AI

AI 写的代码，为什么总像“差不多对”？我用 opencode 把 commit 前审查做成三道门 我用opencode做代码审查，注重agents.md的质量，聚焦多轮核心BUG输出质量，减少MR被驳回的风险 审查阶段不要使用可写 agent。 可写 agent 看到问题后很容易顺手修复，修复后的代码又变成新的审查对象。我要的是报告，不是未经确认的工作树变化。 AGENTS.md 不是越长越好。 我见过把抽象价值观、编码风格和所有历史事故都塞进去的规则文件，最后 AI 什么都读到了一点，却没有一条真正执行到位。规则应当短、具体、可验证。 不要只统计 AI 提了多少条意见。 我更看重高价值意见的比例、误报率、漏报案例和处理耗时。意见越多不等于审查越好。 我最近在 Go 项目里遇到过一个很典型的例子：我让 AI 把一个用 sync.Mutex 保护的缓存改成 sync.RWMutex，因为读请求远多于写请求。代码能编译，go test -race 也通过了，我正准备提交时又看了一遍 diff，才发现 AI 在 RLock() 之后没有为所有提前返回的分支补上 RUnlock()。原代码用 defer Unlock() 做了一次兜底，锁的种类变了，兜底结构却没有一起变。 这个问题不是函数体“完全写错”，而是局部正确、整体破坏。测试没有触发那个错误分支，竞态检测自然也抓不到。类似的情况我见过很多：错误被 _ 接住、context 半路丢失、goroutine 没有退出条件、异常路径没有补齐、依赖被悄悄换成团队没人维护的库。AI 生成代码的速度越快，diff 的影响半径就越容易被低估。 我现在把 commit 前的审查拆成三道门：机器门负责确定性检查，AI 自审负责挑出候选风险，人工 review 负责业务判断和最终签字。这篇文章记录我在 Go 项目里实践这套流程的方式，也会说明 opencode 适合放在哪一层、哪些事情仍然不能交给它。 蓝色 表示工具或事实，绿色 表示我的实践判断，红色 表示容易踩的坑，黄色 表示可以直接改写到自己项目里的模板。 一、先把 commit 当成一次小型发布 以前我把 git commit 当作保存进度，后来几次线上问题让我改了看法：commit 是把一组行为变化交给团队和环境的发布动作。即使还没有上线，它也已经影响了后续 review、合并、回滚和事故追踪。 ...

AI 生成代码该怎么审：一套可以直接使用的实操框架 我的核心要求：减少 BUG，减轻 Review 压力，避免生产环境出现不可逆的风险。不要怕对同一个任务开多个agent，重要的是让不同关注点能充分执行，人工做最后的审核兜底； 一、AI 写得越快，审查越不能只看“像不像对的” AI 一分钟可以生成几百行代码，几小时就能跑完一轮 PR 流程。真正决定质量的，已经不只是 AI 写得快不快，而是我们能不能在代码生成之后，用合适的方法把它审干净。我自己每天让 AI 生成大约一半的代码改动，但最后原样合进主干的，大概只有三成。剩下的代码往往不是“完全写错”，而是“看起来很像对”：错误被 _ 接住，权限校验在调用链里悄悄漏掉，并发场景只覆盖了 happy path，或者引入了一套团队没人熟悉的依赖。这些问题可能过得了 lint、单元测试和评审，却会在生产环境里变成真正的事故。 所以，我现在不把 AI 当成“替我批准代码的人”，而是把它放在风险筛查器的位置：先帮我快速找出值得追问的地方，再由作者、人工 Reviewer 和领域负责人作最终判断。这个定位也和公开实践比较一致：OWASP 把人工代码审查定义为对自动化安全测试的补充，重点放在业务逻辑、复杂安全实现和具体上下文上；Google 的评审指南则强调，测试本身也需要人来判断是否真的有效。可参考 OWASP Secure Code Review Cheat Sheet 和 Google 的代码评审实践。 二、先把审查输入准备好，AI 才不会对着空气猜 我以前最容易犯的错，是把一段代码直接丢给 AI，然后补一句“帮我仔细审查”。现在我会先准备一张很短的“审查输入卡”，至少包含下面五项： 目标：这次改动要解决什么问题？不解决什么问题？ 不变量：哪些已有行为、权限边界、接口兼容性和数据约束绝对不能被破坏？ 范围：本次 PR 改了哪些文件、调用链和配置？哪些内容只是必要上下文？ 验证：新增或修改了哪些测试？正常路径、异常路径和回滚路径分别是什么？ 风险：是否涉及登录、权限、支付、个人信息、文件上传、数据库迁移、加密或外部依赖？ 日常 PR 我会让 AI 以 diff 为主，只补充相关接口、数据结构、配置和测试。OWASP 也把 diff-based review 作为 Pull Request 和日常开发的适用方式；新系统、重大版本、遗留系统接管或事故复盘，才更适合做全量的 baseline review。另一个有效做法是控制 PR 的大小：Google 建议一个变更尽量只做一件自洽的事，相关测试跟着代码一起提交，大型重构与功能修改分开。这样做的收益很直接：AI 看得少而准，人也更容易发现真正的行为变化。 ...

