共 3 篇文章
AI编程大模型Agent规范研发效能AI Coding
个人提效，攒不成组织提效：货拉拉 AI Coding 落地实践
货拉拉技术中心在 1000+ 工程师、10+ 技术栈的规模下推进 AI Coding 一年，核心结论是个人提效攒不成组织提效。文章按三阶段复盘：先用统一工具配置和规范把 80% 人的下限抬起来，再以 SKILL.md/AGENTS.md 这类 spec 驱动 AI 按规范写，最终走向 AI Native 全生命周期闭环。它给出可落地的度量体系（采纳率、首次正确率、spec 命中率）和三个踩坑（工具边界、上下文该减不该加、对抗性审查），并提出 L1-L3 的人机分工与交付稳定性、决策权划分两条硬约束。适合正把 AI 编程从个人玩具推成组织能力的技术负责人。
2026-09-1710222
AI编程AI编程工程化研发效能AI Coding
我对 AI Coding 的一点思考：从 Spec 驱动转向环境与验证驱动
本文指出AI在代码生成基准测试上已趋近被解决，但研发整体效率未同步提升，瓶颈转移到编码之外的环境与验证环节。作者以电气化革命从电力轴传动到单元驱动的转变类比，批判将AI简单嵌入Spec驱动固定工作流会限制自主学习且收益线性递减，主张转向环境与验证驱动：把构建、部署、测试、监控等研发系统改造成AI可调用的工具和环境，让AI自主获取反馈，形成乘法效应。
2026-09-094000
AI编程AI编程HarnessAgent工程化研发效能
两万字长文｜手把手带你趟过 AI Coding 深水区：编码让位，人退到哪里
两万字长文，作者基于用AI全权交付平台（7个服务、16万行生产代码、无一行人写）的实践，提出尺子：机器提供事实，人做判断。指出AI交付功能强于交付让失败可见的纪律；提示词边际收益会耗尽，约束应沉进框架（声明式mock、trace超时分析）；编排的尽头是Runtime，判据必须可执行才可信。主张人退到决策点，把判据变成每天在跑的大环套小环流程。
2026-09-094000