陈彬深大-优快云博客

原创从学习知识到调用知识：AI 正在改变人类使用工具的方式

传统工具使用需先学习操作，成本高；而AI时代，只需清晰表达需求，即可调用知识完成任务。从“学工具”到“用AI辅助”，人类不再依赖前置学习，而是聚焦问题描述与结果判断。工具使用方式正由“人适应工具”转向“工具服务人”。未来关键能力不再是知识储备，而是提问能力、工具选择力与批判性思维。

2026-11-10 17:50:15 325

原创 AI时代的编程教育：我们还在培养电子管工程师吗？

AI正在改变软件生产方式。过去，编程教育主要训练学生独立写代码；未来，代码生成成本下降，真正重要的能力将转向问题定义、产品设计、审美判断、测试验证和结果评价。AI使个人有可能完成过去一个团队的工作，因此编程教育不能只关注语法和手写代码，而应培养借助AI完成完整产品的能力。晶体管没有淘汰电子学，却淘汰了电子管时代的大量技能；AI时代的编程教育也面临同样的转型。

2026-09-11 00:04:42 260

原创《AI 渐进编程》之二十九：当代码接近免费，软件工程必须重构

本文讨论 AI 为什么要先重构软件工程。AI 已经能够生成代码，但软件工程还涉及任务边界、状态管理、权限、验证、失败恢复和长期维护。Agent 让执行路径从固定流程变成动态决策，也使这些控制问题更加突出。未来软件开发可能从手写代码转向模板、组件和 AI 装配，但可靠性仍依赖结构化约束。AI 只有先解决软件生产中的控制与验证问题，才可能进一步进入更复杂的真实世界系统。

2026-09-04 15:53:02 800

原创《AI 渐进编程》之二十八: 对 AI 的理解决定使用效果

本文讨论一个常被忽视的问题：很多人已经开始使用 AI，却还没有建立基本的 AI 心智模型。AI 不是更聪明的 Google，也不是一个真正理解任务的人。它会生成、会判断，但也会误解、越界和出错。Prompt、Agent 和各种工具都可以直接上手，但理解 AI 的能力边界同样重要。就像开车不需要会造发动机，但至少要知道，汽车不是一匹更快的马车。

2026-08-31 11:30:26 426

原创《AI 渐进编程》之二十六：AI 让软件交付标准前所未有地提高

AI 让写代码更快，也让检查代码更容易。过去很多项目依赖“没人仔细看”的隐性保护，功能能跑就能交付。但当甲方、攻击者都可以用 AI 扫描代码、追踪调用链、发现漏洞时，乙方就不能只交一份能跑的代码。AI 降低的是代码生成成本和检查成本，真正变贵的是提前发现问题、处理风险并承担交付责任。

2026-08-14 15:49:42 330

原创《AI 渐进编程》之二十五：让 Agent 形成网络——Graph Engineering 与智能工作流

文章摘要：本文探讨了多Agent系统从线性流水线向协作图结构的演进。传统流水线适合简单任务，但复杂项目需要Agent之间形成网状协作，包含多种角色（分析、设计、测试等）和动态交互（信息传递、反馈循环）。Graph Engineering的核心在于设计Agent、工具和状态之间的关系网络，通过角色分离解决单一Agent的职能冲突。未来软件工程可能发展为代码图与Agent图的双重结构，其中SIADOS模型描述状态流，而Agent图管理智能体协作，共同构成AI原生的新型开发范式。（149字）

2026-08-05 11:03:40 362

原创从代码到经验：Agent Skill 会成为软件工程的新抽象层吗？

摘要：软件工程的抽象层次正从机器语言、函数等传统模块，向Agent时代的"Skill"演进。Skill封装的不再是确定性计算，而是任务经验，包含目标、流程、验证等要素，形成任务级接口。未来软件工程将围绕Skill的可组合性展开，需要解决状态传递、语义约束等新挑战，并建立类似传统软件的工程约束，最终实现从"可执行代码"到"可执行经验"的转变，形成可组合的智能系统。这一演进将软件资产从代码扩展到经验与智能系统的组合。

