推荐收录。它把 LLM 使用从工具技巧上升为可执行的团队规范：用价值观排序支撑具体规则，并对阅读、研究、写作、代码审查与编程等场景给出差异化边界，还点名强制使用、羞辱与拟人化三类反模式。适合工程负责人、技术写作者和正在制定 AI 使用规范的团队参考，其框架可迁移到其他组织的治理讨论；局限在于它是政策主张而非实证研究。
作者运行了一次 35 小时的无人值守 AI 编码实验，让模型自治开发 CPython 特性，最终消耗约 10 亿 token 和 1200 美元，产生了 79 次提交却未产出真正有价值代码。通过审阅模型输出的代码与笔记，他系统归纳了多种“代码高尔夫”式症状：用 Python 字符串拼接修改 C 源码、硬编码随机常量、反复调用临时脚本却绕过正规编辑工具等，导致代码完全不适合人类阅读和审查。作者推测这些现象源于训练中过度奖励长程任务完成与 token 效率，而缺少对人类可读性的惩罚，并据此质疑当前模型路线是否仍适合人类参与的软件工程协作。文章以大量具体代码和实验记录为证据，为理解 AI 编程代理的失效模式提供了重要参考，但结论基于单一模型版本和一次特定实验，迁移时应谨慎。
该文以真实实验数据和大量代码片段直接呈现了 AI 编码代理在长任务场景下的输出退化，为“token 效率 vs 代码可读性”的讨论提供了可验证证据。适合 AI 编码工具使用、agent 设计者以及关注代码质量的工程师阅读，其中关于训练奖励偏差与自主代理失控的分析，也能迁移到其他 AI 工程实践与评测场景。
Paint.NET 作者 Rick Brewster 讲述了如何让 Paint.NET 在 Wine 上运行的艰难尝试。Direct2D 一直是最大障碍，Wine 的实现永远无法满足需求，于是他决定写一个内部、从零开始、clean-room 逆向重写的 Direct2D 实现，通过 /wine 参数在 Wine 上启用，代码放在 PaintDotNet.Windows.Direct2D1.Managed.dll 中。这个约 18 万行的实现主要由 Claude 生成，文章称其为 vibe coding，因为作者无法逐行审查如此庞大的代码；但他必须不断监督 Claude，纠正 COM 引用计数等资源管理问题以及糟糕的架构选择，同时也惊叹于 Claude 逆向推导 Direct2D 内置效果公式的能力。结合 Paint.NET 约 70 万行、20 年维护史，文章提供了 LLM 生成代码进入成熟项目的真实工程案例，说明这种做法的价值与风险边界在于持续人工审查和领域约束。
直接证据：Paint.NET 是长期维护的真实项目，作者公开了 18 万行由 Claude 生成代码的完整工程实践与监督过程。适合关注 AI 编码工具、逆向工程或大型原生项目平台兼容性的工程师阅读。可迁移价值是理解以 LLM 为中心的大规模代码生成进入成熟系统时的监督成本、资源管理和架构审查要点；主要风险是作者坦诚大部分代码未经完整审查，不应把过程复制为无人干预即可完成。
文章宣布Trail of Bits在Testing Handbook中新增Rust安全测试章节，系统介绍了用于验证Rust程序安全性的工具和技术。内容首先概述Rust安全保证的边界与未尽问题，然后深入动态分析领域，包括使用Miri检测未定义行为、proptest属性测试、覆盖率测量和变异测试等。接着阐述静态分析工具Clippy的深度用法及推荐lint。此外，还总结了从审计实践中积累的陷阱清单，如操作符优先级差异，并提供了内存清零的三种方案。最后，介绍了专用工具如模型检查器Kani和供应链依赖审查方法。文章旨在为开发者提供一个全面的Rust安全测试流程，但内容为概述，具体细节需参考完整手册章节。
推荐收录。这是一次真实的 AI 工程实践复盘，完整展示了从问题定位（代理行为回溯）、假设验证（工具指令与工作流不匹配）到解决方案（重写指令对齐审查场景）的过程，并提供了 20% 成本优化的量化证据。文章对构建 Agent 系统的工程师具有可迁移价值：它揭示了工具描述如同 API 文档一样影响代理决策，且基准的追踪细节比最终得分更有调试价值。适合从事 AI 工程、开发者工具或 LLMOps 的读者。
本文复盘了一个在大规模 AI Coding 场景下，对 31 万行复杂业务系统进行渐进式重构的工程实践。作者提出用“Agent 评测”的思路管理 AI 编码：先通过团队共识完成“人人对齐”，再把规范固化为 AI Rule、Skill、Pre-PR 和多层审查机制，实现“人机对齐”，并在不停止业务交付的前提下，逐步消化技术债、重建分层架构和业务模型。文章还讨论了 AI 如何改变经验的价值边界，以及如何用 AI 辅助测试、Code Review 和跨模型互审来缓解 AI 提效后带来的下游瓶颈；其适用前提是团队已具备明确的工程治理意识和一致的架构标准。
推荐收录，因为这不是泛泛而谈的 AI 编程感想，而是把 AI Coding 纳入工程治理体系的一套可复用方法论，包含规范、评审、测试和重构的闭环设计。对正在经历 AI 产能上升、代码规模膨胀和技术债加速累积的团队尤其有参考价值。