AI 编程狂飙背后：代码库正悄然腐烂
上周，某创业公司 CTO 在 Hacker News 发布了一则直白帖文："我们每周收 1 万美元，专门清理 AI 生成的代码。"评论区瞬间沸腾——超 600 人跟帖，既有共鸣者，也有吐槽派，更不乏被戳中痛点的开发者。一位工程师留言称，其团队三个月前全面启用 Cursor 编写代码，"当时感觉效率至少提升三倍"，但如今代码库已沦落到"无人敢动"的境地。并非代码无法运行——它们确实能跑——但整体结构宛如用胶水拼凑的乐高城堡，看似完整，稍一触碰便分崩离析。这并非
AI代码质量的真正决定因素：人的标准决定AI的上限
AI能在五分钟内生成一个可运行的插件系统，但它不会主动指出第六分钟时存在的隐患：比如关闭顺序是随机的、错误被静默忽略、插件声明能力与实际实现不一致等问题。这些问题并非AI无法识别，而是你没有明确提出要求。今天早些时候，我请AI帮我检查dmr-devkit/plugin/的设计质量。当时我只是简单说了一句："评估一下 plugin 的设计如何？"AI很快给出了结构清晰的回复：初看之下似乎合理。但仔细分析后，我发现AI在"缺点"部分有个微妙的倾向："插件数量通常不多，这
AI面试中的并行工具调用机制解析
👆🏻 关注持续获取 AI、工程实践与职场观察。摘要Parallel Tool Call 是 AI Agent 面试的高频丢分点，候选人往往只背过概念，却答不出「触发条件 → 并行执行 → 结果回注」三阶段的内部机制。目录预览一、 为什么 Parallel Tool Call 是面试高频丢分点二、 什么是 Parallel Tool Call：触发、并行与回注三阶段模型2.1 触发阶段：模型什么时候决定并行2.2 并行执行阶段：三个工具同时跑，状态怎么管2.3 回注阶段：结果怎么合并进上下文三、 并行调用的