agent-skills 发布 implement-spec：把 spec 端到端跑成可验证 PR 的 Agent Skill
SteveVitali 发布 agent-skills，一套与 harness 无关的 Agent Skills，旗舰 Skill implement-spec 接收 agent-ready spec 后自主完成分支、计划与测试矩阵、实现、两轮自审、与 spec 的差距分析、补齐、实时验证，最后产出 PR 和验收标准证据报告。
#测试/验证
#测试/验证
今日 0 条Hacker News · Agent SkillsAI 评分7575
Vibe Built · BlogAI 评分7171 AI 代码评审能发现什么、漏掉什么，以及需要什么
作者认为 AI 代码评审适合作为 diff 的快速第一遍检查，能发现空值解引用、边界错误、注入、权限校验缺失、重复事件和缺少迁移等局部问题，但无法判断需求意图、跨系统行为、架构成本和用户影响。
Hacker News · Agent SkillsAI 评分5858 anyaa-labs 发布 agent-architect Skill，用于评估和设计多智能体系统
anyaa-labs 在 GitHub 发布 agent-architect Skill，支持 Claude Code 和 Codex，用于评估和设计多智能体系统。
Hacker News · Agent SkillsAI 评分6767 Bullshit Detector：用 Agent Skills 逐条核查视频与文章
作者发布 Bullshit Detector，一套可移植的 Agent Skills，把 YouTube、TikTok、文章、推文或 PDF 拆成逐条声明，联网核查后给出确认、存疑、误导、错误、无法核实五类判定和 0–10 的 BS 分数，并附来源链接。
Vibe Built · BlogAI 评分6262 如何用 AI 从想法到上线一个应用：分阶段实操与提示词
作者用 Cursor 和 Claude Code 实际发布过多个产品，把 AI 建应用拆成八个阶段，指出智能体擅长搭脚手架、写界面和生成 CRUD，但选技术栈、判断界面是否正确、防止脏数据、真机测试、域名 DNS 密钥和线上排错仍要人来做。
Geoffrey Huntley · BlogAI 评分3434 Geoffrey Huntley 加入 Antithesis，用形式化验证与确定性测试消除代码 slop
Geoffrey Huntley 宣布加入 Antithesis，主张用形式化验证和确定性系统测试应对 AI 时代代码量激增带来的审查危机。他认为软件编写已被商品化，但验证与理解仍非免费，Antithesis 结合 LLM 对抗式代码审查与 pre-commit hook 驱动的语言分析器，可让人类和智能体交付可靠软件而无需掌握专门知识。
Augment Code · Blog精选AI 评分6262 什么是循环工程，领先软件工程团队如何用它
Augment Code 提出循环工程，即设计从触发、执行、验证到完成结果的智能体循环，让智能体承担中间环节、人类只在需要判断的检查点介入。文章把循环工程与提示词工程、上下文工程分层对比，并给出触发、执行、验证、结果、改进五个阶段，以及代码评审、工单转 PR、漏洞修复、事故响应四种已在生产运行的团队级循环。
推荐理由：Augment Code 把循环工程拆成触发、执行、验证、结果、改进五阶段，并给出四种已在生产运行的团队级循环形态。
Johnny Butler · Agentic EngineeringAI 评分4141 AI 编程基准测不出什么：代码可维护性
AI 编程基准只衡量模型能否在限定条件下完成改动，却测不出它留下的代码库是否更难维护——重复逻辑、耦合收紧、多余抽象都不会让当前测试失败，代价在后续扩展或排查线上问题时才显现。作者主张把可维护性放进交付流程：仓库级规范、清晰的架构边界、有意义的测试与静态分析，并审查重复、复杂度、架构漂移和模式不一致。
Habr · Kova13vAI 评分7171 为什么绿色 lint 救不了 Playwright 测试：三层缺陷与十条评审规则
作者指出 eslint-plugin-playwright 的 recommended 配置里 no-wait-for-timeout、no-force-option、expect-expect 等关键规则只是 warning，不设 --max-warnings 0 就不会拦住合并，而 floating promise 等缺陷在没装插件时完全不可见。
Addy Osmani · Blog精选AI 评分7474 Addy Osmani 谈软件工厂：明厂与暗厂，验证才是瓶颈
Addy Osmani 提出软件工厂由 loop、harness、factory 三层构成，工厂不是更聪明的智能体，而是多个带 harness 的 loop 汇入一个评审门禁、由人掌控外层循环。
推荐理由：作者把软件工厂拆成 loop、harness、factory 三层，并指出验证而非生成才是真正的瓶颈。
Johnny Butler · Agentic EngineeringAI 评分3838 AI 智能体的能力是真的，但工程纪律要自己补
当前 AI 智能体演示普遍在无限 token 预算、全新或精选代码库、无合规与运维压力的条件下运行，展示的是能力上限而非真实交付环境。AWS 副总裁 Marc Brooker 指出，智能体的机会受限于缺陷率，开发者调研中已有团队称其 AI 工具预算不可持续。作者建议只给智能体与验证能力和预算相匹配的自主权，用标准、检查项和可追踪的支出逐步放宽。
