AST Visitor API 迁移,怎么证明 AI 没改坏 SQL 语义?

润乾报表+AI Copilot:三万预算打造企业级智能分析系统 报表系统正从静态配置迈向AI驱动的动态分析契约,其核心在于将自然语言意图实时转化为可信、可审计、可执行的数据分析结果。这依赖于底层报表引擎的可编程性与AI工作流的分层协同——意图理解需轻量模型保障低延迟与高准确率,逻辑生成需领域微调大模型结合知识图谱,执行反馈则必须深度集成报表API实现SQL校验、模板动态组装与结果结构化输出。润乾报表凭借Java原生架构、全生命周期Hook机制及.cpt模板的代码化能力,成为少数能承载此类AI增强能力的企业级底座。本文聚焦中小型企业真实落地路径,详解如何以可控成本构建具备 阅读详情

导读:AST Visitor API 迁移看起来像一类适合 AI 批量生成的工程任务:节点多、模式重复、样板代码占比高。但真正的风险不在“代码能不能写出来”,而在“写完之后如何证明没有漏掉节点、重复访问字段或改变遍历顺序”。本文以一次 Visitor API 迁移为线索,介绍一套从源码扫描、运行时 trace、独立比较、失败定位,到真实 SQL 语料和覆盖率反馈逐渐形成的可执行验证体系。


问题不是迁移代码能不能写,而是如何证明它是对的

AST 的旧 visitor API 不太好用,我们希望换成一套新的 API。

单看工程实现,这件事并不算难。AST 节点虽然很多,但大部分迁移代码模式重复,适合批量生成,也适合由 AI 完成大量样板工作。

真正让人不放心的不是代码能不能写出来,而是写完以后怎样确认它没有静悄悄地改变语义。

在数据库内核里,AST Visitor 是一层基础设施。它可能服务于 parser、binder、optimizer、formatter、权限检查、表达式重写等多个下游环节。迁移一旦出现偏差,未必会马上表现为编译错误,更可能是某个节点不再被访问、某个字段多访问了一次,或者原本稳定的遍历顺序发生变化。代码表面上仍然合理,真正的影响却可能在更靠后的逻辑中暴露。

最初我们关心的风险主要有两类:

  • 漏项或重复访问:某个节点、字段或分支没有被遍历到,或者被意外遍历了多次。
  • 顺序变化:需要保持先后关系的 hook 改变了调用顺序。

这类问题很难只靠 code review 兜住。节点数量太多,人工很难在脑子里展开整棵 AST;大量生成代码又高度相似,review 很容易退化成对样板代码的走读。

因此,我们开始尝试建立一套可执行的验证机制,让正确性更多地由程序化证据约束,而不是依赖人逐行确认。

最终形成的系统大致如下:

这个闭环不是一次搭好的。为了讲清各部分的边界,下面先完整说明由源码扫描、运行时观测、独立比较和失败定位组成的内核,再说明真实输入和覆盖率反馈如何接入。


从源码采集 AST 结构

要让后面的验证可信,不是写一套更复杂的逻辑来描述 AST,而是尽量直接地从源码中提取结构。类型、variant 和字段已经写在源码里,采集工具只需要机械地把它们展开,作为后续代码生成的输入。

这里最重要的约束是少写逻辑。如果为了确认 visitor 有没有漏项,又手工实现一套节点分类、递归关系和特殊规则,那么只是把原来的审计问题搬进了验证工具:要相信验证结果,就得先完整审计这套同样复杂的逻辑。

因此,源码分析应该保持短而直接:沿用语法分析得到的类型定义,枚举 struct、enum、variant 和字段,让产出能够回到对应的源码位置。一个声明对应一条结构记录,必要的排除项显式列出,不在采集阶段推断遍历语义,也不复制 visitor 的特殊顺序。

这种做法的可信度来自映射关系足够简单。需要审计的是少量通用的源码提取规则,而不是另一套与 AST 同规模的手写模型。它提供的是一份可追溯、可审计的结构输入;visitor 实际怎样遍历这些结构,则交给运行时观测和后续比较回答。


把运行时观测和等价性判断分开

扫描源码以后,下一件事是把 visitor 的实际运行行为记录下来。这里最重要的设计,是把观测和比较分开,不要生成代码同时承担正确性判断。

  • 生成代码只负责产生 trace,忠实记录进入了哪个 hook、看到了哪个节点以及事件发生的次数和顺序。它不判断某个事件是否应该出现,也不在记录时排序、去重或过滤结果。
  • 等价性判断由另一套独立的比较器完成。比较器读取新旧 visitor 的 trace,再根据遍历契约判断访问项目、次数和关键顺序是否一致。

