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…

我原本以为 AI 编程工具进入“agent 模式”以后，团队最先感受到的会是开发速度明显提升。后来我发现，很多仓库里先被放大的不是编码效率，而是审查效率。 原因不复杂：当工具还只是补全时，它主要影响一个人写代码的速度；当它开始自己起分支、改多文件、跑测试、做自检时，瓶颈就从“写得快不快”转成“你有没有能力把它审得明白”。如果审查链路没准备好，age…

我看到 GitHub Copilot 在 JetBrains 相关更新里支持全局自定义 Agent，可以把 .agent.md 放到 ~/.copilot/agents 下面，让多个工作区复用。第一反应是：这东西对个人开发者很方便。第二反应是：它也很容易变成新的配置债。 开发工具一旦支持“全局规则”，就会诱惑我们把所有个人偏好都写进去。短期确实省事…

我最近看 AI 编程工具的更新，越来越少关注“它又支持了什么模型”，反而更关注一个不太显眼的方向：它们开始认真处理上下文成本了。 GitHub Copilot 在 2026 年春季的一些更新里提到语义搜索、跨仓库 grep、prompt caching、deferred tool loading、面向 Agent 的专用工具。这些词听起来像产品细节…