Vibe Built · BlogAI 评分7171 如何用 AI 构建 SaaS 并真正上线：托管、鉴权与支付的手工部分
作者以自己用 AI 构建并上线的 Apatero 和 Tool Index 两个产品为例，说明 AI 能在一小时内搭出可点击的演示，但真正上线还要处理托管、鉴权和支付。
Johnny Butler · Agentic EngineeringAI 评分6060 Agent 写出的 Pull Request 比人类更好
作者评审了一个 Agent 提交的 Pull Request，认为它又快又好，原因不在模型有多聪明，而在于质量门槛被写进了循环内部。这个 PR 在请求人工介入前就说明了改动了什么、刻意没动什么、该重点审查哪里、遵循了哪些规范，并附上了已运行的验证证据。作者由此提出，给 Agent 一个明确的完成定义和必须自证的标准，它就会为通过标准而优化，速度不是靠降低门槛换来的。
Addy Osmani · BlogAI 评分6262 Addy Osmani：工程师要负责智能体的外循环
Addy Osmani 在 AI Engineer World's Fair 2026 闭幕演讲中提出，智能体负责内循环（调查、实现、验证、重复），工程师要负责外循环，即对系统结果的可问责性。
Hacker News · AI Code Review 讨论AI 评分5858 Jacquard：一门面向 AI 编写、人类审查的编程语言
作者 jbwinters 发布 Jacquard，一门面向 AI 编写、人类审查的编程语言，设计方式是让 AI 分析多种主流及小众语言的 AST 后生成新的结构与语法。
Habr · Kova13v精选AI 评分8080 用证据契约约束 Claude Code 的测试结论：一套 QA Skill 包
一位 QA 工程师把半年在 Claude Code 上做 Web 测试的经验整理成开源 Skill 包 paranoid-qa，核心是一份证据契约：Pass/Fail 只能依据截图、请求体、日志等实际产物，未验证写 Not tested，环境受阻写 Blocked，表单必须检查真实提交 payload。
推荐理由：作者把半年 QA 经验固化成 Claude Code 的测试 Skill 包，并给出可直接复用的证据契约与失败清单。
Johnny Butler · Agentic EngineeringAI 评分4949 绿色通过从来不是你点合并的理由：AI 智能体自动合并 PR 的信任前提
一些团队开始让 AI 智能体在 CI 全绿后自动合并自己提交的 PR，不再有人工介入。但绿色检查之所以能作为合并信号，靠的是检查运行前人类对意图、测试保护范围和系统风险点的判断，CI 只是确认而非替代这一判断。作者认为自动合并只适合低风险、边界清晰且有历史记录的改动，信任需要靠一次次带证据的改动积累，而不是打开一个开关。
AI Hero · Skills Updates精选AI 评分6565 AI Hero skills 仓库发布 v1.1：新增 /wayfinder，重命名 /to-spec 与 /to-tickets
AI Hero 的 skills 仓库发布 v1.1，把 /to-prd 重命名为 /to-spec，将 /to-plan 和 /to-issues 合并为 /to-tickets，并新增 /wayfinder、/research、/prototype 等 Skill。
推荐理由：作者把 grilling 到部署的完整 Skill 流程讲清楚，并给出重命名、合并和新增 /wayfinder 的迁移命令，适合想搭 AI 开发工作流的人参考。
Kondasamy Jayaraman · Engineering BlogAI 评分6262 形式化验证：AI 智能体尚未意识到的证明预言机
作者认为测试只是抽样，形式化验证才能给出证明或反例，而 AI 智能体正好补上了形式化方法最贵的三块：写规格、解析反例、反复迭代。他给出 Z3、Dafny、TLA+、Alloy、Infer、Certora、Lean/Coq 的适用场景与安装方式，并指出验证器 CLI 可以像普通工具调用一样接入智能体循环，但规格写错、抽象层差异和状态空间爆炸仍是主要成本。
ЭтихлидAI 评分4848 从代理网关到本地 Opus：AI 工程面试题深度追问清单
一份面向 AI 工程岗位的面试题追问清单，覆盖代理网关（如 OpenRouter/LiteLLM）、MCP/CLI、从零手写 Agent、多智能体编码流程、自定义 benchmark 以及本地部署约 27B-Q3_K_M.gguf 模型等方向。作者认为，这些题目的通用版本如今谁都能靠 vibe coding 一晚做出来，已失去简历价值，真正稀缺的是把任务打磨到"理想"状态的能力。
Johnny Butler · Agentic EngineeringAI 评分4141 AI 编程智能体指令里的“Write Clean Code”只是愿望，不是可执行指令
针对 AI 编程智能体指令文件中常见的“写整洁代码”“用 TDD”“遵循 SOLID”等表述，作者指出这些说法本身没错，但都不是可自我执行的指令。智能体主要复用代码库中已有的模式，在好坏混杂的真实代码库里，这类指令只是表达愿望。作者主张改为展示好与坏的具体样例，并让智能体证明自己实际遵循了哪些模式、在哪里应用、如何验证结果。
