本文旨在解决“即兴编码”这一常见问题——一种低规格、零计划的 AI 加速开发方法，常导致脆弱、难以维护的“演示 Demo”。为了解决这个问题，文章提出了一个强大的框架，用于使用 AI 编码智能体构建生产级应用程序。该框架建立在三大支柱之上：原则、流程和工具。“原则”是该框架的指导思想，强调 AI 在加速学习中的作用，以及工程师作为架构师和 AI 智能体作为执行者的角色。同时，它还强调深思熟虑的迭代和全面的规范，而不是仅仅依赖提示工程。“流程”详细说明了一个两阶段的工作流程：“规划阶段”，工程师在其中定义架构、功能、规范和依赖关系；以及“实施阶段”，AI 智能体在人类监督下自主构建和测试原子功能，利用多感官反馈循环。最后，“工具”支柱概述了必要的能力，包括编码环境、多感官反馈系统、上下文工程工具和版本控制。该框架旨在使 AI 工程师能够构建可理解、可维护且可用于生产的软件，将他们从“提示骑师”提升为真正的 AI 架构师。
Jellyfish 的 Nicholas Arcolano 通过分析来自 20 万开发者提交的两千万个 Pull Requests 得出的见解，详细说明了 AI 对软件工程的实际影响。该研究定义了成功的 AI 采用，量化了主要来自交互式 AI 编码工具的生产力提升：PR 吞吐量增加 2 倍，周期时间减少 24%。它还发现了副作用，例如 PR 规模增加 18%，但指出目前对代码质量没有显著的负面影响。一个关键的发现是代码架构的作用；集中式和平衡式架构显示出高达 4 倍的吞吐量增长，而高度分布式系统由于上下文挑战，影响甚微，甚至有负面影响。相比之下，自主 AI 代理仍处于早期实验阶段，占合并 PR 的不到 2%。这些见解为正在进行 AI 转型的组织在提升开发者生产力方面提供了实践指导。
BetterUp 的首席全栈工程师 Brian John 提出了一种将子代理集成到 Codex 命令行界面的方法，旨在复用 Claude Code 等工具中的高级上下文管理功能。他的动机源于希望避免供应商锁定，并在保留子代理功能的同时利用 Codex 的能力，特别是为了使研发团队成员能够更快、更高质量地使用人工智能。John 强调了子代理在上下文管理中的作用。子代理处理特定任务，消耗 Token，并将简洁的答案返回给主代理，从而有效地防止上下文溢出。架构设计涉及一个简单的 Python 包装脚本，用于协调父 Codex 会话和子 Codex 会话。子代理执行任务并将结果写入文件，然后父代理读取该文件。一个突出的挑战是解决 Codex 严格的沙箱和权限错误。这需要配置精确的最小权限，并禁用“发布记录器”等功能。原因是父沙箱会阻止子命令访问工作区之外的文件系统。还讨论了安全考量，参考了 Meta 的“代理双重规则”论文，John 认为他的方法风险较低，但强调需要根据具体情况进行评估。演示文稿包括 Codex 的配置指南和概念验证 (PoC) 包装脚本的现场演示，展示了字数统计和文件写入子代理，同时承认与 Claude Code 相比，串行执行速度较慢。
Temporal Technologies 的 Johann Schleier-Smith 提出了一个引人注目的愿景，即实现“零 Bug”软件。他认为这是一个可以实现的现实，并借鉴了航空航天工程中的历史成功案例，如空中客车 A320 和航天飞机，并采用 N 版本编程、基于规格的设计和形式化方法等严格技术，实现了无与伦比的可靠性，以此来反驳关于零缺陷愿景不可能、过于复杂和成本高昂的论点。该演讲追溯了软件可靠性的发展历程，从高级语言和结构化编程到现代形式化验证工具（如 Dafny），展示了它们嵌入证明和在运行时之前检测 Bug 的能力。Schleier-Smith 的核心论点是，虽然这些高可靠性方法在历史上成本高昂，但 AI 和智能体编码的兴起将大大降低经济壁垒。他概述了智能体编码的实用策略，包括详细的规范、用于编码和验证的独立 LLM 提示以及集成形式化方法。他总结说，智能体编码有潜力使高可靠性软件的成本降低 100 倍，从而普及无 Bug 体验，并通过提高软件质量来加速 AI 赋能的开发。