2026-08-04 23:27:00 441

原创《AI 渐进编程》之二十四：给 Agent 装上“X 光”——从代码搜索到关系理解

摘要：在复杂项目中，Agent仅通过文件搜索难以理解代码间的深层关系（如调用链、数据流、依赖项），导致修改效率低且风险高。为此，代码知识图谱通过结构化分析代码关系（函数调用、模块依赖、影响路径），为Agent提供“关系地图”，使其从被动搜索转向主动分析。这种模式不仅优化token使用（减少上下文消耗），还能识别废弃代码，辅助精准修改和清理。未来，Agent工作流将结合项目认知、关系图谱与动态验证，实现从“文件理解”到“系统级理解”的跃升，成为参与大型项目的关键能力。

2026-08-04 17:09:17 627

原创《AI 渐进编程》之二十三：自适应调度——什么时候启用多Agent流水线

本文探讨了多Agent系统在AI编程中的合理运用。核心观点是：多Agent并非默认解决方案，而应作为动态控制机制，根据任务风险等级灵活启用。文章提出三级调度模型：低风险任务采用单Agent（如代码注释修改）；中风险任务启用执行+审查双Agent（如业务逻辑调整）；高风险任务引入规划Agent（如跨模块重构）。这种状态驱动(SIADOS)的架构通过Harness控制边界，在保证风险可控的同时避免不必要的复杂度，体现"风险越低控制越轻"的渐进式编程理念。最终形成"状态分析-风险评估-动态调度-经验积累"的完整闭

2026-08-01 19:09:06 480

原创《AI 渐进编程》之二十二：一个 Agent 不够？——多 Agent 如何让 AI 编程更可靠

AI 编程的核心挑战不在于任务执行，而在于工程可靠性。单一 Agent 虽能快速生成代码，但缺乏对系统影响的全面判断（如破坏公共组件、引入重复代码等）。真正的解决方案在于多 Agent 协作：执行 Agent 专注任务实现并提交包含改动说明、影响分析和验证结果的"证据包"，审查 Agent 独立评估合理性。这种职责分离模拟了人类开发团队的"开发-审查"机制，将AI从单纯的生产工具升级为具备工程思维的协作体系——一个创造，一个纠错，共同保障软件质量。

2026-07-28 15:00:46 608

原创《AI 渐进编程》之二十一：Agent 不光要交代码，还要交证据包

AI编程：从生成交付到验证式交付的转变 AI编程的核心价值不仅是生成代码，更在于构建可验证、可追踪的工程交付流程。生成代码只是第一步，后续需通过“证据包”说明修改逻辑、影响范围、验证结果及剩余风险（如未覆盖的测试路径或需人工判断的业务问题）。传统人工审查效率低下，而AI可先进行机器审查（如边界检查、调用关系验证），再提交结构化证据供人类快速审批关键风险。这种“验证式交付”将审查重点从逐行代码转向风险决策，确保项目可维护性和透明度。证据包应包含任务目标、改动摘要、测试覆盖及开放问题，形成可追溯的工程记录，推动

2026-07-23 16:48:58 357

原创《AI 渐进编程》之十三：AI 编程是 Reward 工程

本文探讨AI编程中反馈机制（Reward工程）的核心价值。指出代码生成并非最大挑战，关键在于如何提供精准的持续反馈。当Agent处于"部分正确"的中间状态时，需要包含问题定位、错误原因、修改边界等要素的结构化反馈，而非简单通过/拒绝信号。高质量反馈能有效缩小搜索空间，需要具备准确性、及时性和可积累性。强调必须将人工反馈沉淀为测试用例、修改规则等可复用资产，才能持续指导Agent迭代。最终指出，模型能力决定Agent单步进展，而反馈质量决定其最终收敛方向，二者共同构成AI编程的核心闭环。

