共 4 篇文章
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。
去哪儿网：AI Coding驱动大型核心系统重构实践
Qunar 技术沙龙（张培、薛锦泽）分享去哪儿如何用 AI Coding 驱动一次 15 万行高并发核心系统重构。难点是系统级不确定性：主流程强依赖、链路复杂、风险高。方法论上先把不确定性变成工程约束——用 Harness+Loop 四阶段闭环、里程碑加 Task 文件约束输入并沉淀验证证据、项目总览自动化执行、发布级质量控制。结果：总工时 100PD→30PD、核心链路 P50/P90 耗时约降 70%、资源成本省 45%、无 QA 介入顺利上线无故障。核心结论：AI 负责高频执行、人负责关键判断，最终沉淀的是团队的工程能力而非代码本身。
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。
从“让 Agent 写代码”到“指挥一群 Agent 交付”：TRAE 新版和我的五个做法
宝玉AI 测评全新 TRAE 并总结个人顺应趋势的五个做法：先搭熟悉、易验证的环境（文档地图/自动化测试/原型）；多 Agent 并行把自己当管理者（定义任务/交代验证/Git worktree）；不同活交给不同模型（聪明设计、中低档执行、聪明验收）；不从头造轮子（模板库/开源项目/文档地址）；重复的事交给自动任务、Skill、连接器和 computer use。