减少 AI 返工，我现在一般这么做 原文：Review AI-generated code 与 AI 代码审查实践的综合解读 作者：我（结合个人 AI 编程实践整理） 来源：GitHub、Uber、Cloudflare、Trellis 等公开资料，整理于 2026 年 08 月 26 日 AI 写代码越来越快，但返工并没有因此自动消失。我现在更关心的，不是 AI 一次写了多少，而是错误能不能更早暴露、修改能不能更小、人工判断能不能用在真正重要的地方。 这篇文章记录的，就是我目前用来减少 AI 代码返工的一条实践路径。 一、我以前把 AI 当成“写得更快的人”，后来发现它更像“放大器” 刚开始用 AI 写代码时，我最在意的是它能不能一次生成几百行、能不能把一个需求快速改完。后来真正经历了几轮线上问题、PR 返工和反复讨论，我才意识到：AI 放大的不只是产出速度，也会放大需求里的空白、上下文里的误导和开发者自己的错误判断。代码生成得越快，如果没有同步增加验证能力，Review 只是被动接收更多半成品。 我最近看了一些开发者分享和团队实践，大家的结论其实很接近：不要把“AI 写了多少代码”当成成功指标，而要看它是否减少了无效沟通，是否能在进入人工 Review 前被自动检查，是否让 reviewer 更快理解真正的风险。GitHub 的官方建议也很直接：先检查功能、上下文和意图，再看代码质量、依赖和安全；最终合并责任仍在开发者身上。我现在给自己的目标因此换了一个说法：不是保证 AI 一次写对，而是让错误尽可能早暴露，让每一轮修改尽可能小，让机器能判断的事情不要消耗人工判断，让必须由人判断的事情明确标出来。 二、写之前先做上下文盘点：不要让 AI “自己理解整个仓库” 我遇到过最浪费时间的一类任务，是直接对 Agent 说“先理解一下这个仓库，再实现功能”。小项目这样做问题不大，仓库一大，Agent 往往会先花很多时间猜目录结构，读到相似但已经废弃的实现，最后在错误的上下文上给出一份看起来很合理的方案。社区里有开发者把自己的流程总结成：先画仓库地图，再找相关文件，检查上下文是否足够，最后检查回答是否确实基于这些文件。我照着这个思路调整后，最大的变化不是回答更长，而是少了“改错文件”和“参考旧逻辑”的返工。 我现在会把任务拆成四步： 先定位：让 AI 只列出与任务直接相关的目录、入口、调用方、测试和配置，不要马上改代码。 再确认：让它说明每个文件为什么相关，哪些文件只是相似样例，哪些内容可能已经过期。 再补上下文：补充接口契约、数据库结构、历史 PR、业务规则和失败案例；如果这些信息没有提供，就明确标成未知。 最后锁范围：规定允许修改的文件和不允许顺手做的重构，要求它在动手前复述范围。 我会先使用这样的提示： 先不要写代码。请完成以下任务： 1. 列出本任务涉及的入口、调用链、数据结构、测试和配置； 2. 区分“已从仓库确认的事实”和“你的推测”； 3. 指出还缺少哪些上下文，以及缺失它们会影响什么判断； 4. 给出最小改动计划，列出准备修改和明确不修改的文件； 5. 等我确认计划后再实现。 这里有一个容易被忽略的细节：我不会把所有文档一股脑塞给 AI。上下文太多同样会稀释重点，我更倾向于使用“渐进披露”：先给仓库地图和任务相关文件，遇到具体问题再补充协议、ADR、历史 PR 或业务文档。AI 必须回答“我实际参考了哪些文件”，而不是笼统地说“我已经理解整个项目”。上下文的关键不是多，而是相关、最新、可核对。 如果它引用了过期文档，我会先停下来校正上下文，而不是继续修补错误答案。 ...

