Coding with Reason

GLM-5时代下的vibe coding与agentic engineering实践 vibe coding并非玄学,而是大语言模型(LLM)在工程化落地中催生的新型人机协作范式——它以开发者直觉为输入,通过语义权重调控、上下文锚定与意图对齐,驱动模型输出可信赖的技术决策。其技术根基在于GLM-5等新一代模型的稀疏注意力机制与强化学习对齐能力,使长程推理、领域共情与动态权衡成为可能。这种能力正推动软件开发从‘写代码’向‘养Agent’演进,即agentic engineering:聚焦意图契约、任务协作协议、结构化记忆与生产反馈闭环。本文结合一人团队实战、Slime胶水层设计与vibe调试方 阅读详情

Trying to reason about software correctness by hand results in a formal proof that is longer than the code and is more likely to contain errors than the code. Automated tools are preferable, but not always possible. What follows describes a middle path: reasoning semi-formally about correctness.

The underlying approach is to divide all the code under consideration into short sections — from a single line, such as a function call, to blocks of less than ten lines — and arguing about their correctness. The arguments need only be strong enough to convince your devil's advocate peer programmer.

A section should be chosen so that at each endpoint the state of the program (namely, the program counter and the values of all "living" objects) satisfies an easily described property, and that the functionality of that section (state transformation) is easy to describe as a single task — these will make reasoning simpler. Such endpoint properties generalize concepts like precondition and postcondition for functions, and invariant for loops and classes (with respect to their instances). Striving for sections to be as independent of one another as possible simplifies reasoning and is indispensable when these sections are to be modified.

Many of the coding practices that are well known (although perhaps less well followed) and considered 'good' make reasoning easier. Hence, just by intending to reason about your code, you already start thinking toward a better style and structure. Unsurprisingly, most of these practices can be checked by static code analyzers:

  1. Avoid using goto statements, as they make remote sections highly interdependent.
  2. Avoid using modifiable global variables, as they make all sections that use them dependent.
  3. Each variable should have the smallest possible scope. For example, a local object can be declared right before its first usage.
  4. Make objects immutable whenever relevant.
  5. Make the code readable by using spacing, both horizontal and vertical. For example, aligning related structures and using an empty line to separate two sections.
  6. Make the code self-documenting by choosing descriptive (but relatively short) names for objects, types, functions, etc.
  7. If you need a nested section, make it a function.
  8. Make your functions short and focused on a single task. The old 24-line limit still applies. Although screen size and resolution have changed, nothing has changed in human cognition since the 1960s.
  9. Functions should have few parameters (four is a good upper bound). This does not restrict the data communicated to functions: Grouping related parameters into a single object benefits from object invariants and saves reasoning, such as their coherence and consistency.
  10. More generally, each unit of code, from a block to a library, should have a narrow interface. Less communication reduces the reasoning required. This means that getters that return internal state are a liability — don't ask an object for information to work with. Instead, ask the object to do the work with the information it already has. In other words, encapsulation is all — and only — about narrow interfaces.
  11. In order to preserve class invariants, usage of setters should be discouraged, as setters tend to allow invariants that govern an object's state to be broken.

As well as reasoning about its correctness, arguing about your code gives you understanding of it. Communicate the insights you gain for everyone's benefit.

By Yechiel Kimchi

This work is licensed under a Creative Commons Attribution 3

ClaudeCode终端工作流:构建Vibe Coding开发节奏 Vibe Coding 是一种以开发者心流为核心的新型编程范式,其本质是将自然语言意图通过终端(Terminal)这一原生界面,经由模型控制协议(MCP)、可复用技能(Skill)与动态上下文(Context)三大技术支柱,转化为可执行、可验证、可集成的工程产出。它超越传统AI编程助手的代码补全定位,聚焦注意力零损耗与意图直达执行,适用于脚手架生成、CI/CD集成、跨项目批量处理等强工程场景。ClaudeCode CLI 作为该范式的底层引擎,凭借低延迟流式响应、环境感知能力与协议级可扩展性,成为构建高确定 阅读详情

