--- title: '工程实施与质量保障' description: '把 AI 输出变成可靠、可审查、可验证、可维护的工程结果' --- # 工程实施与质量保障 真正把 AI 用进生产环境之后，最重要的问题很快会从“它能不能生成”变成“这些结果能不能交付”。这也是这个栏目的核心：不是讨论 AI 会不会写代码，而是讨论你怎样把 AI 产出变成可靠、可审查、可验证、可维护的工程结果。 这里的主线可以概括成一句话：速度只有在通过测试、审查、管理与可观测性之后，才算真正变成产能。你会看到验证为什么前移，人为什么要把精力放到更高杠杆的判断上，团队和管理方式为什么也要跟着重写；同时也会看到一些更具体的落地专题——从代码审查、React 最佳实践，到 AEO 追踪与 AI Gateway 这样的基础设施。 如果说前面几个栏目在回答“该怎么理解”和“该怎么设计”，这一栏回答的是“怎么把它做成长期可用的工作方式”。读完这里，你不一定会写出更多代码，但你应该更清楚：哪些环节必须由人把关，哪些规则应该被产品化，哪些系统能力值得被纳入工程底座。 ## 文章列表 ### [AI 写代码更快，你的工作是证明它能用](./ai-writes-code-faster-your-job-is-to-prove-it-works.md) **作者**： Addy Osmani **日期**： 2026-03-07 **核心观点**： 在 AI 辅助开发里，最值钱的能力越来越不是“多快写出来”，而是“多快证明它真的可用”。 **你将学到**： - 为什么测试与验证会在 AI 时代成为更核心的工程活动 - 如何建立更适合 AI 协作的质量把关流程 - 开发者角色为什么会向质量守门人与问题定义者迁移 - 哪些验证动作最适合前移到实现过程之中 --- ### [超越 70%：最大化 AI 辅助编码中人类的 30%](./beyond-the-70-maximizing-the-human-30-of-ai-assisted-coding.md) **作者**： Addy Osmani **日期**： 2026-03-07 **核心观点**： 当 AI 覆盖了大部分实现工作后，人类剩下的那部分不是残余劳动，而是决定成败的高杠杆判断。 **你将学到**： - 人类在 AI 协作里最不可替代的价值落在哪些环节 - 为什么架构、审查与质量判断反而会变得更重要 - 如何把自己的精力从重复实现转向高价值决策 - 什么样的人机分工更适合长期项目而不是一次性提效 --- ### [在 AI 时代避免技能萎缩](./avoiding-skill-atrophy-in-the-age-of-ai.md) **作者**： Addy Osmani **日期**： 2026-03-07 **核心观点**： AI 能替你省掉大量重复劳动，但如果你连关键判断和基础理解一起外包，效率提升会很快反噬成长能力。 **你将学到**： - 技能萎缩真正危险的地方在哪里 - 怎样在高频使用 AI 的同时保住核心工程能力 - 哪些练习与复盘方式能避免理解力被速度替代 - 如何在提效和成长之间建立更健康的平衡 --- ### [如何为 AI Coding Agents 编写高质量规范](./how-to-write-a-good-spec-for-ai-agents.md) **作者**： Addy Osmani **日期**： 2026-03-07 **核心观点**： 当实现越来越可以委托给 AI，能不能把规范写清楚，就会直接决定返工率、可验证性与协作成本。 **你将学到**： - 好规范为什么会成为工程落地的放大器 - 如何定义约束、上下文与验收标准 - 哪些写法会让智能体表面完成、实际难以交付 - 如何让规范服务于执行、审查与长期维护 --- ### [在 GenAI 时代领导高效工程团队](./leading-effective-engineering-teams-in-the-age-of-genai.md) **作者**： Addy Osmani **日期**： 2026-03-07 **核心观点**： AI 改变的不只是个人工作台，也会改变团队协作、人才培养与管理者最该关注的指标。 **你将学到**： - 工程团队在 GenAI 时代最容易出现哪些管理偏差 - 如何建立既提效又不牺牲质量的团队工作流 - 团队能力培养与知识传承为什么需要重写 - 管理者该如何重新定义效率、责任与成长机制 --- ### [你的 AI Coding Agents 需要一个管理者](./your-ai-coding-agents-need-a-manager.md) **作者**： Addy Osmani **日期**： 2026-03-07 **核心观点**： 当多个智能体开始并行工作，真正的瓶颈会从“会不会写”转移到“谁来协调、审查和收敛结果”。 **你将学到**： - 为什么多智能体系统需要明确的管理与协调层 - 任务分配、冲突处理与质量控制该如何组织 - 管理者在 Agent 工作流里承担的关键职责是什么 - 怎样让协作规模上去而不是把混乱也一并放大 --- ### [AI 代码审查的实施与最佳实践](./ai-code-review-implementation.md) **作者**： Greg Foster **日期**： 2025-08-01 **核心观点**： AI 代码审查真正有价值的地方，不是替代人类审查，而是把重复检查前置，让人把注意力留给更难的设计与风险判断。 **你将学到**： - 引入 AI 代码审查时最值得优先设计的流程是什么 - 人在环为什么仍然是高质量审查的关键部分 - 选择和集成这类工具时该关注哪些指标 - 怎样判断 AI 审查是在减负，还是在制造新的噪音 --- ### [React 最佳实践：Vercel 十年性能优化经验总结](./react-best-practices.md) **作者**： Vercel Team **日期**： 2025-08-28 **核心观点**： 把长期沉淀下来的前端最佳实践规则化，才有可能让 AI 在高频实现中稳定地产出更接近生产标准的代码。 **你将学到**： - 哪些 React 性能规则最值得被前置到 AI 工作流里 - 消除瀑布流、优化 bundle 与减少重渲染的核心思路 - 为什么“最佳实践文档”在 AI 时代更适合被编码成规则 - 如何把成熟经验转成更可执行的团队资产 --- ### [Vercel 如何构建 Coding Agents 的 AEO 追踪系统](./vercel-aeo-tracking.md) **来源**： Vercel 工程博客 **核心观点**： 如果你看不见智能体如何决策、调用工具和卡在哪一步，就很难真正优化它的表现。 **你将学到**： - AEO（Agent Experience Optimization）为什么值得单独建设 - 智能体追踪系统需要关注哪些核心信号 - Sandbox、AI Gateway 与 Workflows 如何组合成观测底座 - 为什么可观测性是优化 Agent 系统的前提而不是附加项 --- ### [我的 LLM 编码工作流（2026 版）](./my-llm-coding-workflow-going-into-2026.md) **作者**： Addy Osmani **日期**： 2026-03-07 **核心观点**： 稳定的 AI 编码效率往往不来自某个神奇技巧，而来自一套经过筛选、能长期复用的日常工作流。 **你将学到**： - 一线实践者如何组织日常的 LLM 编码流程 - 工具选择与上下文管理如何融进具体操作节奏 - 哪些小的流程设计会显著影响长期效率 - 如何把“偶尔成功”变成“日常稳定可复用” --- ### [停止为 AGENTS.md 使用 `/init`](./stop-using-init-for-agents.md) **作者**： Addy Osmani **日期**： 2026-03-07 **核心观点**： 把传统软件里的初始化思路直接照搬到智能体系统，往往会遮蔽状态、生命周期与执行边界这些更关键的问题。 **你将学到**： - 为什么某些熟悉的软件模式在智能体里会变成反模式 - 设计智能体生命周期时真正该关注的是什么 - 状态管理与可维护性之间有哪些新的权衡 - 怎样避免用旧抽象理解新系统而带来的架构误判 --- ### [使用 AI Gateway 生成视频](./video-generation-with-ai-gateway.md) **来源**： Vercel AI 团队 **核心观点**： AI Gateway 的意义不止于接通模型能力，而在于把多模态调用、缓存与成本控制纳入统一的生产基础设施。 **你将学到**： - AI Gateway 在多模态工作流里扮演什么角色 - 接入视频生成能力时需要优先设计哪些基础能力 - 为什么中间层架构会影响成本、稳定性与复用性 - 从这个案例里可以迁移出哪些 AI 原生基础设施思路 --- **返回**： [优质文章篇](../)