AI 编程时代，我愿意用 Go 做后端 AI 编程工具越来越会写代码，但真正把一个 AI 应用跑到线上，难点从来不只是"能不能生成一个接口"。请求超时怎么处理，模型服务失败后怎么重试，流式响应如何关闭，服务占多少内存，镜像怎样发布，出了问题能不能快速回滚，这些才是后端每天要面对的事情。 我越来越愿意把 Go 放在 AI 应用的后端位置：让 AI 负责加快实现，让 Go 负责把边界、资源和部署约束固定下来。这里说的不是把模型训练和推理强行改写成 Go，而是模型外围的 API、网关、任务和编排服务。蓝色文字表示语言和工程特性，绿色文字表示我的实践判断，红色文字表示容易被忽略的风险，黄色底色表示可以直接采用的做法。 一、Go 不会让 AI 更聪明，但会让错误更快暴露 我用 AI 写后端时，最常见的情况不是代码完全不能运行，而是它给出了一条顺利路径，却把失败路径一笔带过。比如调用大模型时，AI 很容易生成下面这种代码： func AskModel(prompt string) string { resp, _ := http.Get("http://model:8080/v1/chat") body, _ := io.ReadAll(resp.Body) return string(body) } 这段代码的问题很多：忽略了网络错误，没有关闭响应体，没有设置超时，也没有检查状态码。它可能在本地演示中返回结果，但一旦模型服务变慢，连接就可能长期占用；一旦服务返回 500，调用方拿到的可能仍然是一段错误页面。 Go 的显式语法会把这些问题推到台面上。error 必须被接收，类型转换必须写明，defer、context 和 goroutine 的生命周期也不会凭空消失。 这对 AI 生成代码形成了一种很有价值的约束：编译器先拦住低级问题，人再检查业务决策。 例如，我会要求模型先生成一个"责任完整的版本"： var ErrModelUnavailable = errors.New("model service unavailable") func AskModel(ctx context.Context, client *http.Client, endpoint string, prompt string) ([]byte, error) { payload, err := json.Marshal(map[string]string{"prompt": prompt}) if err != nil { return nil, fmt.Errorf("encode model request: %w", err) } req, err := http.NewRequestWithContext(ctx, http.MethodPost, endpoint, bytes.NewReader(payload)) if err != nil { return nil, fmt.Errorf("create model request: %w", err) } req.Header.Set("Content-Type", "application/json") resp, err := client.Do(req) if err != nil { return nil, fmt.Errorf("call model: %w", err) } defer resp.Body.Close() if resp.StatusCode < http.StatusOK || resp.StatusCode >= http.StatusMultipleChoices { return nil, fmt.Errorf("model returned status %d: %w", resp.StatusCode, ErrModelUnavailable) } body, err := io.ReadAll(io.LimitReader(resp.Body, 4<<20)) if err != nil { return nil, fmt.Errorf("read model response: %w", err) } return body, nil } 这里不是说 Go 写起来没有重复代码，而是每个关键动作都落到具体的代码位置：编码、请求、响应、释放、超时、错误，全都看得见也改得动。 ...

学习和理解 OpenAI的Responses：模型调用过程的原子事务？ Responses 的核心价值，不是把接口名称从 Chat Completions 换成了 responses，而是把模型调用从“返回一段文本”升级成了可组合、可追踪、可继续执行的结构化结果。一次调用可以同时产出最终消息、函数调用、内置工具调用和受控的推理摘要；应用不必再把所有信息塞进一段字符串里猜测和解析，而是可以按 item 类型决定下一步动作。 这个变化真正解决的是 Agent 工程里的三个问题：模型做了什么更容易追踪，工具调用怎么接续更清楚，失败后从哪里恢复更具体。最近和同事讨论 OpenAI 的 Responses API，我发现最容易混淆的不是请求怎么发，而是“一次 Response 到底装了什么”。我现在更愿意把它理解成：一次有结构的模型调用记录。它可以成为调试、审计和多轮协作的共同载体，但它不是数据库里的 ACID 事务，也不是默认把完整思维链交给用户。“原子事务”只是一种帮助理解的比喻：工程上真正要记录的是调用 ID、item 类型、工具结果、失败状态和业务幂等关系 ┌─────────────────────────────────────────────────────────┐ │ Responses 协议心智图 │ ├─────────────────────────────────────────────────────────┤ │ │ │ 你发起 ──→ 一次 Response（原子事务） │ │ │ │ │ ├── input （输入） │ │ ├── instructions （系统级设定） │ │ ├── tools （可选能力清单） │ │ │ ├── 内置工具 （web/file/code/MCP）│ │ │ └── 自定义函数 │ │ ├── previous_response_id （状态游标） │ │ └── stream / background （执行模式） │ │ │ │ 服务端返回 ──→ 一个 Response 对象 │ │ │ │ │ └── output[] （异构工件清单） │ │ ├── reasoning （思维证据） │ │ ├── tool_call （动作证据） │ │ │ ├── 入参 │ │ │ └── 结果 │ │ └── message （交付物） │ │ │ └─────────────────────────────────────────────────────────┘ ...