相关推荐

AI Coding与AI Agent的本质区别:从代码生成到决策闭环

AI Agent并非AI Coding的进阶形态,而是面向目标驱动的系统级智能体,其核心在于状态管理、工具编排与反思机制。相比单次代码生成的AI Coding,Agent强调‘目标→计划→执行→观察→反思’的闭环决策能力,依赖状态机建模、工具契约设计和分层反思规则等系统抽象能力。在工程实践中,高可用Agent的成败关键不在模型多强,而在于输入输出契约是否清晰、失败路径是否可兜底、状态流转是否可追溯。本文聚焦AI Agent开发中被严重低估的三大底层能力——状态机建模、工具人机接口设计、自然语言化反思规则,揭

cojm55771的博客 533

从一句 Codex 文案学会 `built to reason through large codebases`

GPT-5.5 是我们迄今最强的智能体式编程模型,专为逐步理清大型代码库、借助工具检验假设,并坚持推进直至完成任务而打造。GPT-5.5 是我们迄今最强的智能体式编程模型,能够深入理解大型代码库,借助工具验证假设,并持续推进,直到任务完成。GPT-5.5 是我们迄今最强的智能体式编程模型,它被打造来完成 A、B、C 这些事情。通常不是“逻辑推理速度”,而是“模型生成结果的运行速度”。深入分析大型代码库,逐步理清其中的结构、逻辑和依赖关系。常常不是“找原因”,而是“进行逻辑分析”。这是一款被打造来……

侯仕奇的博客 397

Vibe Coding:自然语言编程的技术实现与应用

自然语言处理(NLP)与代码生成技术的结合正在重塑软件开发范式。通过大语言模型(LLM)理解开发者意图,Vibe Coding实现了从需求描述到代码生成的自动化转换,其核心技术包括意图识别、语法检查和交互式调试。这种开发方式降低了编程门槛,使开发者能更聚焦业务逻辑而非语法细节,在快速原型开发、智能客服系统等领域具有显著优势。随着GPT-4等模型的进化,基于自然语言的编程正在从辅助工具发展为独立开发范式,推动着从精确控制到意图理解的范式转变。

weixin_33906657的博客 431

Claude Opus在AWS Bedrock上实现可靠Agentic Coding的工程实践

Agentic Coding是指大模型通过规划-执行-反思闭环自主完成复杂任务的技术范式,其核心挑战在于将LLM的抽象推理能力与云服务(如AWS)的真实约束对齐。这涉及严格工具调用协议、异步状态感知、权限动态管控及流式响应处理等关键工程问题。Claude Opus在Bedrock中启用Strict Tool Calling Protocol和Guardrail机制,要求tool schema符合JSON Schema v4规范,并强制content结构标准化;同时Boto3接入需解决最终一致性、时区陷阱、客

weixin_33691700的博客 402

GLM-5.1 Coding Plan 实测手册:从报错排查到强约束代码生成

Coding Plan 不是普通大模型的代码生成功能,而是一种面向企业级交付的结构化代码协同协议。其核心在于将传统‘理解-生成’单阶段流程,拆解为可验证的 Plan(结构建模)与 Code(确定性填充)双阶段工作流,依托 JSON Schema 中间表示、显式契约声明(如 @param/@db_schema)、上下文快照等机制,实现函数边界、数据库依赖与接口契约的自动理清。该范式显著提升工业IoT、金融后台等强一致性场景下的代码一次通过率(实测达92%),但对轻量脚本或算法题适配性较弱。本文聚焦 GLM-5

weixin_34032621的博客 396

M365 Copilot在Power Apps中的Vibe Coding实战指南

Vibe Coding 是一种基于自然语言驱动低代码开发的新型人机协同范式,其核心在于将业务意图实时翻译为 Power Apps 可执行的控件结构、Power Fx 公式与事件逻辑。它依托 Microsoft 365 Copilot 的语义理解能力,在 App Builder 场景中实现设计时(Design-time)的智能辅助,而非运行时自动化。该技术显著降低原型构建门槛,提升从业务需求到可交互界面的转化效率,广泛应用于一人团队项目开发、销售看板搭建、员工自助服务等轻量级业务应用快速交付场景。本文聚焦 M