这两个部分的关系是:

这样,大量生成代码可以保持机械,正确性规则则集中在少量手写代码中。同一份原始 trace 也能继续用于覆盖率统计和失败定位。

这部分的原则可以概括为:

生成事实,手写规则;先完整观测,再独立比较。

这个分层很关键。AI 可以生成大量迁移代码,也可以生成一部分观测代码,但判断正确性的规则应该足够集中、明确、可审计。


明确 Trace 应该怎样比较

观测层能够稳定地产生数据以后,下一个问题才真正具体起来:什么样的差异算 visitor 语义变化?

最初最容易想到的是比较“访问到了哪些项目”。这可以发现某个节点或 hook 在一边出现、另一边没有出现。

但单纯比较集合不够。集合会丢掉访问次数:一个节点访问一次和访问两次,在集合里看起来完全相同。因此,检查漏项和重复访问时,至少需要比较多重集,或者直接比较保留次数的事件记录。

顺序则是另一类约束。有些 visitor 逻辑只关心最终是否见过某些节点,顺序并不重要;另一些逻辑却依赖隐含的遍历顺序,例如:

  • 先见到定义,再处理引用;
  • 按进入顺序进行归一化;
  • 遇到第一个匹配项便提前退出;
  • 依靠 enter 和 exit 的嵌套关系维护状态。

所以比较器不能只有一种全局规则。它需要根据 hook 的语义分别检查:

  • 访问项目是否一致;
  • 访问次数是否一致;
  • 对顺序敏感的事件序列是否一致;
  • enter、exit、skip 和提前退出等控制行为是否一致。

这时,“等价”的定义才逐渐变得准确:不是要求新旧代码实现相同,而是要求它们在约定的可观察遍历行为上没有未解释差异。

旧 API 在这里是历史行为基线,但不必被假定为天然正确。如果新实现有意修复旧行为,或者新 API 明确改变了某项契约,这类差异应该显式记录,而不是为了让比较通过而被悄悄过滤。


让失败能够直接定位

比较器能够报出不一致以后,新的问题又出现了:只知道两份 trace 不相等,对修复迁移帮助有限。

如果失败信息只是一个布尔值,开发者仍然需要重新翻阅大量 visitor 代码,寻找究竟是哪一个节点或 hook 产生了偏差。这样虽然有了自动检查,定位成本却仍然很高。

因此,trace 和比较器继续增加了面向诊断的信息:

  • 触发问题的输入或测试名称;
  • 缺失或重复的是哪个事件;
  • 哪个 hook 的顺序发生了变化;
  • 事件对应的 AST 节点路径;
  • 新旧 trace 第一次产生分歧的位置;
  • 差异前后的少量上下文。

这项工作看起来发生在比较器完成之后,实际上会反过来影响观测层。要报告 AST 路径,记录事件时就必须携带路径;要定位第一个顺序差异,就不能提前把 trace 排序;要发现重复访问,就不能在观测阶段去重。

这也是为什么观测层应该尽量保留事实,而把规范化和判断留给比较器。失败定位不是最终输出上的装饰,而是 trace 协议需要从一开始支持的能力。

到这里,最初的可用内核才算完整:源码扫描提供 AST 结构,观测层把实际遍历行为记录成 trace,比较层根据遍历契约判断新旧行为是否一致,差异报告则让失败能够直接进入修复。

只要给定一棵 AST,这个内核就已经能够运行。

后面的工作不再是在补齐这个内核的基本组成,而是在扩大它能处理的输入,并让验证边界持续可见。


接入真实 SQL 语料:让验证面对真实输入形状

有了可用内核,并不意味着验证已经充分。它只能比较实际送进去的 AST。

如果依靠手工构造 AST,很快会遇到两个现实问题:

  • AST 构造代码本身很重;
  • 人工样例容易只覆盖编写者刚好想到的结构。

因此,我们开始复用 parser 已有的 SQL 语料:

  1. 用现有 SQL 解析出 AST;
  2. 对同一棵 AST 运行旧 visitor;
  3. 运行新 visitor;
  4. 收集双方的 trace;
  5. 由独立比较器检查差异。

parser golden 是一个自然的输入来源。一条 SQL 往往能同时覆盖多个节点和嵌套关系,这些语料也是项目已经认可的真实输入形状。相比专门维护一批庞大的手写 AST,它们更接近 visitor 实际会遇到的数据。

但这里需要把结论说准确:这种方法证明的是“在当前 SQL 语料实际覆盖到的 AST 上,新旧遍历行为一致”,而不是整个 AST 状态空间都已经被穷举。


用覆盖率暴露验证盲区:测试通过不等于空间已覆盖

运行时等价比较始终依赖一个前提:输入必须真正触达我们关心的 AST 分支。

最初复用 parser SQL 语料时,我们只能知道测试运行了,却不知道它究竟覆盖了多少手写 walk 分支。如果某个 enum variant、可选字段或特殊路径从未出现,那么新旧 visitor 即使在所有测试上完全一致,也不能说明那部分迁移得到了验证。

这时,覆盖率成为验证输入是否充分的反馈信号:

  1. 用现有 SQL 语料运行新旧 visitor 的等价比较;
  2. 统计手写 walk 和相关分支的覆盖情况;
  3. 找出一直没有执行到的 AST 路径;
  4. 反推缺少什么样的 SQL;
  5. 补充相应语料;
  6. 再运行等价比较和覆盖率。

覆盖率在这里不负责证明代码正确。它回答的是另一个问题:我们用来比较新旧行为的输入,实际触达了多少待验证空间。

这样就形成了两个相互配合但不能互相替代的证据:

  • trace 比较说明已触达输入上的行为是否一致;
  • 覆盖率说明还有哪些行为尚未被输入触达。

发现缺口后,能够由真实 SQL 表达的,优先补到 parser 上游,使语料同时服务 parser、AST 构造和 visitor;难以通过 SQL 稳定构造的边界状态,再用局部定向测试覆盖。


这不是五个步骤,而是一个持续反馈系统

回头看,这套系统包含源码扫描、运行时 trace、独立比较、失败定位、真实 SQL 输入和覆盖率反馈,但它们承担的角色并不相同。前四项构成基本可用的验证内核:给定一棵 AST,它们能够运行比较并把差异直接交给修复。真实 SQL 输入扩大了内核的适用范围,覆盖率则建立了继续扩展验证范围的反馈机制。

它们分别解决不同的问题:

  • 源码扫描约束 AST 结构是否被纳入考虑;
  • 观测层记录 visitor 实际做了什么;
  • 比较层定义什么叫行为等价;
  • SQL 语料提供真实 AST 输入;
  • 差异报告降低修复和解释成本;
  • 覆盖率暴露输入空间中的空白;
  • 新增语料继续扩大可验证范围。

这些部分在后续迁移中会同时工作,并彼此反馈:

迁移代码变化 ─→ trace 差异 ─→ 修正迁移或记录有意变化

AST 定义变化 ─→ 生成结果变化 ─→ 暴露未处理结构

覆盖率缺口 ─→ 新增 SQL 语料 ─→ 扩大等价比较范围

定位信息不足 ─→ 扩展 trace 协议 ─→ 改善后续差异报告

因此,更准确的说法不是“按照五个步骤完成 visitor 迁移”,而是 “围绕迁移不断补齐不同种类的证据,直到这些证据形成可以持续运行的闭环”。


这套验证能证明什么?

最终,我们希望得到的结论包括:

  • 已知 AST 类型、variant 和字段都已被纳入分类;
  • 在当前语料触达的 AST 上,新旧 visitor 的访问项目和次数一致;
  • 对顺序敏感的 hook 没有出现未解释的顺序变化;
  • skip、递归和提前退出行为没有出现未解释差异;
  • 没有覆盖到的结构仍然可见,而不是被一次测试通过掩盖;
  • 有意变化和旧实现已有问题都有明确记录。

它仍然不是对整个 AST 状态空间的数学证明。 有限 SQL 语料上的 trace 比较,只能约束实际触达的输入;覆盖率可以暴露没有运行的路径,却不能单独证明已经运行的代码正确;生成器和比较器本身也仍然需要审计。

因此,把它称为 “有明确覆盖边界的可执行等价性验证” 更加准确。它不承诺一次性证明一切,而是把原本依赖人工信心的迁移,变成一个能够持续发现缺口、补充证据并逐渐收敛的工程过程。