AI 一口气生成几百行代码，我们该怎么高效且正确地处理代码审核 一、当 AI 能在一分钟里吐出一两百行代码时，真正的难点早已不是“写不出来”，而是“接得住、查得动、改得回、负责得起”。我自己一天常常让 AI 写十几轮，单次 50–300 行很常见，一周下来累计几千行并不夸张。这里面能直接合进主干的大概只有一半，剩下要么是风格不一致、要么是越权操作、要么是没覆盖到我期望的边界，真正被我留下来再加工的常常只有三分之一。速度确实上去了，但读、改、回滚这些事没有便宜半分。我需要同时做目标设计者、规则制定者和成果验收者：先把问题、边界和验收条件讲清楚，再让 AI 在明确的范围里多试几种写法、多跑几轮检查，最后由我看差异、看风险、看回滚路径，再决定是否合并。这一顺序不能反过来——如果我自己都不知道“完成”长什么样，再快的生成也只是把模糊需求放大成更难检查的代码。带着这个结论再读这个题目，会更容易看清它真正在问什么：不是“AI 写得太快怎么办”，而是“当写的成本被工具压平以后，程序员到底该把时间花在哪几个动作上，才能既不返工，也不背锅”。 二、过去半年我最大的感受是，AI 把“写一段代码”的价格压下去了，但“看懂一段代码”的价格几乎没变。一个函数能不能写出来，今天大多数时候已经不构成瓶颈；真正占用时间的，是它处在什么上下文、用了哪些约定、隐含了哪些假设、会不会影响别的模块。一个项目里如果突然多出几百行 AI 代码，常见问题不是“明显错误”，而是“看起来很像正确答案”。我整理了几类实际反复遇到的偏差：在 Go 项目里写出 Python 风格的命名（snake_case 夹杂驼峰、把 换成 ），在 React 项目里调用一年前版本的 清理写法，在 iOS 项目里把 写成一串 嵌套，在 SQL 里写出 ORM 不能识别的方言。这些都不算 Bug，跑得起来，过得了 lint，但放进项目里就是和团队既有代码打架。错误处理走的是另一套约定、用了项目里没人熟悉的依赖、或者把一份本该抽出来的逻辑写成了复制粘贴，也都同源。这并不是 AI 不努力，而是它默认按“训练里最常见的写法”回答，而不是按“这一个项目里最合理的写法”回答。读代码一旦要一边猜意图、一边查背景、一边补差异，效率马上塌掉。所以处理 AI 批量生成代码的第一个动作，不是立刻评审，而是先把这些代码放到一个能被人快速消化的上下文里：让它先和现有约定对齐，再让它进入人的视线。我自己的小习惯是：先跑一遍项目的 formatter / import-sort / gofmt-prettier / eslint --fix，把肉眼可见的风格差异抹掉，再开始看逻辑。看起来是小事，能省下 review 时一半的争论。 三、把 AI 当成“一小时能写完一周活”的同事是不够的，更准确的定位是：它负责在明确边界内把重复部分做出来，人负责在模糊地带做判断。越模糊的需求，越不该直接交给 AI；越清晰的接口，越适合让 AI 多试几种实现。具体到我自己：在把任务交给 AI 之前，我会先填一份简短的“任务说明模板”，哪怕只是几行清单： 目标：这次改动要解决什么，用一两句话讲清楚； 不能破坏的行为：列出已有的功能、API 兼容点、对外契约； 验收条件：包括成功路径、失败路径、边界输入、需要的日志或埋点； 范围：哪些文件/模块允许改动，哪些只能引用不能改； 测试：要求覆盖的关键 case（哪怕只是几条自然语言描述）； 依赖：允许引入哪些新包，是否需要更新 lockfile、是否要走安全 review。 这份清单写在 issue、PR 描述、或者本地 prompt 模板里都行。我自己最常用的是把它贴在每次开新对话的第一段，让 AI 在生成前自己复述一遍——如果 AI 的复述和我理解的不一致，我先纠正它，再让它写代码。这一步看起来比直接生成慢一点，但它避免了我最怕的那种返工：代码已经写得很长，最后才发现我根本没想清楚要的是什么。一旦让 AI 开始写，我会刻意要“两三种实现思路”，而不是一个最终答案：每种思路分别有什么取舍、依赖、风险点，分别适合什么场景。AI 在这里负责的是“扩宽选择范围”，我负责的是“决定走哪条”。判断做完之后，AI 仍然很有用：写样板、补测试、翻译接口、改一处风格、批量重命名——这些是它擅长、我也乐意外包的部分。把“想清楚”和“写出来”分成两步，比把“想”也外包出去重要得多。 ...

