登录社区云，与社区用户共同成长
邀请您加入社区
正如著名计算机科学家David Wheeler所言："计算机科学中的所有问题都可以通过增加一个间接层来解决。"在Vibe Coding时代，这个间接层就是人类的设计智慧。系统边界需要人类定义架构演进需要人类规划技术决策需要人类负责让我们以开放而不失批判的态度拥抱这场变革——不迷信AI的完美，也不固守传统的教条。毕竟，最好的代码永远是人与机器共同谱写的诗篇。
摘要：本文提出SWE-smith工具包，用于自动化生成大规模软件工程训练数据。针对现有数据集规模小、构建成本高的问题，SWE-smith通过四种自动缺陷生成策略（语言模型重写、AST修改、PR撤销、缺陷组合），在128个Python代码库中生成5万条任务实例，规模比现有工作大一个数量级。该工具仅需20小时人工投入，显著降低了数据收集成本。基于SWE-smith数据训练的32B参数模型SWE-age
此文并非深思熟虑的研究文章，发出来供讨论。
软件工程的“死亡”，不过是其旧形式的终结，就像蝴蝶从毛毛虫中蜕变。AI不会让软件工程消失，而是将其提升到更高层次的抽象和思考。1968年的软件工程先驱们面对的是如何将个人技艺转化为工程学科；今天，我们面对的是如何将人类智慧与机器智能融合为创造力的新形式。这一挑战的本质与半个世纪前惊人地相似：管理复杂性、保证质量、提高生产率——只是复杂性的来源从代码本身，转向了人与AI的交互。在AI时代，软件工程的
是项目的基石，方向错了，后面所有的努力都可能白费。
本文对比了OpenClaw和WinClaw两个AI桌面助手的技术架构与设计理念。OpenClaw基于Node.js运行时，采用五层架构，深度整合Apple生态；WinClaw则基于Python+Qt，通过四层扁平化架构实现轻量级跨平台方案。文章重点分析了WinClaw如何利用Qt框架的天然跨平台特性，相比OpenClaw显著降低了跨平台开发复杂度，同时保持强大的可扩展性。两个项目虽源自相似理念，但
想象你让 AI 写代码时，它需要修改一个文件。字符串替换：要求 AI 精确复制原文件内容，再替换特定部分。但只要文件有空格或缩进变化，AI 就可能报错「字符串未找到」。diff 补丁：用类似git diff的格式描述修改，但不同模型对这种格式的理解差异极大，导致大量失败。这些方法的问题在于，它们依赖 AI「记住」文件内容。当文件被修改后，行号变化或文本微调，AI 就容易出错。而真正的瓶颈并非模型能
你是否还怀念那种用指尖敲击键盘、一行行代码从脑海中流淌而出的感觉？那种深夜里终于解开顽固 bug 的释然，看着自己写的代码像「用黏土雕塑」般逐渐成型的成就感，以及能够在 GitHub 仓库留下「这是我做的」那个最终签名时的骄傲？对于许多开发者来说，这种体验曾是他们职业生涯的核心，但就在过去两年里，它正在迅速濒临绝迹。
本文探讨了VibeCoding热潮下的技术选型策略，提出选型是决定AI编程成败的"定盘星"。文章从古典智慧中汲取灵感，强调选型应遵循"适配为先、平衡为要"的原则，而非盲目追求技术先进性。
Vouch 是否为开源续命，还是让它更快走向封闭，尚无定论。可以确定的是，AI 已经彻底改变了开源的供需关系。过去是贡献者稀缺，维护者欢迎任何帮助；现在是贡献泛滥，维护者时间成为最稀缺的资源。或许未来的常态是混合模式：大型项目用 Vouch 或类似机制构建护城河，中小型项目继续开放试错，而新人必须在某个角落证明自己，积累「社交信用」，才能进入核心圈。技术的初心是让所有人平等协作，但当工具让恶意变得
WinClaw工程实战：从"写博客"灾难到TaskTrace追踪系统的涅槃重生 本文是WinClaw工具优化实战系列的第5篇，讲述了WinClaw如何从"写博客"工具滥用灾难中重建质量保障体系。面对轻量化架构的局限，团队开发了TaskTrace全链路追踪系统，通过结构化数据采集、敏感信息脱敏和离线分析工具，实现了与OpenClaw同等级的质量管控能力。文章详
摘要：WinClaw针对Windows平台的轻量化需求，创新性地采用"渐进式暴露"策略解决工具滥用问题。该方案通过三层动态工具集（推荐/扩展/全量）配合置信度评估机制，在保持架构简洁的同时实现智能工具管理。核心工具始终保留确保基本功能，而动态优先级标注引导AI选择最适工具。相比OpenClaw的复杂配置方案，WinClaw以更轻量的方式实现了同等级别的工具控制能力，成为其在Wi
