最新内容
传统端到端测试擅长验证明确条件，却不擅长表达“找到结算页并完成升级”这类目标。反过来，完全交给视觉 Agent 操作又难以稳定复现，也难以判断结果是否真的正确。开源项目 e2e 试图把两种方式放进同一...
很多 AI 应用的问题，不是模型完全不会回答，而是团队不知道它为什么失败：某次 Trace 中工具调用顺序错了，另一批样本里引用不完整，修复一个案例又让另一个场景退化。只看一个总分，往往无法指导下一次...
AI 编码 Agent 能快速修改代码，但留下的往往只有 diff：它为什么加了缓存？为什么把重试次数设成这个值？如果几天后再看提交记录，单靠代码通常很难还原答案。wy 是一个运行在终端中的实验性 R...
AI 编程 Agent 最大的风险，不是不会生成代码，而是能生成一段类型正确、测试暂时也能通过、但业务含义错误的代码。LLMLL（Large Language Model Logical Langua...
当 AI 编码 Agent 能一次生成数百行代码，真正稀缺的往往不是“写出来”，而是让人快速理解：它为什么这样设计、改动影响了什么、哪些决定是 Agent 自己做的。Whiteboard 选择了一个很...
AI Agent 接入支付、退款、删除数据等工具后，最危险的故障往往不是模型答错，而是重试把同一个副作用执行了两次。网络超时、确认包丢失、运行时自动重试，都可能让 Harness 误以为上一次调用没有...
AI Agent 的测试难点，不在于能否把一次函数调用断言为 True，而在于它面对多轮对话、工具失败和任务分支时，是否仍然做出了安全且可解释的选择。传统单元测试擅长验证确定性函数，却很难描述“用户先...
AI Agent 开始替人做事以后，身份认证已经不够了。一个 GitHub Token 或 OAuth 会话或许能说明“请求来自某个账号”，却很难让接收方判断：这个 Agent 是谁授权的、只能访问哪...
让多个编码 Agent 同时处理一个需求，瓶颈往往不是“能不能生成代码”，而是怎样避免它们互相踩文件、把未经检查的改动推到真实远端，以及怎样让人能逐块判断变更是否值得合并。常见的做法是给每个 Agen...
代码审查 Agent 最容易落地的地方，往往不是“再接一个聊天窗口”，而是 Pull Request 本身：它能看到明确的 diff、仓库上下文和讨论线程，也能把结果留在团队已经使用的工作流里。问题是...
