AI-Coding时代，质量管理的核心从“是否管”转向“如何管”。通过建立Harness工程基础设施与全栈能力组织形态，结合三层约束框架（输入/生成/输出），可系统化提升AI生成代码的质量与可控性。RD与QA的协作目标对齐为“让AI代码安全上线”，协作模式从线性交接升级为闭环共建，QA左移至标准制定阶段，RD输出标准化Spec，共同实现测试效率提升与交付质量保障。三类项目实践表明，该方法能显著压缩开发周期、提升异常发现速度、增强系统可维护性，为组织级AI-Coding质量管控提供了可行路径。
本文记录了贴吧 Server 团队将小码哥 AI CR 规模化落地的 10 周实践，将评审占比从 33% 提升至 84%，bug 密度下降；全套方法论与工作流可直接迁移，少走弯路。
本文介绍了百度Go CMC委员会主席开发的三个AI Skill，旨在解决Go语言开发中的三大核心挑战。chao-go-sync专注于并发编程，能自动诊断并发bug并提供优化建议；chao-go-perf提供全面的性能分析能力，包括基准测试、性能剖析和编译器优化指导；modern-go则专注于代码现代化，能自动将老式Go代码转换为符合最新版本的现代惯用法。这三个Skill整合了Go语言领域的权威知识资源，为开发者提供了智能化的编程辅助工具。
本文以搜索结果展现为例，介绍 RenderFlow 如何将 LLM 代码生成能力落地到线上服务。随着结果形态和业务场景持续增加，传统依赖人工完成逻辑编写、联调验证和问题修复的链路，逐渐暴露出交付周期长、重复适配多、调整成本高等问题。RenderFlow 围绕“生成、执行、反馈、修复、发布”构建交付闭环：Prompt 适配器负责沉淀场景上下文，可执行引擎负责承载模型产物，多轮修复机制用于收敛生成质量，覆盖发布前、发布中、上线后的质量保障则用于控制线上风险。上线后，单场景数据转化逻辑交付从天级压缩到分钟级，需人工介入修改的比例降至 5% 以下；当前系统已支撑近千个场景的线上运行。
复杂工程场景下，AI 不是一个"问一句答一句"的黑盒，而是一套需要被精心设计的技术体系。本文以网盘 Android 存量代码转 KMP 项目为实践载体，分享 Skill、SubAgent、Agent Team 三项 AI 技术的应用心得——它们分别回答"怎么稳定执行"、"怎么调度不失控"、"怎么协作提效"三个层次的问题，组合起来，构成一套从原子执行到并行协作的完整方案。
本文通过真实案例展示了如何利用 Claude Code 的 /prd、/goal、/after-goal 三个斜杠命令，实现从需求拆解到代码合入的全自动化开发流程。 该流程成功将原本分散、手动的多环节研发过程固化为高效、自动化的三阶段协作，显著提升了开发效率与规范性，并验证了 CLI 工具优于浏览器操作、Skill 作为流程知识载体等最佳实践，为 AI 辅助研发提供了一个可复用的轻量级全自动解决方案。
通过概念和简单案例引导大家合理的使用AI 1、必知的概念体系 2、上下文的重要性 3、从最简单的维度理解什么叫 Harness Engineering 4、模型的边界
之前没写过 VSCode 插件、没接触过 Chrome Cookie 加密机制、不了解 UUAP SSO。2 小时后,独立做了一个能自动读取浏览器登录态、实时监控 Comate 模型用量的 VSCode 插件——8 个核心文件,1000+ 行代码,打包后 .vsix 可以直接分发给同事使用。 这篇文章记录这 2 小时真实发生的事。0 行手写代码,不意味着什么都不用想。恰恰相反——我花了大量时间在判断:这个方案能不能落地、这个报错的根因是什么、Claude 给的方向是不是对的。代码是 Claude 写的,但每一个关键决策是我做的。
本文提出了一套8维度的Skill量化评估框架，通过元数据质量、执行引导清晰度、领域知识密度等指标对Skill进行打分评级，解决了Skill质量难以客观衡量的问题。为提升评估可靠性，设计了多模型交叉验证流程，并适配不同AI工具环境提供四种执行策略。该框架既能帮助开发者识别改进短板，也能辅助用户横向对比选择优质Skill，但需注意其侧重于文档与设计质量评估，并非运行时性能的完整度量。
本项目成功将Karpathy在AI研究领域的AutoResearch方法迁移到软件开发领域，通过多AI Agent交叉审核、5维度量化评分和反馈驱动迭代三大改进，构建了一个全自动的软件开发系统。该系统以program.md为规则核心，实现从GitHub Issue识别、代码实现、测试验证到审核合并的完整闭环，仅在少数情况下需要人工介入。实践表明，该系统能在约10分钟内自主完成中等复杂度的开发任务，并达到9.0/10的代码质量标准，显著提升了开发效率并降低了人力成本。