摘要：为解决WinClaw工具滥用问题，团队曾设计"硬过滤"方案——仅向AI暴露相关工具。该方案虽能大幅减少工具选择空间和token消耗，却存在致命缺陷：一旦意图识别出错，AI将彻底失去完成任务的能力。相比之下，OpenClaw采用模型驱动架构和分层权限过滤（detailKeys），实现了安全性与灵活性的平衡。本文揭示了激进优化方案背后的级联风险，为AI工具系统设计提供了重要教
如果你每月花 200 美元订阅一款 AI 编程助手，却发现它开始对你隐瞒它在代码库里的所作所为——比如只告诉你「Read 3 files」，却不说是哪 3 个——你会作何感想？这并非假设，而是 Claude Code 用户近期遭遇的真实困境。这款由 Anthropic 公司推出的终端 AI 编程工具，在 2.1.20 版本中悄然移除了一个核心功能：实时显示文件路径和搜索模式的详细日志。这一改动在开
而真实的 PR 自带完整上下文：有明确的 bug 描述、有验证用的测试用例、有经过评审的解决方案，堪称完美的教学案例。更狠的是，它用 LLM 评估 PR 的「实质性」，避免生成太简单的任务。干的就是这事儿：把开源项目里已经合并的 Pull Request（PR）逆向工程，改造成一个个标准的编程任务，让 AI Agent 在真实的历史坑里摸爬滚打。如果说训练 AI 写代码的最佳素材不是精心设计的题库
本文探讨了AI编程方法论VibeCoding如何重构传统CRM系统。传统CRM存在数据孤岛、流程固化、效率低下等痛点，VibeCoding通过"规划优先+系统提示词约束+闭环交付"模式，从理念、技术、体验三个维度实现革新：理念上转向"以客户为中心"；技术上打破数据壁垒，简化开发流程；体验上赋能全员，提升使用效率。实践案例显示，VibeCoding可降低70%开发成本，提升60%客户复购率。文章指出
作者说代理能处理 90% 的工作，评论区马上有人甩出真实案例：一位资深工程师用 Claude 重构一个老旧代码库，结果「一半功能完全消失，剩下的一半像被加密过」。最后，最有力的批评指向作者的傲慢：「水本身不是湿的，它让别的东西变湿。另一位说，AI 生成的测试用例里，连数学常数和引用的文献链接都是错的，但测试看起来通过了，因为 AI 在「睁眼说瞎话」。在这个状态下，有人提前离场回到 vim，有人烧着
记忆的价值不在于存得多，而在于删得准。主动筛选听着累，但比后期在噪音里找信号轻松。一个开发者说得好：「任何自动化记忆最终都会失败，除非有代际淘汰机制」。Total Recall 把淘汰前置了——每天花上几分钟晋升和清理，换来的是每天打开编辑器，AI 真的记得你是谁，而不是假装记得。
OpenClaw系统采用分层架构实现AI驱动自动化控制，通过事件驱动和命令模式进行组件间数据传递，并标准化JSON等数据格式。系统基于状态机管理控制流程，实现设备检测、权限验证、任务执行等核心功能，支持自动更新机制。采用多级异常处理策略，包括降级处理、重试机制等。性能优化方面运用懒加载、缓存策略和异步处理等技术。系统具备模块化设计、AI统一管理、智能设备识别等特点，未来可优化模型性能、增强扩展性和
OpenClaw是一个AI驱动的自动化控制系统，采用模块化架构设计，主要包含四大核心组件：AI模型管理器、设备识别系统、权限管理系统和自动更新组件。系统通过Sparkle框架实现自动更新，并支持多种AI模型提供商。设备识别系统利用标识符映射表精确识别iOS/macOS设备。组件间通过清晰接口交互，实现模型配置管理、设备识别、权限控制等功能，展现了现代AI应用的复杂交互关系。项目采用标准macOS应
本文探讨了软件工程工具从库函数到AI智能体的演进历程，揭示了工具变革下依然存在的核心困境。尽管现代AI工具能自动生成代码、修复Bug，但理解复杂系统、确保可靠性、知识传递等本质难题仍未解决，甚至因系统复杂度增加而加剧。文章指出，AI时代开发者需平衡"役物"与"制心"：既要善用工具提升效率，又要保持对系统的深刻理解和批判性思维。最终，软件工程的价值不在于代码产
OpenClaw是一款AI驱动的自动化控制系统，主要包含设备识别、AI模型管理和工具显示三大核心组件。系统采用分层架构设计，支持iOS/macOS设备的自动识别（覆盖177种iOS和215种macOS设备），集成100+种AI模型配置，并提供多种工具的可视化操作界面。关键数据流包括用户输入处理、AI模型推理和设备识别流程，具备实时处理、多级验证和权限检查等特性。系统通过模块化设计实现高效运行，各组