Drew BreunigAI 评分6565 Drew Breunig：问题在于提示词债，手调提示词就无法做到模型无关
Drew Breunig 提出提示词债概念，认为用自然语言手写提示词来定义系统行为会带来三重后果：迭代变慢、团队难以读懂、应用被锁死在单一模型上。他引用 Datadog 报告称其观测到的流量中最常用的模型是 GPT-4o，并举例 Fable 的系统提示词把同一条版权规则重复了六次、Claude Code 让 Opus 七次要求在一次响应中返回多个工具调用。
Hacker News · AI Code Review 讨论AI 评分7171 Greptile 推出会运行代码的 AI 评审器 TREX
Greptile 工程师 Shlok 介绍新代码评审器 TREX（Test, Run, Execute），它在评审 PR 之外真正运行代码，把截图、日志、API trace 和执行脚本作为证据附在每条发现上，发现 bug 就发成 PR 评论。
Jesse Vincent精选AI 评分7878 Superpowers 6 发布：构建提速最高 50%、token 花费降低最高 60%
Superpowers 6 发布，作者称在 Anthropic 评测基准上构建耗时降低 50%、token 花费降低 60%，主要来自合并规范符合性与代码质量两个评审 agent、预先生成评审用的 diff 包让评审者少跑 git，以及调整编排器对任务所需 agent 类型的指引。
推荐理由：作者用自建评测套件量化了 Superpowers 6 在构建耗时和 token 花费上的改进，并公开了实验记录与失败结论。
Kondasamy Jayaraman · Engineering BlogAI 评分6666 别再给产品加 AI：AI 原生设计的 10 个模式
作者结合 18 个月构建智能体系统的经历提出，AI 原生设计应先问“这块能不能删掉”，而不是“能不能加上 AI”，并称自己的技术栈随模型变强缩减了 60-70%。
Johnny Butler · Agentic EngineeringAI 评分3434 我绝不会为了智能体速度放弃二十年的交付实践
面对 AI 编程智能体带来的提速压力，作者认为更快的代码生成不等于更快的软件交付，意图、验收标准、风险边界、验证、证据与评审等交付纪律不可让步。智能体只有在既有工作流内运作才能参与其中，工作越交给智能体，可评审性就越重要。这是 Software Dark Factory 背后的核心理念：智能体应强化而非取代经过验证的交付实践。
Hacker News · Harness Engineering 讨论AI 评分6262 Learn Harness Engineering：面向 AI 编程智能体的工程课程
Learn Harness Engineering 是一门专注 AI 编程智能体工程的课程，综合了 OpenAI 关于在 agent-first 世界中使用 Codex 的 harness engineering 实践，以及 Anthropic 关于长时运行智能体 harness 设计与应用开发的两篇文章。
The Agentic Engineer · BlogAI 评分7171 AI Skill 落地难不是推广问题，而是缺少评测框架
作者认为 AI Skill 采用率停在低位的原因不是培训不足，而是缺少能持续证明其在未测试场景下有效的评测框架。他建议从 10–15 名工程师访谈和生产日志构建 50–100 条用例集，用精确匹配和 LLM-as-judge 两种方式打分，并每季度人工标注 50 条校准裁判模型。
Johnny Butler · Agentic EngineeringAI 评分2222 在信任自动合并 PR 之前，团队需要先补齐什么
越来越多工程团队在讨论让 AI 智能体自动合并 PR，但真正的信任问题不在模型本身，而在于变更意图是否明确可审、验收标准是否事先定义、风险边界是否划定、验证是否真正执行、智能体权限是否受限，以及是否有可审查的决策记录。缺少这些，自动合并只是让决策变快，而非交付变快。Software Dark Factory 正尝试把意图、标准、约束、验证和权限边界内建到工作流中，让治理先于速度。
DevAgentStack · Field NotesAI 评分7171 编码智能体的表现取决于 harness，而非只取决于模型
作者认为编码智能体的 harness 是模型外的软件层，负责组装上下文、暴露工具、控制运行循环、执行权限并评估结果，因此同一模型在不同 harness 下表现会完全不同。
DevAgentStack · Field NotesAI 评分7575 把编码智能体的工作拆成调研、实现和验证三类任务
作者主张不要用一个大请求驱动编码智能体，而是拆成三类任务：只读不改的调研任务、限定在指定文件范围内的实现任务、独立检查结果的验证任务，每类产出不同证据，混在一起会让输出难以评审。
Johnny Butler · Agentic EngineeringAI 评分6262 为什么 stripe_subscription_id.present? 是治理定时炸弹
作者指出用 stripe_subscription_id.present? 判断用户能否访问，是把支付状态和访问权限当成同一件事，随着免费试用、宽限期、合作方访问、管理员授权等场景出现，can_access?