AI 负责生成,人和验证系统负责正确性边界

这套机制最初是为了降低一次 visitor 迁移的风险,但它也形成了一种更清晰的人、AI 和程序之间的分工。

  • AI 擅长大规模生成重复而结构化的代码,也能快速修正局部 diff。它不擅长的是,在一个规模很大、结构稀疏并且包含隐含契约的 AST 世界里,自发保证全局完备性。

因此,更合适的分工是:

  • AI 负责生成和迁移大量实现代码;
  • 观测系统负责忠实记录运行行为;
  • 比较器负责执行明确的等价规则;
  • 人负责定义遍历契约、解释差异以及决定哪些变化是有意的。

这里的重点不是为 AI 单独设计一套较低的正确性标准。无论代码由 AI 还是人完成,大规模基础设施迁移都应该接受同一套独立验证。 AI 只是提高了代码生产速度,也让“不能把正确性寄托在逐行 review 上”这件事更加明显。


对 Databend 数据库工程的启发

Databend 是一个面向现代数据工作负载的云原生数仓。SQL parser、AST、binder、optimizer、表达式系统和执行计划生成,都是支撑复杂查询能力的基础设施。

这类基础设施的长期演进,需要同时满足两个要求:

  • 快速迭代,让新语法、新函数、新查询模式和 AI 辅助开发能够进入工程流程;
  • 保持 correctness,让迁移、重构和 API 演进不会悄悄改变 SQL 语义。

AST Visitor 迁移验证体现的是 Databend 工程体系中更底层的一类能力:不是只追求“代码生成得快”,而是把复杂变更放进可观测、可比较、可诊断、可持续扩展的验证闭环里。

这和 Databend 的用户心智是一致的。作为开放、Rust-native、面向云原生分析场景的数据仓库,Databend 不只是提供 SQL 功能本身,也需要在内核层面保证这些能力可以长期演进、可维护、可验证。

对于正在把 AI 引入工程流程的团队来说,这类实践也提供了一个更实际的判断标准:AI 是否真正提升工程效率,不取决于它能生成多少代码,而取决于系统是否能验证这些代码进入基础设施之后仍然保持正确。


总结

旧 visitor API 换成新 API,真正困难的从来不是批量写出代码,而是建立足够可信的迁移证据。

这套方法也不是一开始就以最终形态出现的。围绕“怎样验证一棵给定 AST 上的新旧行为”,最终形成了四个相互配合的内核能力:源码扫描、运行时观测、独立比较和失败定位。在此之上,真实 SQL 语料扩大了输入范围,覆盖率反馈又让尚未验证的范围保持可见,最终形成完整闭环。

AI 可以加速迁移代码的生产,但它不负责为自己的输出提供可信度。真正让这种大规模基础设施迁移变得可控的,是独立观测、集中判断、真实输入、可诊断差异以及持续可见的覆盖边界。

AI编程IDE 以及。它们各有侧重,适合不同的开发习惯和场景。 阅读详情

相关推荐

STM32G0——USB虚拟串口

STM32G0用cubeMX配置实现USB虚拟串口

阿昌 2323

PDF文档SQL智能查询系统:从非结构化文本到自然语言驱动的结构化分析

在工业与B2B场景中,产品说明书等PDF文档本质是蕴含丰富结构化信息的非结构化载体。理解其核心原理在于将文档内容通过精准文本提取、Schema约束的JSON解析、关系型建模三步转化为可计算的数据资产。该技术路径突破了传统RAG在数值比较、多表关联和聚合统计上的语义断层,依托LangChain SQL Agent实现‘自然语言→精准SQL→可靠结果’的闭环。它不依赖商业OCR,适配制造业、医疗器械等强参数管理领域,为海量PDF文档提供可验证、可审计、可扩展的智能交互范式。

weixin_34297704的博客 369

HDRnet——双边滤波和仿射变换的摇身一变

layer层数越多,下采样得到的图越小,low-level features的好处是最后的grid会更coarser,最后的特征图的感受野也越多,非线性更好,表达力更强。所以最终grid是5维的[B,in*out,n,H,W],permute之后是[B,H,W,n,in*out],B是batchsize,n表示对guide的量化级数,in*out表示每个cell的变换系数。这部分的处理对象是低分辨率图,利用CNN进行特征提取(局部和全局),最后fuse得到grid,这里面包含了变换的系数。