2026-07-19 22:15:53 534

原创《AI 渐进编程》之二十：Agent 为什么会更快地制造技术债？

AI 生成代码不等于完成软件工程，两者存在本质差异。AI 能快速生成代码片段，但无法自动处理软件工程中的架构设计、模块边界、测试验收等复杂环节。AI 编程会带来两大技术债：关系债（因忽视代码关联性导致隐性错误）和残留债（因保留废弃代码导致项目臃肿）。效率提升可能加速项目膨胀，若缺乏配套管理，AI 反而会加剧工程复杂度。关键解决路径包括：修改前强制关系分析、建立定期清理机制，以及将代码删除纳入AI工作流，以保持项目上下文准确性。AI 需要从"完成任务"转向"维护项目可持续性"。

2026-07-18 22:23:44 1141

原创 Agent 如何成为一个项目的专家？

大语言模型虽然具备广泛的知识储备，但在具体项目应用中仍存在显著局限。本文提出"项目级Agent"概念，指出通用模型需结合项目目标、设计意图、历史经验等环境信息，才能转化为解决特定问题的专业能力。与传统专家系统不同，项目级Agent通过动态加载环境形成临时专业身份，其关键在于将创造者的项目认知转化为结构化信息供模型理解。文章强调模型决定能力上限，而项目环境则确保能力精准应用于当前需求，并引出Agent启动时环境加载的关键问题。这种动态专家系统模式为实现AI在具体项目中的深度应用提供了新思路。

2026-07-17 17:42:38 519

原创 Agent + 无头网站：未来所有网站，可能都只有一个界面

摘要：当前网站设计以用户操作为中心，但AI Agent的崛起正在改变这一模式。未来，网站可能转向"无头"架构，仅向Agent提供标准化服务接口，而由Agent根据任务动态生成用户界面。这种"Agent+无头网站"模式通过MCP协议、VOIX声明式标签、A2UI动态界面等技术实现，能显著降低Agent的操作成本（相比传统HTML方式节省60-80%的token消耗）。网站开发重点将从界面设计转向服务能力暴露，而用户最终可能通过统一Agent入口访问所有服务，导致互联网服务呈现同质化交互体验。这一变革将使网站

2026-07-15 20:35:38 321

原创《AI 渐进编程》之七：Agent 启动时加载什么？——智能体的 Boot 过程

长期项目中，Agent 每次启动都需要重新恢复项目状态。问题的关键不是让它读取更多文件，而是决定哪些信息应在什么时候进入上下文。本文提出把 Agent 的启动过程理解为一种 Boot 机制：先恢复项目结构、当前任务和状态，再按需要读取历史问题、修改记录和相关文件。AGENTS.md、CLAUDE.md 或独立状态文件都只是具体实现。真正重要的是建立稳定、最小、可重复的上下文恢复过程，让 Agent 能够跨多轮持续推进任务。

2026-07-10 13:27:31 1512

原创《AI 渐进编程》：一种面向 Agent 时代的软件开发方法

《AI渐进编程：从Prompt到项目控制》提出了一套让AI逐步推进、收紧和收敛的编程方法。全书分为五部分：1）从轻量Prompt入手启动任务；2）引入状态管理推进持续任务；3）通过协议文件建立项目上下文；4）构建验收机制形成闭环；5）应对长期维护挑战。核心逻辑是随着任务复杂度提升，逐步增加控制层（状态机、项目地图、修改日志等），让AI在明确边界内推进，而非依赖单一Prompt。书中特别警示AI可能产生的技术债，强调通过结构化文档保持项目可控性，最终形成"模型提方案-控制层定边界-状态存事实"的可持续协作模式

2026-07-09 19:02:04 428

原创《AI 渐进编程》序言：把烧掉的 token 留下来

《AI渐进编程》探讨如何让大语言模型从一次性生成工具转变为长期项目伙伴。作者将LLM比作炼钢炉，指出当前AI生成内容易停留在对话层面，缺乏持续性积累。关键在于建立项目沉淀机制——通过结构文档、状态文件、修改日志等工具，将每次生成的"热气"转化为可复用的"钢材"，使AI能基于历史上下文持续演进。文章主张分层控制策略，反对全自动处理，强调只有经过验证并融入项目体系的内容才能成为真正资产。