Kondasamy Jayaraman · Engineering BlogAI 评分7171 别再怪模型：作者用 Harness Engineering 解释智能体为何失败
作者结合自己一年部署 Claude Code 和自建智能体的经历提出，智能体失败几乎不是模型能力问题，而是模型权重之外的运行环境缺陷，即 harness engineering。
Drew BreunigAI 评分6262 Agentic Coding 的 10 条经验
Drew Breunig 整理出 agentic coding 的 10 条经验，面向刚上手 Codex、Claude Code、Pi 等智能体的人。他主张代码变便宜后应通过实现来学习、频繁重建，把投入放在端到端测试、记录意图和保持 spec 同步上，并自动化简单工作、把精力留给设计、性能、安全等难的部分。他强调代码便宜但维护、支持和安全并不便宜，智能体也会放大开发者已有的经验与品味。
DevAgentStack · Field NotesAI 评分6262 如何设计可评审的编码智能体工作流
作者提出可评审的编码智能体工作流应包含五个阶段：说明意图、提供仓库上下文、明确智能体可改动的边界、运行验证、要求以风险为重点的总结，跳过任一阶段只会把成本转移到评审环节。
DevAgentStack · Field NotesAI 评分6262 Vibe coding 是原型方法，不是交付流程
作者 Aldrin 认为 vibe coding 适合用自然语言做低成本探索，比如脚手架、陌生 API、UI 变体和测试思路，但快速可见的草稿不等于功能可以被团队接手。
宝玉AI 评分7575 宝玉：与其说 AI 优先，不如说软件工程优先
宝玉点评《Why Your "AI-First" Strategy Is Probably Wrong》一文，认为这套打法本质是软件工程问题，AI 时代人成了瓶颈。
Kondasamy Jayaraman · Engineering BlogAI 评分7171 UC San Diego 研究 112 名专业开发者：资深开发者不 vibe coding，而是控制 AI 智能体
UC San Diego 研究团队通过 13 场实地观察和 99 名资深开发者的问卷（共 112 人，中位经验 10 年，使用 Claude Code、Cursor、GitHub Copilot、Windsurf）发现，专业开发者并不 vibe coding，而是通过规划和监督严格控制智能体。
Terminal-Bench · NewsAI 评分3434 Terminal-Bench 如何设计好的基准任务
Terminal-Bench 发布任务设计指南，提出好的基准任务应具备对抗性、难度和可读性：指令像给资深工程师那样清晰直接，测试只验证结果而非实现细节，允许替代解法并防止 reward hacking。难度应来自问题本身，而非苛刻的输出格式或隐藏假设。作者建议亲自运行任务、检查容器、执行 oracle 并观察真实智能体轨迹，失败运行尤其能揭示任务是否真正困难。
Ryan Lopopolo精选AI 评分7474 智能体时代的生产函数变了：实现不再稀缺，验证才是
作者认为，软件组织一直把人的实现时间当作稀缺投入，智能体打破了这个假设，因此策略必须可执行、验证必须随实现规模扩展。他以在大型 TypeScript 代码库开启 ESLint 的 no-await-in-loop 规则为例，发现 600 处违规，过去这需要昂贵的迁移，现在一个 PR 就能完成修复并补齐测试覆盖。
推荐理由：作者以开启 ESLint 规则、迁移 600 处违规的亲身实践，说明智能体时代实现成本下降后，约束与验证为何成为新的稀缺环节。