Agent 与工作流01
Dynatrace 推出了一款叫 MCP Server 的工具，能把 AI 编程助手直接连到 Dynatrace 的实时监控数据上。以前开发者用 AI 写代码时，AI 只能看到代码本身，看不到代码在生产环境里跑得怎么样，所以排查性能问题很费劲。现在开发者可以用大白话向 AI 提问，AI 会去查真实的运行数据并给出具体到代码行的修复建议。文章演示了一个案例：数据库 CPU 被一个低效查询占满，AI 找到了问题，只加两行索引就解决了，响应时间大幅下降。对开发者的好处是排查更快，但文中的演示和截图来自未来日期，实际可用状态原文未明确说明。
文中可用工具
- Dynatrace MCP Server把 AI 编程助手连接到 Dynatrace 的实时监控数据，让开发者用日常语言提问运行中的系统
- Dynatrace提供应用性能监控数据，检测响应时间退化等问题并定位根因
- Claude Opus 4.8作为 AI 编程助手读取源代码并生成修复建议（文中截图的生成来源）
- PostgreSQL作为应用背后的数据库，文中涉及为其添加 trigram 索引优化查询
- pg_trgmPostgreSQL 扩展，用于创建 trigram 索引加速 ILIKE 模糊搜索
Agent 与工作流02
CodeScene 公布了一个案例：用编程 Agent 在三周内重构了 30 万行 C 代码，花了大约 4000 美元的 token 费用，整个结果通过一个逐帧回放的验证工具来核对。过程中 Agent 还自己攒出了一套专门针对这份代码库的操作配方。不过有从业者提出疑问：这个范围算不算大、用的衡量标准是否合理，以及成果有多少要归功于那套验证工具，目前都还没有定论。对读者来说，这说明 Agent 大规模改代码已经能跑通，但离普遍可信还有距离。
文中可用工具
- CodeScene发布这次 Agent 重构案例的平台
- replay harness逐帧回放验证重构结果的工具
AI 编程03
in-the-loop-labs/pair-review · AI assisted code review with a human in the loop
pair-review 是一个本地优先的 Web 应用，用于在 AI 编码代理与人工评审之间保持闭环。它提供类似 GitHub 的 diff 界面，支持对 PR 或本地未提交改动逐文件逐行评论，并可选触发三层 AI 分析生成建议，由人工采纳、修改或丢弃后再以 Markdown 形式导回编码代理，或直接提交到 GitHub。项目支持多种 AI 提供商与 MCP 集成，数据与处理均在本地完成。
AI 编程04
apescodebetter/PipeMe · PipeMe (Clade Code Skill) — a virtual software company that turns an app/SaaS idea into AI-agent-ready development documentation through the /pipeme command interface. Produces a token-efficient documentation suite from scratch or from the current project (PRD, technical spec, task-decomposed roadmap, AGENTS.md rules file, Mermaid diagrams).
PipeMe 是一个 Claude Skill，以虚拟软件公司的角色（产品、工程、QA、安全、DevOps）通过 /pipeme 命令采访用户的产品想法，或分析现有代码库，进而从零生成一套面向 AI 编程智能体的开发文档：CLAUDE.md 及其分层引导文件、PRD.md、TECH_SPEC.md、ROADMAP.md、AGENTS.md、DIAGRAMS.md 与按需生成的 HANDOFF.md，并强调上下文预算控制与文档纯度。此外提供 /pipeme map，可为 JS/TS 仓库生成带行范围、引用关系与死代码标签的代码地图，配合读取钩子、编辑钩子与推送前新鲜度检查使用。
Agent 与自动化05
twistingmercury/agents-skills · Specialized development agents and skills for AI-assisted software work in Claude Code or Codex — agent definitions, delegation rules, and installable skill bundles.