AI 时代，程序员该怎么理解“富在术数，不在劳身；利在势居” 富在术数，不在劳身；利在势居，不在力耕也。 一、先说我的结论：在 AI 时代，正确使用 AI 不是把思考和责任交给它，而是让它处理重复、检索、整理和初稿，把问题定义、边界判断、结果验证和最后负责留在自己手里。我需要同时做目标设计者和成果验收者：先想清楚要解决什么，再让 AI 多想几种办法、多试几次，最后由我判断结果是否合格。这个顺序不能反过来：如果我连问题是什么、什么结果算完成都没有想清楚，就算 AI 很快生成了一大段代码，也只是把模糊变成了更难检查的复杂。带着这个结论再读这句话，会更容易看清它的意思。这句话出自西汉桓宽整理的《盐铁论·通有》，不是《韩非子》。原文讨论燕地的涿、蓟，赵地的邯郸等名都为什么富裕。它们不一定拥有最肥沃的土地，却处在交通要冲，货物、商人和消息从那里经过，远方的资源可以在那里交换。这里的“术数”不是一个人凭空想出的小聪明，而是经营、组织和交换的方法；“势居”也不是今天常说的追风口，首先是你处在什么位置，是否连接着货物、需求和交易。这个背景很重要，因为《盐铁论》并没有单纯赞美商业。贤良文学马上反驳：商业繁盛可能带来奢侈、逐利和农业荒废；后面的争论又回到盐铁、均输、平准，讨论国家要不要介入资源和交易。也就是说，这句话真正提醒我们的不是“不要劳动”，而是：财富不会按照体力和工时一比一地分配，分工、流通和位置同样会决定劳动能产生多大结果。我以前读到这句话时，很容易把它理解成“方法比努力重要”；现在我更愿意把问题再往前推一步：一个人的劳动，怎样才能不只完成一次任务，而是进入一套更大的协作关系，留下以后还能使用的东西。 二、放到程序员身上，“劳身”不只是敲键盘，也包括那些只能随着工时增加、任务结束就归零的工作：接一个需求、写一组接口、改一个页面、处理一次线上故障、给别人解释一次项目结构。这些工作当然有价值，没有它们系统不会运行，用户的问题也不会解决；但如果我的收入和影响力永远只取决于“今天完成了几个任务”，就会遇到一个很现实的上限：一天只有这么多时间，注意力也会疲劳。我自己处理重复问题时经常掉进这个循环：某个接口出错，我查日志、改代码、补测试，问题解决；过几周同类问题再次出现，我又从头查一遍。每次都很忙，但忙完没有留下什么，下一次仍然要拿当天的时间重新换结果。AI 把这个问题放大了。生成样板代码、补充测试、解释报错、转换接口格式，这些工作正在变快，也正在变便宜。如果我只把优势建立在“比别人多写一点普通代码”上，这部分优势很容易被工具追平。AI 首先压低的是“写出一段代码”的价格，不是“让一个系统可靠运行”的价格。后者还包括判断问题值不值得做、把模糊需求说清楚、处理旧系统的限制、验证生成结果、控制权限和成本，以及出了问题之后能够定位、回滚并负责。代码越容易生成，程序员越不能只证明“我能写出来”，而要证明“我知道为什么这样写、怎样确认它没有伤害原来的系统”。 三、我现在理解的“术数”，不是几个提示词，而是把一次解决问题的经验变成下一次可以重复使用的办法。比如我让 AI 修改一个功能时，不再只说“帮我改好”，而是先写清楚目标、不能改变的行为和验收条件，再让它给出两三种实现思路，说明各自的风险。我会多用 AI 去 try：试不同的拆分方式，试几组边界输入，试着找出自己方案里的漏洞；但这些尝试只是帮我扩大选择范围，最后仍由我判断哪种方案值得做，运行测试、查看差异、检查权限和回滚路径，再决定是否验收。