Cheuk Ting Ho 的工作坊用一個刻意帶著缺陷、卻有接近 100% 覆蓋率的 Python 專案，示範 AI 生成程式碼真正該怎麼驗：從性質測試、時區矩陣、靜態分析與供應鏈稽核，一路做到架構邊界、對抗式審查與 AI 工作流評估。
Tag: #software-engineering
9 篇文章
Matt Pocock 把 AI 時代的 PR 瓶頸拆成三層煞車：自動檢查、自動 review、人類 review；重點不是讓 agent 多寫，而是讓 review 系統會學習。
AI agent 讓開 PR 變容易，卻把瓶頸推到 review。這集借 Matt Pocock 的演講，整理三層煞車、測試測謊、review agent 分工、單向門判斷與 retro 回饋系統。
碼農高天用一個 Python 模板解析小庫示範：AI、linter 與 formatter 會讓低階錯誤變少，但 Code Review 的價值沒有消失，而是轉向設計、介面語義、一致性、測試與 CI。
Kelly Tsai 這支影片以 AI 面試作弊軟體為切入點，討論遠端技術面試的訊號如何被即時輔助工具稀釋。真正的問題不是要不要面試，而是公司能否從標準答題轉向工作樣本、互動討論與判斷驗證。
Armin Ronacher 在 The Coming Loop 裡討論 coding agent 的下一個重點：不是模型內部 tool loop，而是外層 harness loop。任務進 queue、機器嘗試、harness 判斷是否完成、再續跑或重開 session。這種 loop 在 porting、benchmark、security scan 很有效，但用來寫長期核心程式時，會放大不可理解、過度防禦與責任外包。
Addy Osmani 認為 AI coding agents 沒有讓 code review 變不重要，反而把工程瓶頸從寫程式移到驗證與信任。團隊需要依風險分層、要求證據、讓 AI 做第一線審查，但人類仍要負責高風險決策與 merge。
系統設計面試的 Strong Hire，不是把標準答案背得最完整，而是像更高一級的工程師一樣主導問題、釐清需求、比較方案、解釋取捨，並讓面試官相信你能在真實工作中做出可承擔的決策。
Factory 的 Luke Alvoeiro 這場演講，核心不是「多開幾個 agent 就會變快」，而是把 multi-agent 系統當成可長時間運作的工程組織：Orchestrator 規劃與定義驗收契約，Workers 逐步實作，Validators 以獨立脈絡做對抗式驗證。真正的槓桿不是平行數量，而是結構化交接、事前驗收標準與能隨模型進步而變強的架構。