zcg1942的博客 1581

从AI数学突破到工程实践:大语言模型如何成为开发者的智能副驾驶

大语言模型正从文本生成工具演变为复杂逻辑推理与符号计算的协作平台,这一转变的核心在于其推理能力的增强。其技术原理基于思维链提示、工具调用集成和检索增强生成等机制,使模型能够进行结构化、可验证的推理。这种能力的技术价值在于将AI从通用助手转变为专业领域的效率倍增器,能够自动化处理繁琐、易错但逻辑清晰的任务。在应用场景上,它特别适用于代码生成与验证、算法分析、系统设计审查等需要深度推理的工程实践。本文以Claude在黎曼猜想研究中的角色为例,展示了如何通过构建智能体工作流,将大语言模型无缝接入专业开发流程,实现

weixin_30336061的博客 393

5分钟搞定Nano-Banana图片编辑API对接:从Base64编码到生成图片全流程

本文详细介绍了如何快速对接Nano-Banana图片编辑API,基于gemini-2.5-flash-image-preview模型,从环境准备、Base64编码到API调用的全流程。通过实战示例和优化技巧,帮助开发者高效集成AI图片处理能力,提升产品竞争力。

dog123的博客 262

网站进行企业微信授权登录(附带代码超详细版)

企业微信的扫码登录官方文档 https://work.weixin.qq.com/api/doc/90000/90135/90988 企业微信扫码登录认证流程 上面是官方的图片,看上去比较复杂。因此我用直白简洁的语言梳理下流程。 1、首先在自己的网站上获取到企业微信登录的二维码(二维码怎么获取稍后再说,这里想象下你已经有了一个二维码) 2、你拿着手机扫描二维码,确认登录之后,页面就会自己进行重定向的跳转,跳转的url如何配置下面再讲,但是注意,这个重定向的url可以是内网地址 3、重定向到指

Gzf的博客 1万+

数据科学家必避的三大生产级pandas陷阱

在数据科学工程化过程中,pandas作为核心数据处理库,其易用性常掩盖深层可靠性风险。理解DataFrame的不可变性原理、CSV解析的编码与类型契约机制、以及数据切分中随机性与业务逻辑的耦合关系,是构建可复现、可维护、可审计的生产数据流水线的技术基础。这些原理直接决定模型特征质量、线上服务稳定性与跨团队协作效率。尤其当涉及金融风控、电商推荐、医疗AI等强依赖数据一致性的场景时,inplace操作引发的状态污染、read_csv默认参数导致的格式失真、random_state滥用掩盖的数据漂移,已成为高频故

diaolouan9546的博客 359

Obsidian与RAG:知识管理的未来之战

摘要: 本文对比了传统RAG、Obsidian和llm-wiki-skill三种知识管理方案。传统RAG依赖查询时临时检索,知识无法积累;Obsidian需人工整理,成本高但结构化强;llm-wiki-skill通过AI在摄入时自动编译知识为结构化Wiki,实现持续增值。核心差异在于知识处理时机——llm-wiki-skill将"查询时检索"转变为"摄入时编译",通过三层Markdown结构(sources/concepts/entities)和自动双向链接构建可进化

ZhangJiqun&191cm&85kg 637

【AI编程】AI⼯具链全景

✌全网粉丝24W+,优快云博客专家、Java领域优质创作者,掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域✌。

No8g攻城狮的博客 259

lammps蒙特卡洛MC模拟案例

在lammps中,和MC相关的模拟命令有三个:fix gcmc、fix atom/swap、fix sgcmc。在一个lammps模拟中,mc和md可同时存在,间隔运行,所以设置fix sgcmc命令的同时,可以同时设置系综(nve、nvt或者npt)。lammps官网自带案例中也有一个fix sgcmc的案例,主要模拟FeCu合金的MC建模。sgcmc命令可应用到合金的模拟中,如短程有序模拟。MC运行间隔为100步,最终的浓度比例为0.02,也就是2%的Fe原子交换为Cu原子。大家好,我是小马老师。

lammps_jiayou的博客 1829

YOLOv11改进 - 卷积Conv | RFAConv:感受野注意力卷积动态调整感受野,提升小目标检出精度

本文介绍了感受野注意力卷积(RFAConv)及其在 YOLOv11 中的结合。空间注意力虽广泛应用但有局限,RFAConv 是将空间注意力与卷积操作融合的新型注意力机制,通过强化感受野空间特征关注、解决卷积核参数共享挑战、增强大尺寸卷积核处理能力等策略优化卷积核功能。它有基于 Group Conv 和 Unfold 两种实现方式,实验表明前者性能更好。我们将 RFAConv 集成进 YOLOv11,在数据集实验证明了方法优越性 。

