工作模式发生前所未有巨变的年代里，电子世界以一个 100 倍于现实世界速度的方式在冲击我们的世界观——资深程序员们不知道自己的对与错了，之前很多行之有效的经验不再是经验而变成了包袱；而年轻的程序员们完全没有积累经验的机会，被 AI 摧枯拉朽地冲击没有了自我。 作为一个程序员，作为一个自认为有工程师之心的程序员，我和 AI 交流的四年时间里一直在不断验证着我的信仰是错： 最开始 AI 只能在写脚本上产生帮助，我说：AI 写不了代码 后来 AI 能够辅助编程了，我说：它只能基于我的起始内容做补充。 再后来 AI 能做到函数级实现了，我说：架构还在我们掌握范畴内。 再后来 AI 连技术架构都不用我们做了，我说：AI 没办法承担责任，还得人来 review。 现在 AI 动不动几千几万行代码产生，我们发现连人的 review 都变成了整个组织的拖累，我们又开始讲品味、讲判断力。 那后面 AI 的品味、判断力比我们强呢？我们的价值在哪里？我们的意义在哪里？ AI 正在把大量的代码写出来，把大量的产品拼出来，逼迫着我们把传统的工作方式进行一遍又一遍地重构。世界进入了一个前所未有的量变积累过程，人类的想象力从未展现出如此的窘迫和枯竭，我们现在无法想象 AI 质变后技术的样子是什么。 但反过来，AI 好像也不知道。没有任何一个模型能自己产生诉求，自己主动选择方向。 01-软件工程师的方向 这不是安慰话。你去看今天最强的模型，它能写出任何你描述清楚的东西，但它不会自己走进一个房间说"这个产品缺一个东西"。它没有欲望，没有不满，没有"我觉得这里不对"的直觉。诉求来自人的欲望，方向来自人的不满足。AI 是引擎，但引擎不会自己决定去哪。 这意味着什么？意味着在整个量变堆积的过程中，真正稀缺的是知道该写什么的能力。这个"该写什么"不是需求文档，而是你在和 AI 反复交互的过程中，撞见的那些模型做不到的边界、那些需要人拍板的瞬间、那些让你突然觉得"这个方向不对"的时刻。 团队里最有价值的时刻，不是我们用 AI 写完了几万行代码，而是有人说"等等，这整个方向有问题"的时候。那个判断并不来自于模型，是来自一个人在这个领域与世界互动足够久之后形成的嗅觉。 所以新时代下工程师的意义在哪里呢？在你能不能在和 AI 的日常交互中，积累出那种"知道哪里不对"的感觉。这东西没有捷径，只有在场才会有。哪怕你是一个很渺小的人，哪怕你只是在自己的岗位上默默 coding，你和 AI 的每一次碰撞都在帮你逼近那个质变的点。 但前提是你还在。这个狭义软件工程技术的方向到底在哪里是需要我们工程师去探索，自己去寻找的。prompt、single agent、agent workflow、multi agents、agentic、context、harness 这些层出不穷的名词实际上都是我们在新世界上探索留下的脚印，未来说不定会是一个很渺小，在自己的岗位上默默 coding 的人，发现了和新世界交互的终局呢？我们每个人都有可能成为 AI 时代的哥伦布。而这个过程只有你不断和 AI 交互我们才能越来越清楚的。如果我们放弃了离开了这条线，就再也没有机会去发现了。甚至如果千千万万的工程师停滞自己放弃自己，那人类 AI Coding 质变的道路只会越来越长，大家在迷茫中探索的过程会越来越长。 02-工程师的方向 但我想说的不只是“软件工程师的方向”，而是“工程师的方向”。coding 正在变成像电力一样的东西。 电力刚出现的时候，"电力工程师"是最前沿的职业。后来电力变成了世界运行的底层基建，电力工程师这个头衔就不再性感了。但电力驱动出来的一千个新行业都依赖于电力的运作。而 AI coding 也是一样。它正在从一个专业技能，变成做任何事情的通用基础设施。 这意味着什么？意味着工程师能做的事变大了，不是变小了。 以前你只能在软件行业里写代码。现在你可以带着 AI coding 能力走进医疗、生物、材料、教育、法律——任何一个领域，用这个通用工具去解那个领域里从来没人用工程思维碰过的问题。事实上全球的工程师岗位机会是变多了的，因为每个行业都在发现：我需要一个"电力工程师"来搭建通往新世界的基座，每个流程都可以用 AI 重新做一遍。 回头看我们那个离职想去医学、生物学领域的同事，我现在不确定他是离开了牌桌，还是去了一张更大的牌桌。他带着优秀的工程能力和对 AI 的理解，走进了一个全新的疆域。也许他会在那里找到我们在软件行业里找不到的质变点。 所以"迷茫"这个感受是真的，但迷茫的根源可能不是"我没用了"，是我们还在用旧的尺度衡量自己——我写代码能不能比 AI 快？我的 review 还有没有价值？这些问题本身就问错了。该问的是：我能用这个工具去做什么以前做不了的事？ 我们不仅仅可以留在软件工程的牌桌上，而且还可以带着这个能力去更大的战场。AI coding 把工程师从"只能在软件行业写代码"这件事里释放出来了。我们面前的路不是更窄了，而是前所未有地宽。 03-新评估标准终将会到来 还有一层痛苦来自于：我们大部分人都是从高考走过来的，已经适应了在一个确定的评价体系下评估自己、评估别人。现在旧的考评标准失效了，新的还没出现。没有人告诉我们什么是对的了。你不知道自己做得好不好，不知道该往哪使劲，这种不可被评估的失重感比具体的技术挑战更让人难受。 这个新标准会从哪来？从我们自己的实践中来。企业在量变过程中跑出的现象、踩出的坑、发现的模式，最终会被提炼成新的分类和评估框架。但这件事的前提是有足够多的人还在跑、还在踩、还在发现。到那时候每个人都会更清楚自己该往哪走、该做什么。 我们所有工程师实际上是在一起探索 AI 时代下人类应该怎么和 AI 交互。这件事的战场不只在软件行业里，它在每一个领域。我们的迷茫一定是真的，但我们实际拥有的筹码比我们想象的值钱得多。 这篇文章送给 AI 时代下迷茫的所有工程师。执行壁垒归零并不是末日，电力出现的时候也没有人知道它会照亮整个世界。 祝福我们工程师能够找到那个质变的点是什么，也祝福我们那个想去 AI For Science 领域的同事！也许我们会在完全不同的地方，同时找到那个质变的点。到时候再碰一杯，说一声：很久不见！

