AI 资源库 · 已整理 12 项
查看与工作方式相关的 AI 资讯、工具、Skill、工作流和开源项目。
这篇文章说，你做的 AI agent（能自己动手干活的智能助手）在测试时很好用，比如它审查代码改动时又快又准；但一上线到生产环境，同样的 agent 却会变慢甚至卡住。问题不在 agent 本身，而在于支撑它运行的基础设施：agent 干活要连着调用模型、查数据库、跑测试等多步操作，每步都得等上一步，任何一步慢都会拖累整体；而且它有时等外部系统（出现空档），有时多个任务同时恢复（造成瞬间高峰），让 GPU 和费用都变得很难预测。对读者的用处是：想让 agent 稳定好用，不能只看模型好坏，还得把基础设施按峰值来准备、并做好编排和可靠性设计。文章属于观点分析，没有给出具体的工具、产品名称，也未说明发布时间或实际可用状态。
提供的材料未提及具体可用工具。
Phillip Mortimer 做了一场演讲，讲的是 AI 写代码越来越普遍之后，软件正在变成“只写不读”——代码主要由机器生成，人很少再去逐行阅读。他认为传统那种靠人工逐行审查的 pull request 流程已经不好用了，建议把“想做什么”和“具体怎么写”分开，让机器自动检查代码，并让系统能自己发现和修复问题。这样做的目的是把工程师从繁琐的审查里解放出来，把精力放在更有创造性的工作上。这场演讲面向的是资深工程师和架构团队负责人，目前只看到演讲介绍，没有提到配套工具或产品是否已经可用。
提供的材料未提及具体可用工具。
一项针对每周至少使用一次AI编程工具的开发者调查（基于300多份回复）发现，80%的开发者认为自己对AI的依赖大于其带来的优势，43%的人下班后仍无法停止使用，甚至牺牲休息、吃饭和睡眠。问题在于，管理者奖励那些使用AI最频繁的人（给他们加薪升职），尽管71%的开发者承认提交了自己不完全理解的代码，这迫使其他人模仿这种不健康的行为。目前这只是调查报告，尚无工具或政策层面的解决方案，它提醒我们：软件的价值来自好的决策，而不是代码的数量或工作时长。
Yelp、Platformable 和 Harness 的工程负责人最近在一场 LeadDev 讨论中提出，AI Agent 已经会自己提交代码改动、调整配置，速度常常超过人工审核。旧的做法是出了事再翻政策文档，但这样跟不上 Agent 的节奏。他们的建议是把治理直接做进内部开发平台：记录人和 Agent 的操作、控制 Agent 之间的访问和数据流动，并在流水线里用代码强制执行规则，还要能回滚模型版本。对平台团队来说，这意味着治理不再只是安全或合规部门的事，而是需要和安全、法务、财务一起商量的平台投入；越早做，越能在下次被问到“谁在盯着 Agent”时给出答案。
InfoQ 举办了一场线上讨论，请来 Harness、DKB、Shine 的工程负责人聊平台工程在 AI 时代怎么变。起因是一个调查数据：94% 的工程负责人说，他们最想看的 AI 指标根本拿不到。讨论主要围绕两件事：一是哪些 AI 编程工具该由平台统一提供、哪些让团队自己选；二是过去给人类用的开发者门户，现在 AI 智能体也要直接调用，接口和权限护栏都还没有现成答案。对读者的用处是：它提醒平台团队要开始追踪 AI 花的钱和实际产出的代码，并重新设计面向人和智能体两套用户的开发体验。
Harness 公司在一场网络研讨会上提出，AI 行为应该像软件发布一样被管理。以前，团队想换一个提示词或模型，往往要等下一次部署，可能需要好几周。他们的办法是把提示词和模型设置存成“AI 配置”，可以随时在运行时调整，不用重新部署。这样就能小范围试跑、对比效果、出问题一键关停，还能记录谁改了什么。对做 AI 功能的团队来说，改起来更快也更安全。