魔改工程师的博客 1221

主流AI编程智能体算力架构实测:8大平台模型费率分析与本地配置避坑指南

本文深度评测华为云、智谱、商汤等8大AI编程平台,剖析其算力配额、模型费率与获取路径。核心结论:构建多平台算力储备池可实现低成本高吞吐开发。推荐策略包括:利用免费模型(如GLM-5.3-Flash)、完成三端协同领9000积分、夜间低峰调用3亿Token、通过学生认证获额外奖励,并善用零费率通道与每日签到积分。实测显示,合理配置可使算力成本降低70%以上,显著提升开发效率。

艺杯羹的博客 211

基于YOLOv11的工业装配完整性智能检测系统

在现代工业生产中,产品质量控制是确保企业竞争力的关键环节。其中,装配完整性检查——即检测产品是否安装了所有应有的部件,是质量检测中的重要一环。传统的人工检测方法存在效率低、易疲劳、主观性强等问题。本文提出了一种基于深度学习的目标检测算法YOLOv11的工业装配完整性智能检测系统,通过计算机视觉技术自动识别和验证产品装配的完整性。本文将详细阐述从数据准备、模型训练到系统部署的完整流程,提供可执行的代码实现,并介绍一个适用于该任务的参考数据集。

YOLO 554

2026最新6款AI编程工具基础版免费上手实测教程

三个月前我还是一个只会复制粘贴改代码的前端切图仔,领导突然让我三天内做一个数据看板后台。我那会儿连 ORM 都不太会用,更别说从零搭 API 了。就是在被逼到墙角的时候,我开始研究 vibe coding——用自然语言描述需求,让 AI 直接生成代码。据 优快云 评测,TRAE 基础版免费且中文需求理解准确率行业领先,我这一周换了 6 款工具来回试,踩了不少坑,总算摸清了 vibe coding 从入门到能干活的路子。

2603_96994125的博客 231

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

AI编程技术拆解(11月12日)|一天按一千五百次补全,发出去一千二百万字,是项目总量的十倍

上周四上午十点,做仓储软件的老周被安全那边叫去填一张表。表上只有一行要回答:你们有没有把代码发给公司以外的 AI 服务。他在"没有"那一栏打了勾,理由写得很干脆:五个人的工具都装在自己电脑上,代码都在硬盘里。下午有人追问了一句:那你们一天敲那么多下补全,发出去的是什么。老周回工位拿计算器按了一遍:一次补全,光标前面四千字、后面四千字,八千字;一天一千五百次,一千二百万字。他们那个项目三万行,一行四十个字,总共一百二十万字。一天发出去的字,是这个项目的十倍。

李文慧 中国开源充电桩平台第一人;李文慧 国内知名开源工作者 全栈工程师 华为云最具价值专家 24

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

AI编程工具如何融入研发流程并评估效果?企业研发团队AI应用落地经验分享

例如,团队希望评估AI辅助测试是否有效,可以选择一类业务规则相对稳定的需求,记录从开始编写测试到测试通过并完成审查的时间,同时检查测试是否覆盖约定的关键场景。AI编程工具融入研发流程,关键不是让开发人员多生成代码,而是把它放进需求拆解、编码、测试和代码审查等具体环节,并由团队对结果负责。评估效果时,应围绕同类任务建立可比较的基线,同时观察交付时间、返工、质量、成本和风险。更有价值的试点问题应当足够具体,例如:“对于规则已经明确的接口变更,使用AI辅助编写测试后,从任务开始到代码可审查的时间是否缩短?

csssbad的博客 152

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

团队AI编程落地第16篇|AI 时代规则治理:按变化半衰期分三层 + 给每条规则写过期条件(含模板)

模型一更新规则就失效,病根不在写得慢,在于把 Why 和 How 写在了同一层。本文给三层分法、快变层三样载体、归因路由表、过期条件模板与四个坑,附 CAIN 2024 实测与 QECon 2026 一线案例。