这个流程看起来比直接生成代码慢一点，但它减少了我最怕的那种返工：代码已经写了很多，最后才发现需求根本没有定义清楚。类似地，一个故障处理完以后，我可以只说“已经修好了”，也可以留下排查路径：先看哪类日志，哪些指标能排除某种原因，什么情况需要回滚，修复后补哪一条测试。下一次遇到同类故障，这份记录就不只是文档，还能成为人和 AI 都能照着执行的步骤。再往前一步，我会把重复的接口规范、错误处理、权限检查和测试方式整理成模板或自动检查，让团队其他人也能用。第一次做这些整理确实会增加时间，但第二次、第三次开始，我不必重新解释、重新试错、重新检查。这才是我理解的“术数”：不是让自己看起来更聪明，而是让一件事情下次更容易做好，并且不再完全依赖某个人临场发挥。AI 最适合参与的，也正是已经想清楚的流程：生成重复部分、收集失败案例、补齐检查项，而不是替我决定问题是什么。 四、“势居”对程序员的意义，是不要永远停在代码生产的末端，而要逐渐靠近问题、数据、使用者和运行结果。我以前也把“势”理解成热点：哪个模型发布了就赶紧试，哪个概念流行了就做一个 Demo。但热点往往只带来注意力，不一定带来位置。一个更实际的判断是：我是否知道用户每天反复遇到什么麻烦？是否看过真实输入和错误案例，而不是只拿几个漂亮样例测试？我写的东西是否进入持续运行的系统，而不是演示页面？上线后出了问题，我是否能看到结果并继续修改？比如临时帮别人总结一份日志，完成一次就结束；如果我长期处理同一类系统的日志，知道哪些错误最常见、哪些指标最有用、哪些修复会影响其他服务，再把这些经验做成团队每天使用的工具，我接触到的就不只是一次任务，还有问题的历史、数据的变化和用户的反馈。真正的“势”不是你站在风口上，而是一个重要问题长期存在时，别人会因为你的经验、工具和判断而经过你。但我也不想把这句话写成“只要努力就能占据有利位置”。一个人能不能接触用户、拿到数据、决定方向，还取决于组织、平台和资源。不是每个程序员都能马上拥有入口；有些人一开始就在交通要道，有些人只能按别人的订单计时。因此更诚实的问法是：我是否比半年前更接近问题源头、更了解运行结果，是否积累了一些可以带走的经验，而不只完成过一串无法复用的任务？如果一个 AI 机会只让我承担更多重复劳动，却不让我接触问题、反馈和决策，那么它可能只是把旧的劳身换了一个更时髦的名字。不能因为“势居”听起来有道理，就把所有结构性的差距都解释成个人不够努力。 五、如果把这句话落到我自己的工作安排里，我不会先问“下一个最热的 AI 工具是什么”，而会先看最近一个月的任务记录：哪些工作出现次数最多，哪些地方最容易出错，哪些问题每次都要重新解释。然后选一个结果容易检查、出错代价不高的任务，先由我写清楚目标和验收条件，再让 AI 多给几种方案、多试几组输入、多模拟几种失败情况；我不把第一次生成的结果当答案，而是把它当一个可以继续追问、修改和推翻的草稿。连续使用几次后，重点记录它在哪些地方误判，以及我自己的目标是否写得不够清楚；最后把稳定下来的步骤整理成脚本、测试、说明或团队工具，并找真正使用它的人确认是否减少了麻烦。这个顺序对我很重要，因为一个只在顺利样例里工作的 AI 流程没有多少价值，真正有用的东西往往来自失败、误判和人工接管。回到原句，我的理解不是“努力没用”，也不是“找到风口就能成功”，而是：如果劳动只完成一次任务，回报容易被时间限制；如果劳动被整理成方法、工具、系统和信任，才有机会被重复使用；如果我只站在代码生产的末端，容易被比较和替代；如果我逐渐靠近真实问题、用户反馈和系统结果，就更可能形成自己的位置。