GitHub 把 Copilot 的“代理运行时”（驱动 Copilot CLI、App、SDK 等产品的核心引擎，原本用 TypeScript 和 Node.js 写成）整体重写成了 80 多万行生产级 Rust 代码。原本的问题是，这个运行时被嵌进命令行工具里，其他程序要用它，就得另外启动一个 Node 进程通过进程间通信来调用，启动慢、内存占用高（每个客户端至少多出约 100MB），还容易因 Node 崩溃把整个会话带崩。这次借 Copilot App 和 Copilot CLI，让 AI 代理写了大部分代码，分 128 个 PR 增量发布到主分支，边迁移边修问题，而不是最后一次性切换。结果是性能提升了好几个数量级，原本一个团队要花一两年的事情，主要由一名开发者在几个月内完成。
Anthropic 之前把 Claude 分成两个入口：日常问答用 Chat，处理大项目用 Cowork，做视觉设计还要再进 Design，用户每次都得先想“这活儿该放哪儿”。现在它把 Chat 和 Cowork 合并成一个对话界面，从简单回答到多步骤任务都能在同一段对话里完成，Design 也搬进了对话，同时以测试版形式在付费方案中推出 Claude Docs 和 Claude Slides，可在对话里直接做文档和演示文稿并导出成 PowerPoint 或 PDF。对用户来说，好处是不用再纠结从哪个模式开始，背景信息、连接的工具和技能能跟着对话走，任务还能在关掉笔记本后继续跑。目前先向 Pro 和 Max 用户开放，未来几周覆盖网页、桌面和手机端，团队版和免费版随后跟进，企业版有至少 30 天提前通知；但官方没说能否强制只走简单聊天、对上下文和 token 消耗有何影响，也没有提 API 变化。
Grab 是东南亚一家做打车、外卖和支付的科技公司。他们在公司里推广了一款叫 Cursor 的 AI 编程工具，结果约 98% 的技术员工每月都会用，连设计师、财务、运营甚至 CEO 办公室的人也在用。以前设计师想改一个界面问题，得排队等工程师，现在他们学点基础知识后自己就能改代码、当天上线；工程师也能腾出手做以前没空做的测试和重构。对普通读者来说，这个故事说明 AI 编程工具不只是程序员的专属，非技术岗位也能借助它自己动手解决工作中的问题。
OpenAI 经济研究部门发布了一份新报告，调查人们在实际工作中如何使用 AI，而不只是做传统工作。研究发现，员工会利用 AI 完成一些原本不属于自己岗位的任务，并逐渐把这些新做法变成日常工作的一部分。不过，报告摘要没有说明具体是哪些新方式、覆盖哪些行业，也没有给出数据细节，因此目前只能知道研究的大致方向。
Google 发布了 AI 与经济 ATLAS 的开放互动体验，让普通人也能查看全球不同职业、国家和家庭如何使用 AI。此前 ATLAS 虽有海量数据，但不易探索。新体验把就业、国家等维度的 AI 使用率做成可交互查看；同时 Google、Google DeepMind 与 MIT FutureTech 基于 ATLAS 的研究发现，近半数受访科学家每天用 AI，每周约省 7 小时，但验证 AI 产出和后续实验仍形成瓶颈。普通人现在可以免费浏览这些数据，了解 AI 正在怎样改变工作。
一家有全球业务的300人B2B公司，被安全扫描发现有一个暴露在互联网上、认证很弱的数据库，看起来是最该优先修的高危问题。但研究人员仔细一看，这其实只是一个可以重置的测试数据库，用来考核应聘者，根本不存客户数据。这件事说明，光靠扫描器的严重性评分，没法判断一个漏洞真正会带来多大业务损失，团队还是得结合业务重要性、是否能被攻击者触达、是否已被实际利用等信息来决定先修什么。对外部安全分诊伙伴和公司安全团队来说，价值在于把“技术上很严重”和“业务上很要紧”区分开，避免把有限精力浪费在噪音上，同时也不错漏真正危险的漏洞。