2026-07-06 11:53:56 1060

原创《AI 渐进编程》之十九：控制层最容易变坏的几种方式

本文探讨了AI项目控制层在长期运行中容易出现的六大反模式及其解决方案：规则膨胀 - 不断叠加新规则导致系统臃肿状态老化 - 状态文件与项目实际脱节日志空心化 - 日志缺乏实质性内容任务漂移 - 任务边界不断扩散人工过载 - 过度依赖人工确认 Harness肥胖 - 控制层变得越来越重解决方案建议：分层管理控制要素定期合并重复规则及时清理过期信息保持日志信息密度明确任务边界优化人工干预点核心观点是：控制层的健康不在于增加更多约束，而在于保持精简有效，通过分层、去重、归档和瘦身四个关键

2026-07-04 06:44:43 345

原创《AI 渐进编程》之十八：一个小修补怎么滚成长项目？

摘要：程序开发中，看似一次性修复的小任务常演变为长期项目，本质是修复过程不断暴露新边界和后续需求（如购物车空值处理引发测试、日志、兼容性问题）。依赖对话记忆会导致上下文丢失，需通过外部状态文件（如revision_log.md）接力推进。应对策略是拆解为可恢复的短事务链，每步独立验证并留存记录，确保中断后可续接。项目变长的信号包括反复修复、状态文件必要性提升等。核心在于通过模块化、可追溯的流程实现"看得清、改得准、留得住"，而非追求一次性解决。

2026-07-03 23:24:54 592

原创《AI 渐进编程》之十七：长期维护里，控制层怎么松紧？

文章摘要（149字）长期维护中的控制策略需动态调整：高风险模块（如支付、边界检查）应保持严格管控，已稳定部分则可适度简化流程。通过监测失败频率、修改代价等指标，系统逐步将控制权移交至测试框架和静态规则，最终实现"最小必要控制"。避免两种极端——过度控制导致僵化或过早放松引发复发，关键在于使控制层具备弹性：热点区域精准防护，稳定模块释放冗余，确保系统既严谨又灵活。该机制需配合版本日志、问题清单等文档的定期清理，形成可持续维护的良性循环。

2026-07-03 23:15:19 456

原创《AI 渐进编程》之十六：程序通过以后，怎么把修复变成规则？

本文摘要：程序项目通过验收后不应立即结束，而要转入长期维护阶段。文章提出：1)临时修复只解决眼前问题，长期维护需确保后续稳定性；2)维护阶段应固化验收规则、补强回归测试、记录兼容风险并更新项目认知；3)当问题反复出现、影响扩大或需要新规则时，应升级为新任务；4)通过四个状态文件（项目地图、当前任务、修订日志、待解决问题）协同实现"修复后的稳定化"。核心观点是：通过验收是起点而非终点，系统应不断将已验证的解决方案转化为长期规则，同时明确未决问题的跟踪机制。

2026-07-02 20:29:05 268

原创《AI 渐进编程》之十五：从偏航到靠岸——一轮程序修改的完整循环

本文阐述了程序开发中的“完整循环”概念，强调任务推进应遵循结构化流程而非盲目试错。完整循环包含六个阶段：状态加载、输入确认、分析决策、代码修改、结果输出和状态更新，并以购物车修复为例展示了具体实施过程。核心价值在于通过明确的任务边界、精准修改、严格验证和状态记录，确保每轮迭代都基于已验证事实推进，从而避免问题扩散并加速系统收敛。最终目标是将代码修改转化为可验证、可提交的闭环，为下一轮工作奠定基础。这种结构化方法比随意试错更能保证项目长期稳定性。