a1311010193的博客 418

AI辅助游戏开发实战:Fable5与Vibe Coding模式解析

AI辅助编程正成为现代软件开发的重要范式,它通过自然语言交互和代码生成能力,显著提升开发效率。其原理基于大型语言模型对代码语义的理解和生成,能够将开发者的意图快速转化为可执行代码。这一技术的核心价值在于降低编码门槛,让开发者更专注于架构设计和创意实现,而非繁琐的语法细节。在游戏开发领域,AI辅助编程尤其适用于快速原型验证、独立游戏制作等场景。本文以Fable5框架结合Vibe Coding模式为例,深入探讨如何在实际游戏项目中落地AI辅助开发,涵盖环境搭建、实战协作、性能优化等关键环节,为个人开发者提供从概

weixin_30889885的博客 399

GLM-5.1编程能力跃迁:AST感知与Coding plan工程实践

大语言模型在代码生成领域正从‘文本补全’迈向‘编译器级理解’,其核心在于对抽象语法树(AST)的结构化建模与符号执行验证。GLM-5.1通过AST对齐蒸馏、动态KV缓存和Z3驱动的类型推导,显著提升生成代码的确定性、类型安全与执行效率;相比依赖大规模RLHF的通用模型如Opus 4.6,它更聚焦真实开发工作流中的低延迟响应、IDE深度集成与CI/CD可验证性。这一技术路径使‘Coding plan’不再只是API服务,而是嵌入开发环境的操作系统级代理,适用于全栈工程师、Tech Lead及高校教学等需高可信

weixin_30251829的博客 438

【详细教程】如何vibe coding出自己的第一个微信小程序

*全程避免"算命""占卜""大师看相""精准预测""改命转运"**这类词——容易被判定为封建迷信内容或触犯广告法极限词条款;也不要出现"必""绝对""100%""权威认证"等极限词。项目要求建议方向小程序名称4-30字符用"云隐国风""墨韵心事"这类中性文化向命名小程序简称4-10字符,须从名称按顺序选字名称的子集小程序头像png,建议144×144px水墨风留白圆环+朱砂印章角标小程序介绍120字符以内突出"国风美学+娱乐互动",结尾加"内容仅供娱乐参考"

qq_51994713的博客 962

SAP Coding Block增强字段:从配置到实战的完整指南

本文提供了SAP Coding Block增强字段从配置到实战的完整指南。详细讲解了如何通过OXK3事务码添加自定义字段,解决标准财务凭证字段不足的痛点,并重点阐述了在S/4HANA环境中扩展CDS视图、突破字段数量限制、集成至汇总表以及处理应收应付特殊场景等核心步骤与避坑要点。

weixin_29240711的博客 674

阿里云Coding Plan Lite停服后OpenClaw Pro部署避坑指南

AI编程助手依赖的云端模型服务正经历代际升级,从基础沙盒(Lite)向生产级契约(Pro)演进。其核心在于额度机制、模型白名单与服务确定性三大技术原理:Lite采用静态配额与硬编码模型校验,易触发503错误与400拒绝;Pro则通过滚动恢复额度、动态模型路由和SLA保障,支撑CI/CD集成与企业级稳定性。这一转变直接影响OpenClaw等本地AI代理的配置逻辑、认证方式与故障恢复能力。本文聚焦2026年实测环境下的OpenClaw v0.9.3一键部署,详解ALIYUN_CODING_PLAN_API_KE

weixin_34356555的博客 456

'NSUnknownKeyException', reason: … this class is not key value coding-compliant for the key X 之追根溯源

问题 在开发过程中,连接UILabel到xib中时出现以下错误: * Terminating app due to uncaught exception 'NSUnknownKeyException', reason: '[<UIViewController 0x6e36ae0> setValue:forUndefinedKey:]: this class is not key val...

