跳到正文
目前篩選:教學
  1. Runway:News(網頁)78

    Runway 分享如何逐步建成以智能體運作的軟件工廠

    Runway 逐步讓智能體承擔編碼、CI、審查、批准、QA、故障修復及流程協調,打造一條以智能體為主的軟件交付流程。10 月合併的拉取請求中,38% 由雲端智能體推動。核心 API 儲存庫首次批准的等候中位數,由 9 月逾兩小時降至 11 月中約 5 分鐘。

    推薦理由:文章逐站交代智能體如何接手編碼、審查、批准、QA、故障修復與協調,並説明以風險分級及量化指標控制交接。

  1. 新浪科技76

    GPT-6.2 官方指南整理 8 段提示詞及 API 遷移要點

    文章整理 OpenAI 為 GPT-6.2 提供的兩份官方使用指南,列出 8 段提示詞,並説明在 ChatGPT、Codex 或 API 中套用的方法。指南涵蓋回覆風格、持續完成任務、程式碼與設計要求,以及 Codex 的驗收標準、推理強度、子智能體和 AGENTS.md。

    推薦理由:文章把官方指南中的提示詞、Codex 任務設定和 Responses API 遷移事項按使用情境整理,讀者可對照自己的工作流程選用相關做法。

  2. AWS Machine Learning Blog71

    Airbnb 如何以每項任務成本管理 Amazon Bedrock 上的編碼智能體

    Airbnb 分享以每項任務成本評測及 Amazon Bedrock 的 CloudWatch 生產訊號,為編碼智能體選擇預設模型和推理強度上限。評測按未快取輸入、快取讀取、快取寫入及輸出 token 計價,並與延遲、輸出 token 數和節流情況對照。

    推薦理由:文章把評測中的每項任務成本與上線後的用戶支出、請求量及配額指標連結,展示編碼智能體選型和容量管理的可操作方法。

  1. AWS Machine Learning Blog63

    如何透過 NVIDIA NeMo Switchyard 在 Amazon Bedrock 為編碼智能體請求路由至合適模型

    這篇教學示範如何在 Amazon Bedrock 上部署 LiteLLM 與 NVIDIA NeMo Switchyard,將編碼智能體的請求路由至合適模型。Switchyard 的 LiteLLM 整合支援 Stage 與 Random 兩種路由策略,並以路由模型組與單模型基線比較每個成功完成任務的成本。

    推薦理由:文章把智能體路由的比較指標從每 token 價格轉為每個成功完成任務的成本,並示範以相同任務比較路由模型組與單模型基線,按測試是否通過判定任務完成。

  1. AWS Machine Learning Blog63

    如何利用 Amazon Bedrock 和 LiteLLM 建立自助式 LLM 閘道

    AWS 作者示範以 Amazon Bedrock Application Inference Profiles、LiteLLM 和 AWS Fargate 建立自助式 LLM 閘道,透過兼容 OpenAI 的 API 提供模型存取。

    推薦理由:文章把自助式 LLM 閘道拆解為推理設定、用戶成本管控與監察環節,並指出預算限制及跨區 IAM 權限的關鍵配置。

  1. DEV Community76

    如何審查 AI 生成程式碼,避免未經核實便批准

    文章提出按錯誤合併的代價為 AI 生成的 PR 分級,並要求審查證據必須對應正在檢視的 commit。中、高風險變更須有獨立驗證;涉及公開 API、SDK 行為、身分驗證及帳單等高風險改動,建議由兩人批准,並指定發佈及回退負責人。文中以付款 SDK 的 POST 重試示例説明,若缺少 Idempotency-Key,超時後重試可能導致重複扣款。

    推薦理由:文章把 AI 生成程式碼審查拆成風險分級、綁定提交的證據與獨立驗證,並以付款 SDK 重試示例説明這套方法如何識別測試盲點。

  1. DEV Community76

    Codex 在 OpenAI 以約 200 字提示詞修復 CI 測試逾 1,000 小時:支撐運作的 5 項設定決策

    OpenAI 工程加速團隊一名工程師在 DevDay 分享,Codex 以約 200 字、沒有程式碼的提示詞,連續六週處理失敗的 CI 測試,累計運行逾 1,000 小時。

    推薦理由:文章將長時間 CI 修復任務中的提示詞、權限邊界、自我驗證和資源限制整理成五項配置,呈現可複用的 Agent 工作方法。

  1. DEV Community77

    為 AI Agent 放行 git,也會一併放行 diff.external 和 core.fsmonitor

    為 AI Agent 放行 git 命令,也可能讓 diff.external、core.fsmonitor 等 Git 設定觸發外部程序,令看似唯讀的 git diff 或 git status 執行程式。

    推薦理由:文章説明 Git 設定如何令白名單放行的命令執行外部程序,並提供跨 worktree 檢查設定來源的方法,方便排查 Agent 工作區的風險。

  1. DEV Community78

    作者用四個 Claude Code Agent 為 RupiVerse 組成工程團隊

    作者為個人理財應用程式 RupiVerse 配置四個 Claude Code Agent,分任產品經理、測試、開發和審查,兩天內完成註冊、登入及用戶個人檔案功能。

    推薦理由:文章展示以規格、API 合約、測試先行和權限限制組織四個 Claude Code Agent 的實作方式,並以兩張功能票據記錄這套分工如何運作。

  2. AWS Machine Learning Blog62

    Claude Code 如何透過 Amazon Bedrock AgentCore 執行受安全控制的遠端編碼任務

    AWS 示範如何把 Claude Code 編碼任務交由 Amazon Bedrock AgentCore 的隔離工作階段執行,並以 GitHub pull request 交回人工審核。

    推薦理由:文章將遠端編碼流程與安全控制放在同一套實作中,具體呈現隔離執行、短期憑證、網絡限制和人工審核如何共同構成部署方案。

  1. DEV Community76

    為甚麼 git checkout 無法還原 AI 編碼智能體操作前的專案狀態?

