#AI Coding

别再让 AI 全库扫代码：code-review-graph 的上下文治理思路

代码图谱、MCP 和增量影响分析，解决 AI 审查中的上下文浪费与依赖漏读。

AI8月25日

把 Google 的 coding 讨论放回官方 RSS、微信转述和产品分析三层证据里看：真正重要的不是榜单，而是反馈回路、数据飞轮和组织时间尺度。

Codux 的重点不是把终端做得更像编辑器，而是把任务、worktree、会话、状态、凭据和远程主机组织成多代理开发工作区的控制层。

这份 GitHub 项目级研究最有价值的地方，不是证明 Agent 很强，而是把采用强度、团队结构和协作方式讲清楚了。

CodeSeek 把 AST 调用图、语义检索、BM25、RRF 和 MCP 接到 coding agent 前面，解决 Claude Code / Codex 在大仓库里选错上下文的问题。

Claude Code 的命令不该靠死记硬背，而要按计划、权限、执行、验证、恢复这些开发节点来使用。

团队 Skill 不是提示词集合，而是把需求、方案、任务、编码、验证和上下文回写做成可维护的工程资产。

OpenSpec forces AI coding agents to specify intent, requirements, design trade-offs, and tasks before implementation, reducing expensive rework.

本地 coding agent 已经进入可用区间，但要分开评估模型、推理运行时和 harness，并认真处理隐私、遥测和长上下文成本。

Loop Engineering 不是让 AI 多跑几轮，而是把编码 Agent 放进可检查、可停止、可回滚的外层循环。它会提升生产力，也会放大代码质量和人类理解的风险。