Martin Fowler
PulseAugur coverage of Martin Fowler — every cluster mentioning Martin Fowler across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
微服务专家 Sam Newman 讨论弹性系统和 AI 的影响
《构建微服务》的作者 Sam Newman 在最近一期 The Pragmatic Engineer 播客中，讨论了他对微服务作为最后手段架构的看法。他分享了关于常见的采纳误区、独立部署的重要性以及微服务如何促进团队自主性的见解。Newman 还详细介绍了他的新书《构建弹性分布式系统》，概述了分布式系统的三条规则、可观测性的必要性以及业务背景在错误处理中的作用。
-
Martin Fowler 探讨 LLM 编程语言抽象
Martin Fowler 在他最近的片段中讨论了大型语言模型（LLM）用于编程的理想语言。他建议，抽象级别应选择为允许最精确地表达程序语义，而不是默认使用低级编程语言。
-
人工智能加速科技行业前所未有的变革，改变编码实践
在人工智能的驱动下，科技行业正经历前所未有的变革，工程领导者们指出创新步伐显著加快。许多工程师不再手动编写代码，而是依赖人工智能代理和新基础设施。尽管团队和规划仍然至关重要，但这一转变导致代码质量和可靠性下降。预计未来的发展将包括基于云的编码代理和工具，进一步减少工程师直接阅读代码的需求。
-
Martin Fowler 对大语言模型表示怀疑
著名的软件工程师 Martin Fowler 在最近的一篇文章中表达了他对大语言模型（LLMs）的疑虑。在承认其能力的同时，Fowler 提出了他怀疑的几个原因，认为 LLMs 可能并非如人们所描绘的那样是一项革命性的进步。他的批评集中在当前 LLM 技术的实际局限性和潜在的弊端。
-
Martin Fowler 批评大型语言模型，指出其过度炒作和伦理担忧 · 跟踪 4 个来源
Martin Fowler 对大型语言模型 (LLM) 表达了强烈的不满，认为它们当前的能力和与社会的融合存在问题。他批评了围绕 LLM 的炒作，认为它们被过度炒作，并且经常被以无益的方式使用。Fowler 还对伦理影响以及对软件工程实践的潜在负面影响表示担忧。
-
大型语言模型评估从主观检查转向结构化指标
一篇文章讨论了使用结构化评估（evals）来评估大型语言模型（LLMs）性能的重要性，超越了主观判断。作者详细介绍了一个项目，其中一个用TypeScript构建的确定性分类器作为基线，用于衡量大型语言模型的性能。这种比较显示，虽然大型语言模型在某些方面优于确定性方法，但在其他方面基线方法更胜一筹，从而形成了一个利用两者优势的混合架构。
-
Claude Fable 5.1 解读古老密码；AI 监管引发辩论 · 跟踪 7 个来源
Claude Fable 5.1 已经展示了其能力，仅用约 176,000 个 token 就在不到一小时内解读了一个有 370 年历史的密码——Cyphral Distich。这一壮举凸显了该模型先进的自主推理能力，它通过关联密码前段落中的文本和数字序列来解读，而不是依赖外部加密密钥。该集群还涉及 AI 代理明确的数据质量和权限管理必要性，批评了 AI 生成仪表板的视觉设计，并讨论了对前沿 AI 模型开发的监管方法。
-
Consort框架可在实时数据库分支上实现测试驱动开发
推出了一款名为 Consort 的新型代理框架，专为在实时数据库分支上进行测试驱动开发而设计。该框架旨在通过允许代理在无法绕过的隔离数据库分支内运行测试和控件来强制执行工程纪律。这种方法确保代理编写的代码可验证且可维护，并与 TDD 和持续交付等成熟的软件开发实践相呼应。
-
Martin Fowler 质疑 AI 代理循环中的 TDD 价值
Martin Fowler 探讨了测试驱动开发 (TDD) 在代理循环中的实际应用，质疑其是否提供真正价值，抑或仅仅是表演。他审视了 TDD 原则如何融入 AI 开发流程，并考虑了对软件开发的影响。
-
Thoughtworks工程师利用涌现的Agent协调在4天内构建了航空公司IROps系统
Thoughtworks的技术人员在西班牙巴塞罗那进行了一项为期四天的实验，涉及10名工程师，以探索“超Agent式”软件开发。该团队成功构建了一个模拟航空公司IROps系统，这是一项通常需要大量时间和资源的复杂任务。在此过程中，他们无意中发现，通过在monorepo中共享的、持续更新的计划进行协调的Agent能够促进涌现行为和高效的任务分配。