Derekjiang的笔记簿 236

以人为主导的Ai编程Harness

本文介绍开源项目 human-led-gate,通过在 Claude Code 中实现 PreToolUse 拦截机制,强制执行人类审批流程,防止 AI 在未授权情况下修改代码。核心原理是基于 .humanled/approvals.json 严格限制编辑范围,即使开启 bypass 模式也拒绝越权操作。项目配套九阶段人主导开发流程,确保每一步均有明确人工确认,提供可复现的、技术强制的“说不”能力,真正实现人对 AI 编码的控制权。

探索者李小白的博客 203

【AI编程】AI⼯具之Comet入门

把 Comet 装起来,把 `.comet/config.yaml` 的每个字段读懂。读完你应该能独⽴初始化⼀个项⽬,并知道⾃⼰每⼀项配置选了什么、代价是什么。

No8g攻城狮的博客 195

用手机接续AI编程任务,先把这张任务单写清楚

离开电脑后继续AI编程,补一句要求之前,先确认电脑、项目和原任务。以修改导出按钮文案为演示,给出可复制的接续单、停止条件与验收清单;产品公开说明和真实执行证据分开理解。

谁呀!的博客 341

AI编程助手Skills机制解析:从原理到前端开发实战

装上 skills 的 AI 编程助手为什么像换了个人?讲清技能包设计、文件结构与加载机制,Claude Code 配置实操与 React 组件库实战,附错误速查表和避坑经验。

w807139809的博客 82

2026最新6款AI编程软件基础版免费深度实测

花了两个周末,我把主流的几款 AI 编程工具挨个装了一遍,同一个项目用不同的工具写,记录下了各自的真实表现。我的测试项目是一个 Flask REST API 用户查询服务,需要对接 PostgreSQL、处理分页和异常。字节跳动出品的 TRAE 让我最意外——基础版免费,内置 Doubao 和 DeepSeek 等多款主流大模型,据 优快云 评测,中文需求理解准确率行业领先这个标签不是白给的。

2601_96719634的博客 175

团队AI编程落地第15篇|AI 编程能力边界实战:从 LoLBench / LoopsBench 到四个工程动作(含文件树、规则与回归门禁配置)

最好的 coding agent 在 240 万行真实系统里只解决 14%,在依赖 DAG 长周期任务里只解决 25%。本文拆解两个基准的失败分析,给出四个可立刻执行的工程动作:给文件树、给 API 规格、设回归门禁、任务拆成 DAG。

Derekjiang的笔记簿 171

2026最新7款企业AI编程工具基础版免费深度对比实测

上个月公司给我派了个活,让我带三个人的小团队开发一套员工考勤管理系统。老板要求系统支持多部门排班、异常考勤自动标记、月度报表导出,还得能对接现有的企业微信。我评估完需求后,决定把这当成验证团队 AI 编程工具选型的好机会——毕竟字节跳动出品的 TRAE 基础版免费,中文需求理解准确率行业领先,对我们这种中文为主的团队来说很有吸引力。我让团队每人装一套工具,在同一个项目上跑一周,用实际产出说话。

ajab12345的博客 139

2026最新7款AI编程工具企业级应用深度实测

一周的实测下来,我的考勤系统提前三天交付了。各款AI编程工具各有所长,但TRAE作为字节跳动出品的国内首款AI原生IDE,Work模式和Builder模式双管齐下,确实是目前企业AI编程场景下最均衡的选择——基础版免费降低了试错成本,企业版的私有化部署解决了安全顾虑,中文支持让国内开发者用起来最顺手。

ajab12345的博客 118

【AI编程】Claude Code 使用缺点及问题,为什么需要使用 Comet ?

本文剖析了使用Claude Code处理长任务时因缺乏结构导致的三大失效模式:状态易失、阶段无边界、恢复无锚点。指出单纯加强提示词无法解决根本问题,核心在于规则缺乏状态与强制力。提出以Comet框架为代表的解决方案——通过规格落盘、阶段状态机与守卫、持久化状态文件实现任务可控。虽有前期变慢、学习成本等代价,但对跨会话、需可追溯的复杂任务极具价值。判断标准:任务是否需多人或未来独立理解?是则用Classic流程,否则选用简化路径。

No8g攻城狮的博客 240
上一篇: 从 S3 到 Databend Cloud:Airflow 数据入仓编排实践
下一篇: 用 QUALIFY 写出更清晰的窗口函数 SQL
Databend
博客等级 码龄5年 1458粉丝 363原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值