我一开始以为 AI Coding Agent 最大的价值，是把代码写得更快。后来越看越觉得，这个判断有点偏。 真正值得关心的不是“它能不能帮我写一个函数”，而是它能不能接住那些开发者不想亲手处理、但又必须有人处理的工程杂活：读一遍旧代码、改几个边界条件、补测试、跑命令、整理 PR、根据反馈再改一轮。 OpenAI 在 Codex 的介绍里，把它定义…

我最近越来越少把 AI 编程工具当成“更聪明的自动补全”来看。 这个判断可能有点反直觉。因为大多数人第一次用 Copilot、Claude Code、Codex 这类工具时，最直观的感受确实是：它能帮我写代码。写一个函数、补一段测试、改一个 CSS、生成一段 SQL，看起来都挺顺手。 但如果你真的把它放进一个已有项目，而不是在空白文件里让它表演，问…

我最近对 AI 编程 Agent 的看法有点变了。 以前我更关心它能不能写出可用代码：能不能理解项目结构，能不能改对类型，能不能自己跑测试。现在我觉得这已经不是最值得纠结的问题。真正麻烦的是：当 Agent 开始接入 GitHub、Playwright、MCP server、CLI、本地文件系统和云端环境以后，它不再只是一个“会补全代码的聊天框”，…

这两年很多人都在说“别绑死单一模型厂商”。这句话本身没错，但我越来越觉得，很多团队把它理解得过于轻巧了。模型切换当然重要，可一旦你真的开始同时接多家模型、多条 fallback、多套预算和日志，问题就不再是 SDK 调用层那点事，而是一个标准的基础设施治理问题。 也就是说，真正难的不是把 provider 名字从 openai 换成 anthrop…