来自 Waymo 的资深机器学习工程师 Jesse Hu 提出了一个引人深思的观点：构建数字 AI 智能体与机器人技术有着惊人的相似之处。他强调“1% 模型，99% 基础设施”原则，认为离线技术栈和开发工具对成功至关重要，甚至比模型本身更重要。演讲深入探讨了开环与闭环系统、隐式时间离散化、智能体输入/动作空间以及从无状态到有状态过程的转变等核心机器人技术概念，展示了它们对智能体开发的直接适用性。Hu 解释了模仿学习中分布外误差以及开发“动作模型”（而不仅仅是预测模型）的固有复杂性在两个领域中都很常见。他提倡模拟的重要性，利用预定义的应用程序接口，并通过持续的“迭代优化”方法进行开发，其中真实世界的日志反馈到模拟中以进行迭代改进。该演示将“智能体学”定义为一个新兴领域，需要机器人技术中已建立的工程原理。
Neo4j 开发者关系副总裁 Stephen Chin 提出了“上下文工程”，作为超越提示工程的演进，专注于为 AI 提供动态、结构化的上下文。他强调了记忆（短期和长期）、检索增强生成（RAG），尤其是知识图谱在构建可信 AI 系统中的重要性。演讲阐述了知识图谱的结构化表示、可解释性及嵌入技术对语义搜索的增强。Chin 介绍了图增强检索（GraphRAG）作为一种先进的 RAG 技术，利用图来实现更相关和上下文相关的结果。通过实际演示，他展示了由 Neo4j 的知识图谱构建器和 MCP 服务器等工具驱动的图增强检索（GraphRAG）和智能体记忆如何解决复杂的供应链漏洞分析和演示的上下文感知更新等问题，最终指导开发人员设计有效的上下文管道，以构建可信的 AI 系统。
本文介绍了 Meta-ACE，是由 Jointly 的 Alberto Romero 开发的元优化框架，旨在克服 ACE 等单维度 AI 代理优化方法的局限性。Meta-ACE 采用多层架构，分析任务特征（复杂性、可验证性、反馈质量），并动态结合各种自适应策略，如上下文演化、自适应计算和结构化记忆，以增强代理的鲁棒性、准确性和成本效率。该框架的核心创新在于其元控制器，它学习根据特定任务的需求来协调这些策略，从而超越了传统方法。初步结果表明，在代理基准测试和成本降低方面取得了显著改进，Meta-ACE 是一款强大的 AI 代理自改进框架，尤其是在受监管的行业中。
Railway 的 Mahmoud Abdelwahab 介绍了“Railway Autofix”，这是一个创新系统，旨在自动检测和解决基础设施中的应用问题。该方案利用 Railway 的部署能力、Inngest 的持久化执行来实现高可用工作流，以及 OpenCode 作为一个终端 AI 编程助手。该系统监控服务健康指标，如内存使用率和错误率。当检测到超出阈值时，它会触发一个工作流来分析应用架构，制定修复策略，然后生成并提交包含必要代码变更的 GitHub PR。这会将人工事件响应转变为自动化代码审查流程，从而显著提高运营效率和可靠性。本次演讲包括详细的工作流架构、持久化执行优势的解释，以及问题检测和自动 PR 生成的现场演示。
来自 Pydantic 的 Samuel Colvin 展示了如何通过使用 PydanticAI 和 Temporal 实现持久执行来克服无状态 AI 代理的脆弱性。他从一个“20 个问题”的示例代理开始，着重说明系统故障导致进度丢失的问题。通过集成 Temporal 工作流，他演示了代理如何自动从崩溃中恢复并从检查点恢复。本次演示最终以一个复杂的“深度研究”代理结束，展示了持久执行如何支持并行处理，通过 Pydantic Logfire 提供可观察性，并保持长时间运行的任务状态，而不会产生额外的重启成本。主要优势包括增强的可靠性、降低的运营开销以及简化复杂的、长期存在的 AI 应用程序的开发。
本文介绍了一款创新的开源终端看板工具 Backlog.md，旨在将人类项目管理与 AI 代理的能力结合起来。作者 Alex Gavrilescu 强调了 AI 代理耗尽上下文窗口或偏离预定方向的常见问题。Backlog.md 通过将大型功能分解为原子化的 Markdown 任务来解决这一问题。工作流程包括像 Claude 这样的 AI 代理创建任务、生成实施计划，并根据清晰的任务描述和验收标准编写代码。该系统利用 MCP 服务器向 AI 代理公开指令和工具，指导它们完成任务的创建、执行和完成。一个关键的方面是人工参与的审查过程，该过程贯穿于任务创建、计划生成和代码审查的各个阶段。这种方法确保 AI 代理在明确定义的范围内运行，防止上下文过载，并允许高效地进行迭代和回滚。Backlog.md 具有跨平台特性，无需外部 API 或数据库，更重要的是，其 99% 的代码由 AI 代理编写，充分体现了其在实际应用中的有效性。
