小黄鸭
这里是 小黄鸭 的个人博客，与你一起发现更大的世界 | 要做一个有 ikigai 的程序员
最新文章
-
发现你的未知：Agentic Coding 的地图与疆域
照着 Anthropic 工程师的 unknowns 方法论实践了两周，最大的变化是心态：以前 Agent 产出不对，我怪它没理解；现在我先问自己的地图哪里漏了。附两周里最好用的几招和一次被 quiz 抓住的真实漏网。
-
AI 生成测试用例的四阶进化：从 Prompt 工程到自进化
我们自己的用例生成工具卡在「正确但没用」很久了，直到对照快手 KATE 的四阶演进（8% 生成率做到 70%）才看明白卡在哪。生成型 Agent 产品的瓶颈迁移路径其实高度可预测，这篇把地图画出来。
-
锯齿智能与多模型调度
我们的模型选型评测得出过一个尴尬结论：聊天体验最好的那个模型，在真实 Agent 负载上垫底。锯齿智能这个概念解释了为什么，也解释了为什么「哪个模型最强」是个没有营养的问题。
-
代码是负债，规格才是资产
重写一个八年老系统时我们发现：最值钱的业务逻辑只存在于代码里，而且没人说得清为什么。AI 把写代码的成本打到趋近于零之后，真正稀缺的东西显形了。聊聊「代码是负债」这个暴论，和它推出来的工程结论。
-
RPI 工作流：像资深工程师一样使唤 Agent
把 RPI 教给一个刚上手 AI Coding 的同事之后，他的返工率一周内降了一半。三步，三条铁律，一张便签能写下的方法，专治「一个窗口从头聊到尾」。
-
AI Coding 控盘规则：水流理论与最小混沌单元
「AI 写的代码我看不过来了」——团队里被问得最多的问题。我的答案是别看代码，看证据。这篇把我们摸了半年的控盘打法写下来：水流理论、漫溢与溃堤的分辨、最小混沌单元，和一次删掉两千行错误 diff 的教训。
-
Loop Engineering：从手工调 prompt 到设计实验回路
我们把一个分类 Agent 的准确率优化交给了另一个 Agent，它跑了一个周末，迭代了十几轮，交回一个比我手工调了两周更好的版本——中间也差点被它的 reward hacking 摆了一道。记录这次实践和 Loop Engineering 的几个关键机制。
-
目标驱动循环：从口头指令到完成合同
用 goal 模式治好了一个折磨我们三周的 flaky test，也烧过一整晚 token 一无所获。两次经历的差别不在模型，在于我有没有把「完成」定义清楚。聊聊 goal 类功能的机制设计和写好一份完成合同的六要素。
-
编辑格式之战：str_replace、apply_patch 与 hashline
模型明明「想」对了，改文件却改错了——自己搭 harness 的人都在这摔过跤。对比三种编辑格式的设计取舍，附上我自己在内部任务集上复测的结果，和一个关于 harness 设计的普遍规律。
-
工作区可以是文件，账本必须是数据库
一场持续两周的存储选型之争，和一次用 YAML 管任务状态翻车的亲身经历。Agent 时代的存储分工，我现在的答案是一句话：工作区可以是文件，账本必须是数据库。