    作者提出按回合保存檔案前置內容的 checkpoint 方法,可還原 AI 編碼智能體操作前的專案狀態,這是 git checkout -- . 無法做到的。在 4,686 個檔案的 TypeScript 原始碼樹測試中,checkpoint 逐檔還原一致;四種 Git 復原方案都至少有檔案與回合前狀態不同。

    推薦理由:文章以逐檔比較呈現 Git 復原方案的邊界,並示範按智能體回合保存檔案前置內容,保留用戶未提交修改並清除智能體新建檔案。

  1. DEV Community77

    Git stash 在多個 worktree 間共享,兩個並行編碼智能體互相取回對方的變更

    Git 的 `stash` 在同一儲存庫的所有 worktree 之間共用,因此兩個並行編碼智能體執行 `git stash pop` 時,可能互相套用對方的變更並清空共用清單。

    推薦理由:文章從 Git 的 refs 規則説明 worktree 的隔離邊界,並比較提交 WIP、分離 worktree 驗證和私有 ref 等替代做法,便於設計並行智能體的安全流程。

  1. DEV Community77

    Google 以 59 分鐘將 FVCOM 的 174,000 行 Fortran 遷移至 Rust,先花 11 分鐘建立基準

    Google Antigravity 團隊的 Agent 用 59 分鐘將 FVCOM 的 174,000 行 Fortran 核心遷移至 Rust,並報告執行速度達原版的 1.88x、記憶體用量減半。

    推薦理由:文章將這次遷移拆解為建立基準、梳理依賴、移植和優化,具體展示如何先固定舊版輸出,再逐步核對程式改動造成的行為差異。

  2. DEV Community76

    AI 程式碼審查:為 Copilot 審批制定團隊規則

    文章提供一套為 GitHub Copilot 程式碼審查制定團隊規則的指南,聚焦審批設定、風險分區及人類審核責任。GitHub 於 2026 年 10 月 28 日公佈,啟用後 Copilot 的審批可計入必需審批,但功能預設關閉,後續提交新變更會令原審批失效。指南建議按檔案風險劃分綠、黃、紅區,僅讓低風險檔案由 AI 自行批准,並列出七步制定團隊規則。

    推薦理由:Copilot 的審批權限按檔案風險分層,並透過 glob、CODEOWNERS 和團隊覆盤建立規則,呈現一套可落實的團隊治理流程。

  3. DEV Community77

    Binance 案件後,如何安全執行帶回家編碼測試並識別假招聘者警號

    Renan Santos 整理了安全處理帶回家編碼測試的指南,建議先核實招聘者、檢查程式碼庫,並只在隔離環境中執行。Binance 在 11 月 3 日的報告稱,2026 年 9 月一名工程師在假招聘面試中下載的作業於設定時執行惡意程式;該公司將失竊金額估計為 $6.3 to $6.4 billion。文中另列出檢查安裝腳本與依賴套件、避免提供真實憑證,以及發現已執行惡意程式後的處置建議。

    推薦理由:文章將假招聘者核實、程式碼庫檢查、隔離執行及事後處理整理為一套安全流程,涵蓋從下載測試到發現已執行惡意程式的應對。

  1. AWS Machine Learning Blog60

    如何透過 Amazon Bedrock AgentCore runtime 即時預覽編碼智能體建立的網站

    AWS 示範以 Amazon Bedrock AgentCore runtime 的 Session endpoints,讓編碼智能體建立的 Vite 網站在瀏覽器中即時預覽,並在智能體儲存檔案時更新。

    推薦理由:文章以 Vite 網站示範如何透過 Session endpoint 即時預覽編碼智能體的修改,並交代連接埠授權、本機憑證轉送與連線限制。

  1. DEV Community78

    AI 編碼智能體提示詞注入:CLAUDE.md 或 AGENTS.md 如何劫持智能體

    Forever Security 的測試中,惡意 AGENTS.md 劫持 Codex 的成功率超過 90%,惡意 CLAUDE.md 劫持 Claude Code 的成功率約一半。

    推薦理由:文章並列 Codex 與 Claude Code 的攻擊測試和八項防護措施,呈現指令檔如何借用用戶已有權限,並可能把影響延伸至後續工作階段。

  1. GitHub Blog · AI & ML62

    3 位 Java Champion 如何運用 GitHub Copilot 提升生產力

    三位 Java Champion 分享在生產環境及開源項目中運用 GitHub Copilot 的做法,並提出提升開發效率與確保程式可靠性的實踐。其中一人以 Copilot 將 15 份簡報、約 900 張投影片由 Reveal.js 遷移至 Marp,約用 8 至 10 小時,並透過截圖、動畫及 PDF 比對驗證。

    推薦理由:三位 Java Champion 的實例涵蓋功能開發、遷移和除錯,呈現需求釐清、驗證證據與人工審核如何支撐 AI 輔助開發。

  1. GitHub Blog · AI & ML62

    GitHub Copilot app 工作階段如何在 VS Code 延續

    GitHub Copilot app 的工作階段可直接在 VS Code 開啟,並保留原有對話、程式碼變更及工作脈絡,讓用戶在同一工作樹繼續工作。用戶可在 VS Code 逐行檢視差異、手動修改及本機測試,完成後把變更推送至該工作階段關聯的 pull request。

    推薦理由:文章示範如何把 Copilot app 工作階段及其工作脈絡帶入 VS Code,讓智能體產生的修改可在原有工作樹中接續檢視、測試及推送。