即刻App年轻人的同好社区
下载
App内打开

工程师的日常

计算机工程师的逸闻趣事。

433616人已经加入

  • Barret李靖
    4天前
    近期在研究 DeepSeek Harness,也研究了一些能够让 Agent 在自主性和可调试性上获得更大提升的插件。挑了几个觉得还不错的,列出来,大家也可以试一试。

    1)dsh-market:DSH 的插件市场,支持插件搜索、安装和更新。建议优先安装,后续探索插件会方便很多。

    2)dsh-context:个人比较推荐。可以直观地看到 Context 的变化、Token 消耗和多 Agent 的运行状态。对于分析长任务中的决策偏差很有帮助,Agent Debug 正在从 Function Profiling 走向 Decision Profiling。

    3)dsh-ops:优化 Shell、文件操作和工具调用,减少 Token 消耗与执行开销。Agent 的性能优化,很多时候还需要从工具接口和执行路径入手。

    4)dsh-agent-teams:支持多 Agent 协作、任务依赖和状态持久化。比较值得研究的是任务调度与异常接管机制,多个 Agent 如何高效协作,仍然是个很有挑战的问题。

    5)Hindsight:提供 Retain、Recall、Reflect 三类能力,让 Agent 能够积累和复用历史经验。长期记忆的价值在于让过去的经验影响未来的决策。另外,billion-context 也有相似的上下文延续能力,只不过它更侧重超长会话的分层压缩与历史信息找回,适合长程任务。

    6)Ouroboros:通过 MCP 接入 DSH,围绕目标、执行和评测持续迭代。比较有意思的是,它开始尝试让 Agent 根据反馈调整自己的执行方式,向更深层次的 RSI 探索。

    这几个项目从执行调试、效率优化、多 Agent 协作,到长程任务、长期记忆和自我改进,覆盖了 Agent 工程中几个比较重要的方向。

    不过,我觉得目前还缺少一个比较成熟的任务管理插件,能够统一承接日常 TodoList、聊天和其他渠道产生的任务,管理优先级,并根据任务的复杂度、风险和 AI 的执行能力进行分级处理。简单任务自主完成,复杂任务持续推进,涉及关键决策和敏感操作时再交给人。

    最近我也在写一个插件,尝试解决这块的问题。希望把任务管理、主动调度、分级自主执行和人工接管整合起来,让 Agent 能够真正承担更多日常工作。

    有其他好用的插件,也欢迎推荐。👍
    817
  • Barret李靖
    1天前
    程序员需要逐渐接受一个现实,未来很多编程工作会变成黑盒编程。

    我们团队有不少系统是用 Rust 写的,但真正精通 Rust 的人并不多。有些系统很复杂,承载着高并发、高流量的业务,我们仍然敢让 AI 去开发。

    为什么?

    因为我们开始把更多精力放在需求、架构约束和验收标准上。系统应该具备什么能力,性能和稳定性要达到什么水位,哪些安全规范必须遵守,哪些测试必须通过,这些事情需要提前定义清楚。

    至于代码具体怎么写、函数怎么组织,很多时候可以交给 AI。

    当然,架构设计还是要关注,尤其是复杂的重系统。只不过,工程师不需要再盯着每一行代码、每一个实现细节。

    我们真正需要做的事情,是深入理解业务想要什么,为什么要做,以及如何建立一套可靠的工程体系,让 AI 能够持续交付。

    写代码这件事情,正在逐渐从工程师的核心工作中退出。
    13
  • 艾逗笔
    3天前
    入驻了南沙客运港附近的 OPC 社区,要开始上班了。🤣

    有没有人想来一起工作,做各种类型的 Agent 产品。🤔
    193
  • Barret李靖
    00:01
    现在很多团队在建设 AI Native 研发体系,会把研发流程拆成很多节点,比如需求分析、技术设计、功能开发、埋点、测试、性能优化。

    然后统计每个节点需要多少轮人机交互,想办法把原来的 10 轮压缩到 5 轮、3 轮,甚至 1 轮。

    但我觉得有个问题值得思考。

    假设这套流程已经可以全自动执行,那 AI 在内部循环多少轮,其实并没有那么重要。

    有时候,AI 多尝试几轮,反而能够交付一个更正确、更有价值的东西。

    真正要关注的是,整个过程中人需要介入多少次,以及最终的交付质量怎么样。

    如果需求和验收标准都已经明确,AI 理论上就应该能够独立完成中间的执行过程。

    我们应该把更多精力放在需求理解和端到端验收这两侧,让 AI 自己去完成中间的工作。

    最终要优化的,是一个需求从提出到合格交付,究竟需要消耗多少人的注意力。
    21
  • Barret李靖
    1天前
    我觉得未来的企业数字员工,需要有自己的身份、权限和职责,真正成为团队的工作伙伴。

    现在很多 Agent 还是借用人的身份做事情,你问一句,它答一句;你安排一个任务,它执行一个任务。

    但数字员工应该可以主动参与协同。

    比如,它知道团队有哪些成员,每个人负责什么项目,当前有哪些任务、目标和问题。

    当它发现线上异常,可以自己排查原因,给出解决方案,甚至提交 PR,然后主动找到对应的同学评审。

    当它发现缺少权限,可以向项目负责人申请授权;当任务需要人工决策,可以主动找到负责人确认。

    它可以参与群聊、接收任务、同步进展、跟踪结果,也可以在问题解决之后主动通知用户。

    我们要慢慢让 AI 走进团队的生产协同里,给它真实的工作职责,让它承担越来越多的事情。

    你会发现,很多过去需要人去推动的工作,开始由 AI 自己完成了。
    11
  • Barret李靖
    00:12
    随着 AI 研发速度越来越快,整个研发流程中的中间产物会逐渐减少。

    以前我们开完会,要把决策整理到 PRD 里,再更新技术方案,最后才进入代码开发。

    但现在,很多决策在会议和群聊里就已经产生了,而且这些决策可以直接影响代码该怎么写。

    那我们还有没有必要把这些内容重新整理成一份完整的 PRD,再让 AI 读一遍?

    当然可以,但很多时候这个过程可以省掉。

    我们团队现在有些需求,讨论完之后直接进入开发,AI 结合历史资料和沟通上下文完成实现。文档会根据协作和知识沉淀的需要再补充。

    所以我认为,未来知识入库会逐渐变成生产流程中的一条旁支链路。

    今天把活干完了,顺带把有价值的知识沉淀下来。

    尤其是大量只给 AI 消费的中间文档,可能会越来越少。人需要阅读和协作的内容,反而应该更加精简。

    当然,中间文档减少之后,质量怎么保障?

    这就要求我们把验收标准、自动化测试和工程约束做得更加完善。
    00
  • 虹口孙工
    1天前
    偶然翻到自己以前的代码,去年我来公司半年多就能自己手写泛型和协程了。现在的我只能躲在屏幕后面多线程 PUA 不同 AI,看到自己去年的代码都得惊讶一下。
    20
  • V武
    1天前
    Gap半年,啥事没干,
    下周又重回职场了,
    好工作找不到,
    就退而求次,
    先找个班上着吧,
    等寒冬过去了就好了。
    00
  • 阿法兔
    4天前
    今天在北大文学讲习所学习
    大家都很好奇我为什么从AI转去搞文学
    40
  • 艾逗笔
    3天前
    shipany-tanstack 新增功能:集成了 dataany.ai 作为首选的数据统计服务,一键 oauth 授权接入,无需折腾 plausible、ga 了。✌️
    01