暂无搜索历史
RepoZero 这篇论文,是一位参与相关工作的同学推荐给我的。他提到,这个工作和 ProgramBench 有明显的对照关系。这个提醒很有价值,因为它让“AI...
从代码补全,到对话式生成,再到 Coding Agent,AI 已经不只是帮工程师补几行代码,而是开始参与需求理解、代码修改、问题定位、测试生成,甚至尝试完成一...
过去我们谈 AI Coding,很容易把注意力放在模型上。哪个模型更会写代码,哪个模型更适合改工程,哪个模型在某个 Benchmark 上更强,这些当然都重要。...
如果 AI 已经能写 Native,企业还需要跨端框架吗?更进一步说,企业未来还要不要继续维护 RN、Flutter、小程序、Hybrid 这些跨端体系?还是应...
在上一篇关于 AI Native 研发链路的文章里《别急着谈 AI Native 组织,先让关键链路形成闭环》,我讨论的是一个更偏工程侧的问题:当 AI 不再只...
最近几个 Agent 产品的更新,给我的感觉很明显:它们越来越不像是在单纯比谁更会写代码,而是在把 Agent 工作时的“中间过程”一层层拉到前台。
当我们说一家公司是 AI Native,到底是在说它用了更多 AI 工具,还是说它的运行方式已经被 AI 重新组织了?
Anthropic 在讲 Claude Code 如何重构研发流程; OpenAI 在讲 Agent 如何接管软件工程; 各种“90%+ 出码率”“端到端自动化...
需求边界有没有理解对? 页面路径是不是真的可用? 设计稿有没有还原? 有没有破坏已有逻辑? 这些结果到底能不能算作一次可交付?
GPT-5.5、DeepSeek V4、Codex、Cursor SDK、GitHub Copilot、Google Agents CLI 等,都在继续把模型能...
很多团队在落地 AI Coding 时,会先从 Code Review、Diff 解读、风险检查开始。
顺着这个问题继续往下走,另一个问题就会出现: 什么样的诉求,已经可以不再由人手动走完整研发链路,而是交给数字员工去承接?
过去很多团队里,其实默认存在着一条很稳定的链路:业务提出诉求,产品整理成需求,设计给出方案,研发接手实现。
前两篇文章里,我们分别回答了两个问题:端到端自动化到底验证了什么《出码率到 90% 之后,我们真正验证了什么?端到端自动化的第一次真实落地》,以及 90% 出码...
暂未填写公司和职称
暂未填写技能专长
暂未填写学校和专业