2026-07-02 20:08:14 224

原创《AI 渐进编程》之十四：Agent 的道场怎么布置？——程序项目的工作台方法

本文提出了一个面向Agent编程的工作台设计框架，核心是将项目信息分层管理以提升协作效率。工作台分为四个功能区：项目认知区（存放长期稳定的项目信息）、当前任务区（本轮具体任务说明）、代码与验证区（实际修改区域）和反馈区（记录修改结果）。这种分层设计解决了传统混排模式导致的信息混淆问题，确保Agent和开发者都能快速获取所需信息。文章还提出了"三屏理论"：对话框处理即时交互、Dashboard展示项目状态、代码区专注修改验证。最后强调工作台的核心价值在于建立清晰的信息流向，使每轮修改都能基于明确上下文，既防止

2026-07-02 19:41:42 359

原创《AI 渐进编程》之十二：海狮做对了喂小鱼，Agent 做对了喂什么？

摘要（149字）本文探讨了AI系统中"验收"机制的核心价值——通过明确的正反馈信号确认任务有效性。以购物车程序为例，有效的验收需包含：特定错误处理（如空购物车安全拦截）、核心功能保护（正常结算不受影响）、修改范围控制、剩余风险记录等可验证条件。这不同于模糊的"看起来正确"，而是建立工程化的通过链条，使AI能区分有效修改与表面修复。文中提供了任务验收模板，强调将验证结果写入系统状态（如修订日志、待办清单），既避免过度修改又防止半途而止，形成"问题留存-有效确认"的闭环，推动系统持续收敛至正确方向。

2026-07-01 22:15:57 372

原创《AI 渐进编程》之十一：如何给Agent 一根胡萝卜？

《项目状态管理：open_issues.md的作用与实践》摘要 open_issues.md是项目状态管理的关键文件，用于记录暂时无法解决但必须跟踪的重要问题。其核心价值在于实现"受控延期"，将不确定性从当前任务中剥离，同时确保问题不被遗忘或忽视。该文件适用于四类典型场景：必须延期修复的问题、证据不足的待确认项、超出当前任务范围的影响因素、需要暂缓处理的关键事项。有效使用open_issues.md能避免任务边界模糊和AI的盲目猜测。优质的问题条目应包含六个要素：问题位置、类型、现象描述、影响范围、所需

2026-07-01 06:03:31 399

原创《AI 渐进编程》之十：如何和 Agent 续签合同？——修改日志与系统收敛

文章摘要（146字）：修改日志（revision_log.md）与Git互补，记录决策语义而非文件变化。其核心价值是帮助AI系统收敛：通过说明"为何改、改哪里、验证结果、遗留问题"，避免下一轮重复试错或遗漏关键上下文。有效日志需简短聚焦，回答WHY/WHERE/PROOF/IMPACT四问题（如示例），避免冗长复述或流水账。它是任务推进的"决策历史"，与Git的"文件历史"分工协作，确保迭代过程可追踪、可延续，而非每轮重启猜测。

2026-06-30 11:15:48 261

原创《AI 渐进编程》之九：作为甲方，如何和 Agent 签一份好合同？

current_task.md 的作用，是把一句模糊的自然语言任务，整理成一份当前轮可执行、可验收、可回写的任务契约。它明确主任务、允许修改范围、禁止触碰区域和验收条件，避免 Agent 把“顺便”“尽量”“优化一下”理解成无限扩张的授权。对于长期项目来说，AI 不缺生成能力，缺的是边界。current_task.md 正是给 Agent 设定当前边界的工具，让每一轮修改都有明确目标、清晰范围和可检查的结束点。

2026-06-30 09:04:47 537

原创《AI 渐进编程》之八：给 Agent 装上“鹰眼”——复杂项目重构中的地图控制术

本文介绍了AI编程中项目地图（project_map.md）的作用与设计原则。项目地图作为长期记忆载体，解决了对话上下文作为工作记忆的局限性（易膨胀、易混淆、不稳定）。它是一份经过维护的短摘要，包含项目目标、关键文件、稳定约束、当前阶段和阅读顺序等核心信息。与对话历史和详细文档不同，项目地图承担中间层记忆功能，通过压缩关键事实来指导AI的下一步行动。文章还讨论了项目地图与其他状态文件的分工关系，强调其导航作用而非完整记录，并指出过度详细或长期不更新会削弱其效用。最终目标是让AI在复杂项目中能基于稳定认知做出