先把基本功练好，再把重复工作交给 AI；先在真实项目里待久一点，再判断自己的位置；先积累能复用的东西，再谈所谓的风口。给读者的启示：1. 多思考目标、边界和验收条件；2. 多尝试，不把 AI 的第一次答案当结论；3. 多用 AI 去 try，让它提供方案、反例和试验；4. 自己做目标设计者和成果验收者；5. 让 AI 放大判断，而不是替代判断，生成越快，越要重视测试、监控、回滚和对结果负责。

Go + Python 混合开发：两种语言的协同，我觉得很舒服 原文：Python 与 Go 混合开发 | 让 Golang 编程更丝滑 作者：原文信息未提供 来源：用户提供原文标题，发布平台及发布日期未详 很多团队并不是在 Go 和 Python 之间二选一，而是在同一个系统里同时使用它们：Python 负责模型、数据和快速试验，Go 负责服务、任务、网络和部署。 这种组合听起来很自然，真正做起来却经常出现另一种结果：两边各自开发都很顺，连在一起就变得不顺。调用延迟、数据转换、错误处理、版本发布和线上排障，很快会把“语言互补”变成“系统加倍复杂”。 原文从开发体验出发讨论 Python 与 Go 的混合使用。本文在这个基础上往前走一步：混合开发的核心不是把两种语言硬塞进一个进程，而是为变化速度不同的模块设计清晰、可观察、可演进的边界。 蓝色文字表示核心判断，绿色文字表示个人开发实践，红色文字表示风险提示，黄色底色表示可以直接执行的建议。 一、先纠正一个误区：混合开发不是“Python 慢、Go 快” 用“Python 负责灵活，Go 负责性能”概括两种语言，虽然容易理解，但不够准确。 Python 的价值不只在于写得快。它连接着成熟的数据处理、科学计算、机器学习和实验工具链。研究人员或业务工程师可以很快把数据读进来，换一个模型，调整参数，观察结果，再决定下一步怎么做。这个阶段最宝贵的是试错速度和生态覆盖面。 Go 的价值也不只是运行速度。它的静态类型、编译器、并发模型、标准库和独立二进制发布方式，更适合承载长期运行的服务和工具。一个网关、任务调度器、文件处理器或消息消费者，往往要面对超时、取消、限流、重试、优雅退出和故障恢复。这些问题的难点不在于写出第一版，而在于运行数月后仍然清楚、稳定、可维护。 所以，合理的分工不是“把慢的代码改成 Go”，而是看模块的主要矛盾是什么： 变化快、需要不断试验、依赖模型和数据生态的部分，优先考虑 Python； 需要长期运行、并发处理、跨平台发布和严格运维的部分，优先考虑 Go； 两者都能完成、但没有明确收益的部分，不要为了“混合”而混合。 语言边界应该服从业务边界。一个稳定的 Python 服务，通常比一个为了追求统一而重写的 Go 服务更有价值；一个需要高并发和强约束的 Go 组件，也不应该因为团队已经熟悉 Python 就继续堆补丁。 二、最常见的协同架构：Python 做变化，Go 做秩序 在 AI、数据和平台型系统中，可以把职责粗略分成四层。 1. Python：模型和数据层 Python 适合放置以下内容： 模型加载、推理和评测； 特征处理、数据清洗和离线任务； 提示词编排、实验脚本和策略验证； 需要频繁调整的业务规则； 对第三方 AI、科学计算或数据工具的适配。 这一层的代码变化频率通常较高。它不一定要承担所有外部流量，也不一定要直接管理复杂的重试和权限体系。 ...