💡 好久没分享 AI Coding 的全局 Prompt 了，最近它演变成了这样，欢迎大家一起交流迭代！👇 如无必要，勿增实体。中文回复，言简意赅，巧用Emoji，按需使用 Plan Mode。 若提交Git，要写 Log 包含：问题描述 或 复现路径 或 修复思路。 减少无必要的 Xcode Build，节省时间。

自学 Vibe Coding 看这三个开源项目就够，不用买课 很多 AI Coding 课程的素材都从这里来，原始版本反而更系统 1. Easy-Vibe DataWhale 出品的系统教程，5k stars。分三阶段：从 AI 编程小游戏入门，到产品创意 + Web 原型，再到桌面应用和多 Agent 协作。零基础友好，中文为主 2. vibe-coding-cn 原 EnzeD/vibe-coding 的中文翻译版，11k stars。三块内容：Prompt 提示词、Skill 技能库、Workflow 工作流。强调规划先行、模块拆分、接口在前，把 vibe coding 从随性即兴变成可重复工程 3. awesome-vibe-coding 最全的 Vibe Coding 资源 awesome list，4k stars。覆盖浏览器工具、IDE、移动端 App、插件、CLI 工具。所有主流 vibe coding 工具的总目录 先把这三个读完，你对AI Coding 会有一个全新的认知

Matt Pocock @mattpocockuk 做了一个很好的 AI Coding 词典项目： Matt Pocock 是 TypeScript 圈里很有影响力的开发者，也是 Total TypeScript 的创作者。 这个项目系统整理了 AI Coding 里最常见的一批概念： Context Window MCP Tool Call Hallucination Attention Degradation Handoff Agent Vibe Coding 很多平时被反复提到、但很少有人真正讲清楚的词，里面都用非常直白的语言解释了一遍。 尤其适合在用 Claude Code、Codex 或各种Agent 工具的人。