ai-assisted development

双语

Vibing a Non-Trivial Ghostty Feature
2 months ago
- Developer Mitchell Hashimoto used AI tooling to build an unobtrusive macOS automatic update feature for Ghostty terminal.
- He emphasizes planning with AI, iterative prototyping, and human cleanup after AI-generated code, not replacing human expertise.
- The feature shows update status in the titlebar or bottom-right corner without interrupting user workflow or creating modal windows.
- AI helped with UI prototyping, simulation scenarios, and filling in code scaffolds, but failed on some bugs requiring manual intervention.
- Total cost was $15.98 over 16 agentic coding sessions, with an estimated 8 hours of wall-clock work across three days.
- Hashimoto advocates sharing agentic coding sessions publicly to educate others on effective use of AI as an assistant.
<antirez>
2 months ago
- 在四个月的时间里，借助 GPT 5.x、Opus 和 Codex 等 AI 的帮助，为 Redis 开发了一种新的数组数据类型。
- AI 帮助完善了规范、设计、实现和测试，实现了更高的复杂性，比如超级目录结构。
- 选择并优化了 TRE 正则表达式库以实现 ARGREP 功能，修复了低效和安全问题。
- AI 为大规模任务（例如 32 位支持）提供了安全网，并确保复杂算法中没有明显错误。
- 初始详细规范是项目成功的关键。
- 认为 Redis 应该有一种数据类型，其中数字索引是语义的一部分，从而开辟新的用例。
AI-generated tools can make programming more fun
2 months ago
- AI生成的工具可以通过快速创建自定义调试UI，让编程变得更加有趣。
- 使用AI构建的交互式调试器，作者迅速识别出Prolog解释器中的错误（例如无限循环）。
- AI辅助UI开发的快速迭代和轻松周转，帮助作者专注于主要任务。
- 用AI构建的自定义UI可以将有限的AI能力转化为高级编程任务的加速器。
- 这一体验突显了可塑软件之梦：以思维的速度创建量身定制的工具，满足即时需求。
How I created an Ethereum Proof-of-Stake demo
2 months ago
- 作者使用两个大语言模型（LLM）创建了一个以太坊权益证明演示：ChatGPT作为项目经理，Cursor作为编码员。
- ChatGPT处理了UI设计、技术需求和高层规划，而Cursor使用其Composer模式实现了代码。
- 关键建议包括始终提交更改、使用Cursor调试代码、使用ChatGPT调试设计，以及使用localStorage模拟文件来跟踪数据结构。
- 作者强调了清晰、明确的指令的重要性，以避免混淆和错误，并建议重新发送源信息以保持上下文。
- 错误包括没有提前规划文本存储格式，没有为多个页面创建可复用模板，以及过度复杂化图表，而简单的SVG效果更好。
<antirez>
2 months ago
- 自动编程是指借助人工智能编写软件的过程，在此过程中，人类通过直觉、设计和持续引导来主动指导这一过程。
- Vibe编码是一种被动方法，用户给出模糊描述，人工智能生成代码，而无需有意义的人类参与或理解。
- 通过自动编程生成的代码属于人类生产者，因为预训练数据是人类的集体馈赠，且人类的愿景至关重要。
- Redis的例子表明，软件的价值来自创意和愿景，而不仅仅是技术新颖性，这说明了编程现在可以是自动的，但愿景不能。
108 PRs in eight days: Accidentally discovering loop engineering
2 months ago
- 一名团队成员利用AI代理在八天内处理了108个PR，该代理能够自主选择任务、编写代码、打开PR并处理反馈，相比之前每周5到10个PR有了显著提升。
- 关键因素包括：小而高度信任的团队，无需强制人工PR审查；通过日常对话而非审查标签实现对齐，人工审查转向测试结果而非逐行检查代码。
- 作者未采用持续部署，而是使用CI加预览/预发布环境，批量工作以便发布，从而限制潜在问题，并将回归测试减少到每天一到两次。
- 该流程称为“循环工程”，包含三个层次：协议（Markdown文件中的规则）、循环（读取看板、执行命令、分发任务）和工作者（在隔离工作树中编写代码并汇报结果）。
- 任务看板为每个任务使用独立的Markdown文件以避免冲突，借助Obsidian的Bases进行结构化管理，且只有循环任务写入器以防止文件损坏。
- 循环以自定节奏运行，无固定间隔，在无需人工输入时自动停止，并包含一个硬上限的记忆文件，用于记录代码库事实和偏好。
- 人工工作已转向规格编写——定义队列内容并验证结果——使角色类似于产品经理兼QA的混合体。
- 未来改进包括：从问题探索中自动创建任务，并自动化QA阶段如可访问性和回归检查。
- 入门建议：先定义“完成”标准（例如任务完成、CI通过、AI审查通过），然后由此向外扩展。
The age of token efficiency, the age of libraries
2 months ago
- 从2023年初的数据来看，AI已从辅助工具转变为84%开发者的必备工具，在启用Copilot的文件中，46%的代码由AI生成。
- 从‘无限量’令牌到计量型、企业级模式的转变迫在眉睫，评估指标聚焦于每个功能的令牌成本以及对生成代码的信任度。
- 对AI生成代码的信任是核心问题，尤其是在非专业领域，开发者可能因无法完全验证代码而无意中埋下‘定时炸弹’。