Go 是 AI 辅助软件工程的理想语言：原文解读与深入思考 原文：Why Go is an Ideal Language for AI-Assisted Software Engineering 作者：Cameron Balahan（Go 产品组经理）、Richard Seroter（Google Cloud 首席布道师） 来源：Google Developers Blog 发布日期：2026 年 8 月 11 日 本文分两部分：第一部分忠实解读原文，还原文章的论证结构与核心观点；第二部分跳出原文，从批判性视角深入探讨这篇文章没有说透、值得追问的地方。 第一部分：原文解读 1. 文章的出发点：软件工程正在发生范式转移 文章开篇没有直接讲 Go，而是先描述了一个正在发生的行业变化： 过去，我们亲手写大部分代码；现在，我们让 AI 编程助手和智能体替我们生成大量代码。但 AI 需要监督，所以依然是我们人类来阅读生成出来的代码、清理它、并验证它是否真的做了我们想让它做的事。 这是全文的地基。作者想表达的核心是：代码的"生产"变便宜了，但代码的"治理"并没有变便宜。 紧接着，作者补充了一个容易被忽略的事实：AI 只能看到它被喂进去的那点上下文，看不到整个系统的边界。因此，系统架构、服务边界、生产环境的安全与可靠性，仍然必须由人来定义和负责。 这一段的潜台词是：AI 改变了"写代码"这件事，但没有改变、甚至放大了"软件工程"这件事的难度。 2. 第一个核心判断：瓶颈从"写"转向了"审" 作者回顾了历史：过去，人们衡量一门编程语言的生产力，主要看它"好不好写"。 但当 AI 能在几秒钟内生成几百行语法正确的代码时，人类写代码的速度就不再重要了。真正重要的事情变成了三件： Reviewing——评审； Verifying——验证； Maintaining——维护。 文章用了一个形象的比喻：AI 越来越像你的队友（teammate），一个有点我行我素、但仍然算队友的存在。既然如此，最重要的就不再是"我写得有多快"，而是"我们作为一个团队如何协作"。 这是全文第一个关键转向：衡量语言的坐标系，从"个人写作体验"切换到了"团队协作体验"。 3. 第二个核心判断：Go 是为"软件工程"而生的 作者指出，二十多年前 Rob Pike、Robert Griesemer 和 Ken Thompson 在 Google 创建 Go 时，别的语言都在快速堆砌特性、扩展表达方式，而 Go 选择的却是一个更大的目标： ...

Go 语言在 AI 辅助编程时代被谷歌官方力挺：动态语言与 Go 并非对立，而是互补关系 原文：谷歌官方力挺：为什么 Go 语言是 AI 辅助编程时代的“标准答案”？ 作者：场长 来源：21CTO 公众号，发布于 2026 年 7 月 16 日 过去，程序员最关心的问题是：哪门语言写起来更快？ 进入 AI 辅助编程时代后，这个问题正在变成：哪门语言更容易让 AI 写对，也更容易让人类看懂、验证、部署和维护？ 这不是文字游戏，而是软件生产方式发生变化后的真实转向。AI 可以在几秒钟内生成数百行代码，却无法替人类承担全部架构责任。代码越容易生成，审查、测试、安全和运维的重要性就越高。 谷歌官方力挺 Go，核心并不是说 Python、JavaScript 或 TypeScript 已经过时，而是指出：Go 从诞生之初就偏向大型、长期运行的软件系统。在智能体持续生成代码的今天，这些原本服务于人类团队的设计原则，也恰好成为 AI 协作所需要的“确定性护栏”。 更准确的结论应该是：动态语言负责快速探索和连接生态，Go 负责把经过验证的能力变成稳定运行的服务、工具和基础设施。 一、AI 编程真正改变的，是软件开发循环 很多人提到 AI 编程，首先想到的是代码补全：输入函数名，AI 自动写出函数体；写一段注释，AI 生成一段实现。 这只是最早期、也最简单的用法。 真正的 AI 辅助编程，通常是一个持续循环： 实现 → 构建 → 测试 → 分析失败 → 修改 → 再次构建。 如果是能够自主操作终端和代码仓库的智能体，它还会继续执行：读取日志、搜索依赖、修改多个文件、运行集成测试、启动服务、调用接口，然后根据结果再次修复。 对人类开发者来说，几分钟的编译等待可能只是一次短暂的停顿。对一个需要运行几十轮的智能体来说，每一次等待都会累积成时间、算力和模型调用成本。 这会放大许多过去被忽略的工程摩擦： 构建速度慢：每次修改都要等待更久，智能体的有效迭代次数下降； 依赖关系复杂：环境安装失败后，智能体可能把大量上下文消耗在解决版本冲突上； 错误反馈太晚：问题到运行时才暴露，智能体可能已经在错误基础上写了更多代码； 代码风格不统一：人类和 AI 都要花时间理解不同写法，评审速度自然下降； 部署链路过长：代码虽然生成了，但服务无法稳定启动，任务仍然不能算完成； 生态变化太快：模型根据旧文档生成的代码，可能在今天已经不适用。 过去，这些问题可能每周出现几次。现在，智能体可能在一天内把同一个循环执行数百次。问题没有变，但问题出现的频率变了，成本结构也随之变化。 ...