Addy Osmani
PulseAugur coverage of Addy Osmani — every cluster mentioning Addy Osmani across labs, papers, and developer communities, ranked by signal.
11 天有情绪数据
-
提示工程被 AI 代理的循环工程取代
提示工程正被一种名为循环工程的新范式取代，在这种范式中，工程师设计自主代理工作流来提示 AI 模型。Anthropic、OpenAI 和 Google 的知名人士强调了这一转变，他们指出自己的角色已从直接提示演变为创建管理和优化 AI 输出的系统。循环工程专注于构建能够自我生成、评估和改进以实现特定目标的 AI 系统。
-
循环工程成为下一个AI交互范式
循环工程正成为超越传统提示工程的下一个重要AI交互进展。这种方法侧重于设计迭代系统，让AI代理能够通过遵循感知、决策、行动和检查完成的循环来自主执行任务。用户不是为每个步骤直接提示AI，而是创建“循环”来指导AI的自主过程，旨在实现更高效、更健壮的任务执行，尤其是在编码代理方面。这种方法强调构建能够适应和纠正错误的系统，朝着能够自我驱动以实现既定目标的AI迈进。
-
AI编码代理从直接提示演变为“循环工程”
与AI编码代理交互的方法正从直接提示转向更自动化的“循环工程”方法。这种新范式涉及构建能够自主发现任务、提示AI代理、验证结果并确定何时停止或升级给人类的系统。这种由Anthropic和OpenAI等顶尖AI实验室的工程师在2026年中期观察到的演变，代表着从提示工程转向设计指导AI代理的自动化流程。
-
循环工程：随着模型改进，AI代理获得自主性
循环工程是由Addy Osmani推广的一个概念，它涉及设计控制系统，通过提示、检查和路由AI代理来自主完成任务，超越单轮交互。这种方法在早期模型上技术上是可行的，但受到其不一致性、有限的上下文窗口和糟糕的工具使用的阻碍，这阻碍了有意义的进展。现代大型语言模型通过更大的上下文窗口、更高的稳定性和更好的工具集成克服了这些限制，使得迭代式问题解决变得高效且经济高效。
-
中国初创公司 LoopWM 提升 AI 世界理解能力，提高效率
中国初创公司 FaceMind Research Asia 开发了一种新颖的“循环世界模型”（Looped World Models, LoopWM）方法，使 AI 能够持续理解、纠正和推断其环境。该方法在 Hugging Face 上获得了广泛关注，它使用共享的 Transformer 模块迭代地优化潜在状态，在参数效率方面提高了 100 倍，并节省了大量计算资源。与依赖手动提示或简单执行循环的传统方法不同，LoopWM 旨在为 A…
-
Addy Osmani 详解 Loop Engineering 在 AI 代理中的应用
Addy Osmani 发布了一篇博客文章，详细介绍了 Loop Engineering，这是一种新颖的 AI 代理开发方法。该方法通过强调模块化和清晰的流程定义，专注于创建更健壮、更具适应性的 AI 系统。目标是提高各种应用中 AI 代理的可靠性和可扩展性。
-
开发者从提示AI转向设计自动化“循环”
开发者正从直接提示AI代理转向设计自动化代理交互的“循环”。这种由Addy Osmani等人物推广的“循环工程”方法，涉及创建能够发现工作、将任务分配给代理、验证输出和管理持久内存的系统。虽然Claude Code和OpenAI Codex等主要AI平台提供了此工作流的基础，但人类的角色从发出逐轮提示演变为设计和完善这些自动化系统。
-
工程师面临“认知投降”，AI自行审查代码
软件工程师中一种日益增长的趋势是将代码审查和架构决策委托给Claude等AI助手，这导致了一种被称为“认知投降”的现象。当工程师在不完全理解其复杂性的情况下接受AI生成的代码并将其视为自己的代码时，就会发生这种情况，这可能导致未读的PR和已合并但存在未知问题的代码。CodeRabbit CLI等工具正在涌现，充当独立的审查者，标记出人类审查者可能因时间限制或依赖AI而忽略的问题。
-
循环工程：能够自我提示的 AI 代理出现
循环工程涉及设计能够递归地自我提示以完成任务的 AI 系统，而不是直接的人类提示。这种方法虽然有望用于与编码代理的未来协作，但仍处于早期阶段。由于潜在的代币成本差异和仔细的系统设计需求，建议谨慎行事。
-
AI工程演进：“Loopcraft”取代提示工程
AI工程正从提示编写转向设计自主循环来管理AI代理。这一被称为“loopcraft”的概念，涉及创建迭代提示AI模型、测试其输出并优化其流程的系统。Anthropic 的 Peter Steinberger 和 Boris Cherny 等关键人物提倡这种方法，强调提示系统设计而非单个提示。支持性基础设施和工具的发展使得这一转变成为可能，Andrej Karpathy 的“autoresearch”项目就是一个例子，该项目使用自然语言…
-
AI 智能体技能框架在 GitHub 上激增
AI 智能体技能框架正在 GitHub 上迅速获得关注，其中一些项目通过使 AI 智能体能够执行专业任务而获得了显著的受欢迎程度。这些技能通常是简单的 markdown 文件，为智能体提供了充当研究引擎、强制执行方法论或管理特定专业工作流程的指令。这一趋势表明 AI 智能体生态系统中的价值创造正在发生转变，从核心模型转向关注实用的、面向任务的能力。
-
AI编排税增加了成本和复杂性
“编排税”指的是通过将多个小型模型或服务链接起来构建复杂的AI系统时引入的隐藏成本和低效率。这种税收包括了管理这些复杂工作流程所带来的延迟增加、更高的运营费用以及潜在的故障点。解决这种税收问题需要优化AI组件的集成和管理，以确保高效且成本效益的部署。
-
AI 博文指导工程师提升技能，而非外包学习
Addy Osmani 的一篇博文为软件工程师提供了关于如何有效地将 AI 工具集成到工作流程中的建议。该博文强调，AI 应用应旨在增强而非取代工程师的学习和解决问题的能力。它提出了利用 AI 成为更熟练、更有能力的开发者的策略。
-
AI 解决 UI 问题能力受质疑；强调内部学习
一项研究调查了 AI 在识别用户界面问题方面的有效性，将 AI 驱动的分析与人类专家评估进行了比较。另一篇文章讨论了组织内部学习和技能发展的重要性，并告诫不要过度依赖外部 AI 工具来获取知识。
-
Patterns.dev 为 AI 编码助手增加了 58 种设计模式
Patterns.dev，一个备受推崇的 JavaScript 资源，通过集成 58 种专家级设计模式来增强其产品。此次扩展旨在为 AI 编码助手提供高级技能，从而可能提高它们在软件开发中的能力。