JarlenJohn 877

AI Coding Agent实战指南:从辅助工具到可调度协作实体

AI Coding Agent已超越传统代码补全,成为具备目标驱动、工具调用与状态记忆能力的智能协作实体。其核心原理在于规划模块(Planning)、工具接口(Tool Calling)与记忆缓存(Memory Buffer)三层架构,支撑跨文件分析、自主执行与实时验证。相比静态补全类助手,Agent显著提升在遗留系统重构、合规代码生成、云原生集成等复杂场景下的技术价值。典型应用包括自动化PR修复、多语言SDK适配、跨仓库逻辑追溯及形式化算法验证。本文基于16款主流Agent在支付对账、IoT固件、Pyth

chuanggangbo5551的博客 455

国产智能体工作流缝合实践:OpenClaw对接Coding Plan与doubao-seed-2.0-pro

智能体(Agent)作为大模型落地的核心范式,其本质是‘模型+工具+运行时’的协同系统。理解智能体架构需从运行时环境(如OpenClaw)出发,掌握其轻量服务设计、Skill函数注册机制与流式协议约束;再深入模型层,识别doubao-seed-2.0-pro这类种子模型对结构化工具调用(Tool Calling)的原生支持能力——它不依赖复杂Prompt,而是通过训练对齐JSON Schema,显著提升技能触发准确率;技术价值在于打通私有化部署与企业级平台(如火山方舟Coding Plan)的工程链路,解决

cqwf95925的博客 483

程序员防 vibe coding 实战:注意力流体管理指南

深度工作不是靠意志力硬撑,而是对认知负荷、注意力节奏与异步协作机制的系统性设计。在远程办公与信息过载常态下,vibe coding 本质是大脑发出的认知超载预警信号,而非懒惰或拖延;其背后涉及注意力管理失效、任务启动成本过高、情绪微决策耗竭等底层原理。掌握可测量的干预策略——如物理锚点设定、最小可验证逃生舱口(MVEH)、IDE 防分心改造、异步协作契约——能显著提升程序员生产力与深度工作节奏稳定性。本文聚焦真实工程场景中的可落地方法,适用于 junior 工程师到 tech lead 的全阶段开发者。

weixin_30527423的博客 519

智谱AI Coding Agent推理工程实践:吞吐量提升132%的架构优化之道

大模型推理工程是AI工业化落地的关键环节,其核心在于优化模型服务的效率、成本与稳定性。传统单次请求的串行处理方式在复杂任务场景下面临严重瓶颈,尤其是对于Coding Agent这类需进行多轮规划、推理和代码生成的长链条工作流。通过架构革新,将粗粒度的请求级调度转变为精细的计算级调度,并引入持续批处理与推测解码等关键技术,可大幅提升GPU利用率与系统吞吐。结合智能的上下文管理与缓存策略,能有效减少长上下文带来的计算与传输开销。这些工程实践对于构建高并发、低延迟的AI生产系统具有普适价值,智谱AI在Coding

weixin_33694172的博客 404

Claude Sonnet 4.5的道德逻辑:Agentic Coding工程化实践

Agentic Coding(智能代理编程)正从概念走向生产落地,其核心挑战并非模型能力上限,而是决策过程的可控性、可追溯性与安全性。‘道德逻辑’在此语境下并非哲学抽象,而是指代一套可嵌入系统、可版本管理、可自动化校验的工程约束机制,涵盖意图保真、责任绑定、因果归因与变更边界控制。Claude Sonnet 4.5凭借高响应确定性、低上下文衰减率与强结构化输出能力,成为实现该逻辑的理想载体——它不追求炫技式生成,而专注在约束内交付稳定、可验证、可审计的代码决策。本文基于17个真实生产项目复盘,详解如何将‘道

aijia7039的博客 381

大模型长上下文失忆难题:Context Ledger架构如何提升Coding Agent代码理解能力

在AI编程助手(Coding Agent)的开发实践中,Transformer架构的自注意力机制面临长上下文处理的固有挑战。当序列长度扩展至百万token级别时,注意力权重稀释效应和位置编码衰减会导致模型出现信息遗忘现象,即无法有效利用远距离的代码定义和系统指令。这一技术瓶颈限制了AI助手在复杂软件开发中的实际应用价值。为解决此问题,业界提出了Context Ledger(上下文账本)架构,通过解耦存储与推理、建立结构化索引和实现按需检索,将线性的上下文记忆转化为可精准查询的项目知识库。该方案能有效应对代码

weixin_33834137的博客 273
上一篇: Code Reviews
下一篇: A Comment on Comments
hellominix
博客等级 码龄14年 0粉丝 4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  | 博主筛选后可见
 
 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