该项目为 Claude Code 和 Codex 提供一整套专业开发 Agent 定义、委派规则与可安装技能包，覆盖架构设计、多语言实现、测试、运维、文档与代码评审等角色，并通过共享技能（如架构文档、需求捕获、推送前检查、代码评审、Docker 优先 CI、仓库调研、Python uv 脚手架、README 编写、长上下文 REPL、Shell 脚本与 BATS 覆盖）扩展 AI 辅助软件工作流。项目自定位为参考实现而非框架，需按平台指南安装并重启客户端。
Agent 与自动化06
CXwudi/agent-config · Personal Configuration for AI Coding Agents (Claude Code, Codex CLI, Pi Coding Agent, Antigravity CLI (for just Gemini models)): AGENTS.md, Agent Skills, and others
该项目用于集中管理 AI 编程代理相关的配置，目前涵盖 AGENTS.md 与 Agent Skills 两类内容，支持 Claude Code、Codex CLI、Pi Coding Agent 和 Antigravity CLI（仅 Gemini 模型）。仓库以 Python 编写，属于个人配置工程实践，帮助在多个代理工具之间维护一致的代理指令与技能定义。
工具与应用07
安全公司 Harness 做了一次基准测试，比较两类查代码漏洞的 AI 工具：直接让大模型扫描代码的“LLM 扫描器”，以及传统扫描器加 AI 复核结果的方式。测试发现，LLM 扫描器误报少（准确率高），但漏报严重，很多真漏洞没找到；同一份没改过的代码重复扫描，结果、耗时和花费都不一样。它还比传统方案慢 1.6 到 37 倍、贵 6 到 39 倍。因此 Harness 建议：LLM 扫描可用于渗透测试和关键应用的定期深度扫描，日常代码提交的持续扫描还是用传统扫描器加 AI 复核更稳、更省。
文中可用工具
- GPT-5.5参与测试的 OpenAI 大模型，用于扫描代码漏洞
- Claude Opus 4.8参与测试的 Anthropic 大模型，用于扫描代码漏洞
- Harness AI SASTHarness 自家的 AI 静态代码扫描工具，作为对比基线
- OpenAI Codex Security提供统一的安全提示词（harness），用于所有被测模型
- OWASP WebGoat用于测试的故意含漏洞的 Java 训练应用
- OWASP Juice Shop用于测试的故意含漏洞的 Web 应用
- OWASP Benchmark for Java用于测试的 Java 漏洞基准测试项目
行业动态08
这是一期播客，主持人 Michael Stiefel 与嘉宾 Erin Doyle 聊了 AI 工具如何改变软件开发流程，以及这些变化给软件工程师带来的影响。简单说，AI 让写代码变快了，但工程师更需要懂架构，也就是知道整个系统怎么搭、需求里有哪些限制和说不清的地方，并且能处理这些模糊地带。播客的核心观点是：如果团队里没有心理安全感——大家敢说真话、不怕犯错、愿意提问题——那 AI 带来的效率提升也撑不起真正的变革。目前这只是一期对话节目，具体结论和完整内容需要听播客本身，原文没有说明会上线哪些工具或产品。
AI 编程09
GangJaeYu/harness_loop_full_korean · Claude Code · Codex 한글 에이전트 스킬 플러그인 — 아이디어 → PRD → 설계 → 태스크 → 검증 하네스 → 자율 개발 루프 / Korean agent skills: idea to autonomous dev loop
这是一个面向 Claude Code 与 Codex 的韩语 Agent 技能插件，把一句应用想法依次转化为 IDEA、PRD、TRD、架构设计、开发计划、验证 harness，并进一步搭建可自主运行的开发循环（loop）。它通过文件而非对话传递上下文，由独立于实现会话的验证会话执行最终判定，失败时先分类原因再修复，并借助任务依赖图进行并行与隔离执行。README 也说明其适用前提较复杂（需要 git 仓库与 CLI、e2e 场景涉及 Docker/Node/Playwright）、token 与时间开销较大、实际验证过的项目仅一个，且小脚本类任务并不适用。