- 诸如Moltbook安全漏洞等案例，凸显了依赖未经验证的AI编码软件组件的风险。
- 代码缺陷的责任仍由开发者承担，但责任界限变得模糊，因为AI生成的代码不像维护的库那样提供变更日志或支持合同。
- 投资于受信任、专业维护的库，比让AI从头构建更高效，因为库提供了可维护性和可委托的信任。
- 库必须变得‘可被智能体理解’（例如通过llms.txt或MCP服务器），才能与AI有效协作并保持更新，从而减少幻觉和错误。
- 自2023年以来，代码重复率上升了81%，而重构率下降了74%，这表明代码开发更快但维护更差。
- 未来可能将AI令牌用于核心目的，而在非核心领域使用库，由‘卓越把关人’确保质量。
Anthropic runs large-scale code migrations with Claude Code
2 months ago
- 使用Claude Code等AI智能体，过去需要数年的代码迁移现在能在几周甚至几天内完成。
- Anthropic成功完成了大规模代码库迁移，包括Bun项目百万行Zig到Rust的移植，以及一个16.5万行Python到TypeScript的迁移。
- 核心理念是修复生成代码的流程（循环），而非代码本身。
- 采用六步流程：设立评估标准、创建规则手册与差距清单、运行试点、通过多智能体循环实施、编译与冒烟测试、验证行为一致性。
- 关键实践包括：使用对抗性评审员、迭代完善规则手册、利用自动化工作流系统处理依赖和错误。
- 迁移成本显著降低（例如Bun项目仅花费16.5万美元），但仍需商业理由支撑，如性能提升或技术债务削减。
- 成功迁移能带来可量化的效益，例如降低内存占用、缩小二进制体积、提升执行速度。
What can we learn from Bun's rapid Rust rewrite with AI?
2 months ago
- Bun 利用 AI（Claude 的 Fable 工具）在 11 天内用 Rust 重写完成，耗资 16.5 万美元，将原本可能需要 1-2 年的人工迁移工作大幅缩短。
- 重写的主要动机是为了消除 Zig 中的内存相关错误（例如内存泄漏、释放后使用），因为 Rust 提供了内存安全性和编译器强制保证。
- 迁移过程包括：前期准备与移植指南制定、对抗性代码审查、并行 AI 智能体（共 64 个）的使用，以及对编译器错误和测试失败的迭代修复。
- 成功的关键因素包括：有一位熟悉代码库的积极工程师、一套健全的测试体系，以及愿意投入 AI 计算资源的决心。
- 这一案例表明，AI 如何能够实现以往难以完成的重写或迁移工作，并可能彻底改变复杂项目的工程工作流程。
Rewriting Bun in Rust
2 months ago
- Bun 已通过 AI 驱动的编码代理从 Zig 重写为 Rust，显著减少了内存相关的错误。
- 这次重写得益于一套全面的 TypeScript 测试套件，它作为自动迁移的符合性基准。
- 关键的工程技术包括动态工作流、试运行、对抗性审查以及基于流程的修复，而非手动代码编辑。
- Jarred Sumner 称赞 Zig 在 Bun 初期开发中的作用，但选择了 Rust 因其内存安全特性，如 RAII 和编译器对使用后释放错误的检查。
- 重写大约花了 11 天的密集 AI 辅助工作，API 令牌的估算成本为 165,000 美元，由 Anthropic 资助。
- 新的 Rust 版本已在 Claude Code 中运行近一个月，在 Linux 上启动速度提高了 10%，对用户的影响最小。
- 该项目展示了高级语言模型如何实现之前被认为不可行的大规模软件重写。
Why TypeScript 7.0 Was Rewritten in Go
2 months ago
- 微软推出的基于 Go 的 TypeScript 7.0 移植版显示出显著的性能改进，构建时间提升了大约十倍。
- Go 语言优先考虑可读性和可维护性而非可编写性，这使其成为 AI 辅助开发的理想选择，因为可读性对人类和机器都至关重要。
- 尽管 Python 和 TypeScript 因生态系统和与大型语言模型的流畅性在 AI 领域很受欢迎，但它们面临运行时安全、依赖管理和隐藏复杂性等挑战，这些阻碍了长期智能体系统的发展。
- Go 因其编译特性、安全性和适用于生产服务而非脚本的特点，在智能体工具（如 Ollama、Weaviate、Temporal）的基础设施中备受青睐。
- Go 的快速编译、确定性依赖处理和静态类型能早期捕获错误，相比 Python 或 TypeScript（错误可能在运行时出现），减少了迭代成本和 API 浪费。
- Go 的长期兼容性承诺确保了代码的稳定性，这与 Node.js 等快速迭代的生态系统不同，减少了智能体训练的过时和返工。
- Rust 是 Go 的补充，但由于编译时间较长、重构复杂和可读性挑战影响智能体迭代效率，它不太适合智能体开发。
- Go 的极简和明确设计减少了 AI 环境中的干扰和令牌冗余，提高了准确性，并使更小、更便宜的模型能有效处理任务。
- Go 的内置工具（如 gofmt、go test、go build）提供了一个简化的软件开发生命周期平台，在智能体工作流中迭代速度、部署可靠性和成本效率方面带来了叠加优势。
- 建议在智能体系统和基础设施层默认使用 Go，以补充 Python 的机器学习生态系统，只有在特定需求（如关键库、性能）需要时，才选择替代方案。

ai-assisted development

Vibing a Non-Trivial Ghostty Feature

<antirez>

AI-generated tools can make programming more fun

How I created an Ethereum Proof-of-Stake demo

<antirez>

108 PRs in eight days: Accidentally discovering loop engineering

The age of token efficiency, the age of libraries

Anthropic runs large-scale code migrations with Claude Code

What can we learn from Bun's rapid Rust rewrite with AI?

Rewriting Bun in Rust

Why TypeScript 7.0 Was Rewritten in Go