如今程序员越来越离不开AI Coding。当AI有足够能力很快把代码实现写出来，而开发人员在此过程中应该干什么？我们在开发过程中遇到的几个问题：这个需求到底要做成什么样？做完效果如何？最终产物质量够不够好？以前手搓代码时代这三件事裹在日常开发流程里，开发过程中就定好了，开发人员靠专业素养和工具守住软件工程的”规矩“。而如今换成模型来写代码、去跑工具，Harness Engineering把这几个关键点仍然留给开发人员这里把控，整个开发流程严格约束AI，不轻易让AI糊弄过去。开发人员要确保整个流程运行在正确的轨道上
10 月上旬一周内，GitHub 上一个叫 REA 的项目 Star 从 1.5 万冲到 23 万+，凭什么这么火？REA 全称 Reverse Engineer Anything——逆向一切，要啃的是计算机领域一个由来已久的硬骨头：没有源码，如何从编译好的二进制里反推出软件的实现逻辑。过去这是逆向工程师用 Ghidra、IDA、Hopper 纯手搓死磕的苦活。本文深入拆解 REA 的工作机制与架构——逆向工程从"人用工具"切换到"Agent 用工具"，究竟是如何实现的。
腾讯广告的商品数据生产链路是由60+个在线服务、50+个存储节点、490+条数据流关系与270万行代码构成的复杂分布式系统，异常会沿数据流和调用链跨服务级联传播，表象与根因往往不在同一位置，排查高度依赖经验，处置结论也难以复用。为解决这些问题，团队以系统拓扑图为核心构建统一知识底座，引入问题发现、根因分析、自主修复和 Self-Improving 等 Agent 协同，将异常识别、证据取证、受控修复与经验沉淀整合成自治闭环。
一辆车从地面驶入隧道，网络从 5G 掉到 4G，再掉到无信号，出隧道又切回 5G。整个过程 40 秒。在车端日志里，这 40 秒是这样的：TCP 连接在信号衰减时卡在重传与内核超时退避里；等系统终于宣布连接死亡，车端 SDK 才开始重连——TCP 三次握手加 TLS 握手，在刚恢复的弱信号下又是若干次往返。加起来，这辆车有 8 秒 左右处于「物理上有网、业务上失联」的状态。更麻烦的在服务端：早高峰时段，几千辆车先后穿过同一段隧道，然后几乎同时向 Broker 发起重连。每次重连都要完整握手、鉴权、恢复订阅关系、清理旧连接状态。
本文讲述腾讯15年资深后台工程师，在 AI 时代如何入门大模型推理工程。全文围绕三条主线展开：从资深后台工程师到推理工程新人的抉择、推理工程的入门路径与自检方法、AI Infra 与通用 Infra 的同源与分野。
SRE 每天面对去重后数百个错误码告警：retcode 含义不清、调用链难追、运行时证据分散。人工排查一个错误码需要 3～8 小时不等，大量时间花在跨系统检索和上下文拼凑上，推给开发后往往还要再查一遍。我们基于智能体编排平台搭建了错误码治理 Agent：将知识库、代码关系图谱、可观测平台数据和代码托管平台四类能力挂载到同一个 Agent，由它自主编排排查流程，分钟级产出根因分析和修复建议。在 50 条 case 对比中，优化后的 action_type 与人工标注一致率从 66% 提升到 88%，硬冲突率从 20% 降至 0%。这篇文章重点分享三个实践：如何组织多源证据、如何让长链路排查稳定产出，以及如何用案例和回归评测持续迭代 Skill。