-
Harness Engineering：指导AI编码代理实现可靠的软件开发
Harness engineering 是一种将AI编码代理有效集成到软件开发工作流程中的概念。它涉及创建一个“harness”（约束系统），用项目特定的规则来指导AI，并检查其输出是否出错。这种方法旨在利用AI的能力，同时减轻其缺乏人类经验和常识所带来的风险。通过结合“Guides”（任务前指令）和“Sensors”（任务后检查和反馈循环），开发人员可以创建一个环境，让AI代理能够更可靠地执行任务并迭代改进其性能。
-
Martin Fowler：数据准备是 Agentic AI 的关键
Martin Fowler 认为，要使 AI 代理有效，它们所交互的数据必须经过精心准备。他强调，当前的数据实践往往不足以满足 Agentic AI 的需求，Agentic AI 要求数据结构化、可靠且易于访问。Fowler 建议转向更强大的数据工程原则，以支持复杂 AI 代理的开发和部署。
-
Martin Fowler 详述 AI 系统中的“编排器税”
Martin Fowler 的文章《编排器税》探讨了使用 AI 编排器相关的隐性成本。这些系统虽然强大，但如果管理不当，会引入复杂性和开销，可能超过其带来的好处。Fowler 建议，理解并减轻这些“税负”对于有效的 AI 系统设计至关重要。
-
Martin Fowler 提倡 AI 工具增强而非取代人类输入
Martin Fowler 讨论了软件开发中的“约束工程”概念，强调 AI 工具应增强而非取代人类输入。他建议这些工具应将开发人员引导至其专业知识最关键的领域，确保人类智能在开发过程中保持核心地位。
-
理解“代理约束架”：AI代理背后的基础设施
这篇博文探讨了“代理约束架”的概念，它是在语言模型能够作为代理运行的周围基础设施。模型提供智能，而约束架通过管理记忆、提供工具和在循环中执行操作来提供可靠性。作者详细介绍了简单的代理循环为何在较长任务上会失败，因为模型会忘记之前的步骤和上下文，并介绍了 Martin Fowler 将约束架拆分为塑造代理行为的“指南”和提供反馈的“传感器”的想法。
-
新的 IRC-A 架构通过基础设施强制执行代理边界
提出了一种名为 IRC-A（Internet Relay Chat for Agents）的新型去中心化架构模式，作为代理工程中信任、边界和控制等开放问题的解决方案。该架构强调通过基础设施层面强制执行边界，而不是仅仅依赖提示工程。IRC-A 将推理代理与事务工具分开，确保代理无法直接访问生产数据库等敏感数据。它还实现了逻辑通道和能力过滤来强制执行代码边界，防止代理修改受限的代码库。
-
AI 对软件开发的影响：重构经济学与代理隔离
两篇不同的文章讨论了生成式 AI 对软件开发工作流的影响。Martin Fowler 的一篇文章探讨了在生成式 AI 背景下重构代码的经济优势。另一篇文章来自 fletch.sh，探讨了 Git worktrees 作为 AI 代码代理隔离边界的局限性，认为它们不足以构建健壮的代理环境。
-
Martin Fowler 探讨 AI 代码重构的经济学
Martin Fowler 的文章探讨了重构 AI 代理生成的代码所带来的经济优势。他详细介绍了一个实验，其中一个大型的 17,000 行 Rust 文件（属于一个主要由 Claude Code 和 Cursor 等 AI 代理编写的 150,000 行代码库的一部分）被重构。该实验旨在证明，现在投入 token 进行重构将减少未来开发任务的 token 消耗，并在每个重构阶段都指派一个新的代理来执行相同的更改，以避免学习偏差。
-
Martin Fowler 探讨本地 AI 模型用于编码；MDN 推出新服务器
Martin Fowler 的最新文章探讨了在编码任务中使用本地 AI 模型的可行性，并将其与云端解决方案进行对比。文章深入探讨了影响本地模型可行性的因素，例如硬件要求和性能。此外，MDN Web Docs 推出了一个名为 MDN MCP 的新服务器，旨在改进文档流程。
-
Hacker News 聚焦 Apertus 开放基础模型和可靠的代理式人工智能
Hacker News 重点介绍了两篇重要文章：一篇关于 Apertus，一个用于主权人工智能的开放基础模型；另一篇关于构建可靠的代理式人工智能系统。Apertus 模型旨在为特定国家或组织边界内的人工智能开发提供基础，而关于代理式人工智能系统的文章则深入探讨了创建可靠的人工智能代理的方法和挑战。