2026-06-29 22:57:04 653

原创《AI 渐进编程》之六：从实时监督到预先控制

本文探讨了AI编程从人工实时监督转向预先控制的重要性。文章指出，实时监督存在人力成本高、规则不稳定等缺陷，主张通过Harness和状态机建立分层控制机制：提出三层控制模式：轻量模式：适合低风险小任务受控模式：通过Harness限制修改范围状态约束：跟踪任务进度和失败记录强调控制应动态调整：根据任务复杂度逐步加强控制任务稳定后可适当降级将人工纠错转化为可执行规则核心观点：预先定义边界和验收标准控制力度随任务风险变化稳定后应保留最小必要约束这种渐进式控制策略旨在平衡灵活性和可靠性，使A

2026-06-29 08:55:08 423

原创《AI 渐进编程》之五：给 Agent 穿上动力装甲——SIADOS 状态转移方法

摘要： SIADOS模型将AI编程任务拆解为六步循环（State→Input→Analysis→Driver→Output→State Update），核心在于通过状态更新实现多轮反馈推进。不同于一次性输出，该系统强调：状态管理：记录任务上下文、已知问题和历史结果，避免重复错误；收敛机制：通过分析风险、约束动作范围，使系统逐步逼近有效解；失败复用：将失败原因纳入状态，指导后续决策。 SIADOS与状态机（阶段控制）、Harness（执行约束）协同工作，形成"单轮流程-全局控制-动作验证"的完整闭环，最

2026-06-28 13:30:32 722

原创《AI 渐进编程》之四：状态机如何约束 AI 的动作？

这就是状态机要解决的事。在这本书里，状态机不是为了“显得高级”，而是为了把“现在在哪里、下一步能做什么、什么算通过”写成可检查的规则。只有这样，AI 编程才不是凭感觉乱跑，而是能沿着明确的转移关系继续推进。

2026-06-28 10:09:28 409

原创《AI 渐进编程》之三：AI编程什么时候需要引入状态？

本文探讨了在复杂任务中引入状态管理的重要性。文章指出，当任务出现重复失败、跨文件影响或需要恢复时，仅靠prompt和控制机制（Harness）已不足以保证系统稳定运行。状态管理的核心价值在于记录关键事实（如当前任务、已知问题、修改记录等），使AI能够基于历史轨迹继续推进，避免反复试错。作者强调状态应根据任务风险分级设计，与Harness形成互补关系：Harness控制当前轮次操作，状态保存项目认知和进度。文章提供了最小状态结构的示例，并警告过度设计状态可能成为负担。最后指出状态管理的本质是让AI在复杂任务中

2026-06-27 13:13:16 710

原创《AI 渐进编程》之二：从 Prompt 到 Agent，再到 Harness

本章介绍 `Agent` 与 `Harness` 的基本关系。`Prompt` 用于表达目标，`Agent` 根据当前状态持续决定下一步，`Harness` 则负责限定任务范围、工具权限、验收条件和状态回写。随着执行路径从固定流程变为动态决策，控制和验证变得更重要。一个合适的 Harness 不应无限加厚，而应根据任务风险保持最小必要控制。

2026-06-27 08:36:48 689

原创《AI 渐进编程》之一：别一上来就全自动，AI 编程更稳的做法是分层控制

文章摘要：AI编程的真正挑战不在于代码生成，而在于生成后的修改范围控制、模块影响评估和项目维护。AI会让简单任务变得廉价，但也会扩大项目边界，需要合理的控制机制。"渐进编程"方法建议根据任务风险动态调整控制强度：简单任务用Prompt直接解决，中等风险任务引入轻量级Harness，高风险任务增加验证、回滚等机制，待任务稳定后再逐步简化控制。这种"生成-控制-交付"的循环，使AI生成结果能转化为可维护的软件资产。

2026-06-26 20:56:42 966

陈彬深大的博客