Coding Agent 会让人产生大量的错觉，做出个东西觉得是个绝世好产品，发出来之后发现，除了自己基本没人用。这样的东西会大量产生。 然后，真正的好产品就会出现了

Coding Agent 的最佳组合是： - Codex 规划方案（算法、架构、逻辑、Debug） - Claude Code 执行 每次 Codex 给出的方案，Claude 都赞不绝口，疯狂点赞。 每次 Claude 给出的方案，Codex 都认为太 naive / 不优雅。

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。

Agentic Coding 是陷阱。它在悄悄积累两种债务。   认知债务： 你让 AI 写了一段代码，跑通了，合并了。 但你不知道它为什么这么写，也不知道它的边界在哪里。 下次出问题，你不知道从哪里找。 这段代码变成了你代码库里的黑盒。 技能萎缩： 你三个月没有从零写过一个完整的模块。 你开始依赖 AI 来做你以前能独立做的判断。 你的 debug 能力在退化，你的架构直觉在钝化。   这两种债务都是慢慢积累的，等你意识到的时候已经很难还清。   怎么对抗：   保持"理解再合并"的习惯，不理解的代码不合并 定期做不用 AI 的练习，保持肌肉记忆 AI 负责生成，你负责判断——不要把判断也外包出去   Agentic Coding 能让你快10倍，也能让你在某个关键时刻完全失控。

vibe coding 了一个小时情报，用一段时间了。 每小时推一次，包含：价格异动，x和telegram的信息。 如果某个主题不断重复，在主线状态这个栏目，你会看到状态“延续”。 tel频道：

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。

各种coding plan都在涨价，不能推出token变贵了这个逻辑。对比 gemma4 31b和 gpt-5.0 两者智能水平接近，coding甚至gemma4更好。而gpt-5是10个月之前的sota。如今gemma4是免费且开放权重的，以10个月前标准看，token价格降低了不止90%。但是新一代模型更大了，也就更贵了。