很多人期待长任务编程 Agent，是因为它看起来能把“我想要一个功能”直接变成 PR。我对这个期待比较谨慎。Agent 能跑更久，能自己读文件、改代码、跑测试，当然是进步。但它越能自主执行，越暴露一个老问题：需求如果写得像聊天，最后就会得到一个像聊天一样含糊的实现。 OpenAI 在 Codex 相关技术文章里讲过 agent loop、工具调用、…

我原本以为 MCP 发展到 2026 年，主要矛盾会是“大家到底接不接这个协议”。现在看，这个阶段已经过去了。真正值得个人开发者关心的，不是再多接几个 MCP server，而是：当工具调用开始跨进程、跨服务、跨账号以后，状态放在哪里，权限怎么收口，失败怎么恢复。 这不是一个很性感的话题，但它决定了 MCP 能不能从演示项目变成可维护的生产组件。 …

现在的 AI 编程工具开始提供模型选择：GitHub Copilot coding agent 支持 model picker，Claude、Codex、Copilot 等也越来越多地出现在同一个开发流程里。很多讨论会迅速滑向“哪个模型最强”。这个问题当然重要，但对个人开发者来说，更有用的问题是：什么任务该用什么模型，什么时候不值得用贵模型。 我的…

把 AI 编程助手接进 CI，是最近很多团队都会尝试的事。Claude Code 文档提到可以在 CI 中自动化 code review 和 issue triage，GitHub Copilot coding agent 也在往 PR、自审、安全扫描和 CLI handoff 方向走。趋势很清楚：AI 不只在编辑器里补代码，也会进入工程流水线。 …

AI 生成代码之后，下一步很自然就是“跑一下”。这也是最危险的地方。代码生成工具越强，越容易让人忘记一个基本事实：你并不知道它刚刚写出来的代码会做什么。尤其是当系统开始支持 shell、文件读写、网络请求和动态预览时，沙箱就不是锦上添花，而是底线。 Cloudflare Dynamic Workers 提到的一个典型场景，是让 AI 生成的应用在安…

Claude Code 这类终端式 AI 编程工具真正有价值的地方，不是“它能聊天”，而是它能进入项目现场：读文件、跑命令、改代码、调用 MCP、执行 hooks。问题也随之出现：一个能动手的 AI，如果没有边界，就不是助手，而是一个很自信的实习生。 我的判断是：团队或个人项目要认真使用 Claude Code，第一步不是写更长的 prompt，而…

AI 编程助手过去像“编辑器里的增强补全”，现在越来越像“可以接任务的外包同事”。这个变化带来的第一个现实问题不是模型有多聪明，而是成本终于开始变得可见。GitHub 已经宣布 Copilot code review 从 2026 年 6 月 1 日起会同时消耗 AI Credits 和 GitHub Actions minutes，这意味着自动审…

过去一年，关于“AI 生成代码到底能不能进生产、能不能进开源主干”的讨论，很多时候都被说得太虚。有人把它讲成效率神话，有人把它讲成版权灾难，还有人干脆把问题简化成“能不能用 Copilot”。Linux 内核最近给出的答案，反而是目前我看到最有工程味的一种：可以用，但别装作是工具在负责，责任还是你自己的。 内核文档已经新增了两份相关说明。一份是 A…

过去一年，很多人提到 MCP（Model Context Protocol）时，注意力都放在“模型终于能接外部工具了”。这当然重要，但到了 2026 年，我反而觉得这已经不是最值得看的部分。真正说明 MCP 进入下一阶段的信号，是它开始讨论传输扩展、代理通信、治理成熟和企业可用性。这意味着它正在从“开发者圈子里的方便协议”变成“需要被基础设施团队认…

很多团队提到 CI/CD，第一反应是“把测试和部署写进流水线”。这当然是基础，但如果只把它理解成几段自动化脚本，持续交付很快就会变成另一种形式的手工操作：脚本一堆、步骤很多、失败难排查、谁都不敢改。真正成熟的 CI/CD，不只是让系统自动跑起来，而是让交付过程可重复、可追踪、可治理。一、CI/CD 的目标不是更快，而是更稳地快很多组织推动 CI/C…