OpenClaw是一个基于macOS平台的模块化智能代理系统，采用分层架构设计。核心包含基础设施层(Sparkle框架)、工具层(OpenClawKit)、展示层(textual框架)和数据层(设备模型管理)。系统通过事件驱动模式处理用户交互，采用配置驱动设计实现功能动态控制，包括工具配置、模型管理和设备识别等功能。架构特点包括模块化设计、异步处理机制和统一的模型管理接口，支持多种AI模型提供商。
在刚刚过去的一期项目中，我们消耗了约23亿Token，使用Cursor Ultra与Claude Code构建了一个企业级 Agentic SOC平台。本文从软件工程的角度，复盘如何通过架构约束、测试驱动与文档管理，驾驭AI完成从35万行生成代码到8万行核心代码的提炼。
软件工程范式的历史演变与未来方向 本文系统梳理了软件工程范式从传统工程模式向开源协作模式的演进历程。在工程范式阶段，软件开发采用"蓝图思维"，通过严格的需求定义和流程管控实现确定性交付；而开源范式则以"生态思维"为核心，通过开放协作实现软件的动态演化。这种转变源于互联网时代对不确定性的适应需求，以及大语言模型等AI工具带来的开发方式革新。 下一代软件工程将呈
2026年软著申请面临更高规范要求，AI工具成为提升效率的关键，可快速生成源代码和说明文档初稿，但需警惕合规风险。核心流程包括：信息录入、AI生成文档与代码、人工复核及查重优化，强调人机协作（AI处理格式+人工完善核心逻辑）。常见误区包括过度依赖AI、代码逻辑不实及版本描述不符。实操需严格核对信息、植入真实代码、控制重复率并校验格式。AI工具虽能解决效率痛点，但必须结合人工审核确保材料真实性与合规
本文提出受控自我进化（CSE）框架，通过多样化规划初始化、遗传进化和分层进化记忆，解决代码优化中探索效率低的问题。实验表明，CSE在算法效率指标上优于现有方法，尤其在内存优化方面表现突出。该框架实现了早期高效性和持续改进，强调了反馈驱动探索的重要性。未来可探索将进化轨迹蒸馏为训练信号以增强基础模型。
回顾过去十几年，移动互联网浪潮本质上是一次交互入口的迁移。从鼠标键盘到手指触屏，从“坐在电脑前”到“随时随地”在线。那些没有跟上移动化转型的软件，就如同建在码头边却错过班船的仓库，逐渐被时代抛弃。而今天，我们正迎来新一轮更深远的变革：从移动时代到Agent时代，这不仅是技术升级，更是交互范式的根本重构。移动时代，软件只是换了个“壳”，用户依然要点开App、滑动页面、点击按钮，界面依旧是界面，人依然
本文系统剖析了OpenClaw的核心功能特性与实现架构。OpenClaw是一款集成AI能力的macOS应用，主要特性包括：通过models.generated.js统一管理多厂商AI模型；利用设备标识文件实现iOS/Mac硬件适配；在Info.plist声明系统权限需求；基于Sparkle框架实现自动更新；支持语音唤醒、多模态输入等核心功能。应用采用模块化设计，包含模型集成层、设备兼容层、权限管理
《everything-claude-code：工程化AI编程助手解决方案》 摘要：everything-claude-code是一个面向ClaudeCode的工程化工作流组件库，通过标准化配置提升AI编程效率。该项目提供了一套可复用的agents（子代理）、skills（工作流）、commands（命令）等组件，将"规划→实现→评审→测试→验证"的软件工程流程固化到工具中。主
本文介绍了在CentOS7系统上安装SonarQube 8.9的完整流程。主要内容包括：1）安装规划，确定主机配置和软件版本；2）系统准备，包括安装依赖、时间同步、关闭防火墙和SELinux；3）JDK11的安装与配置；4）PostgreSQL12的安装、数据库创建和配置；5）后续将进行的SonarQube和Sonar-Scanner安装步骤。文章提供了详细的命令操作和配置文件修改说明，确保用户能
在人工智能代理日益融入软件开发生命周期的背景下，一个核心悖论浮出水面：一方面，开发者普遍感知到生产力的提升，高达84%的开发者表示使用生成式AI工具后速度有所加快 [另一方面，严谨的实证研究却揭示了截然不同的图景。一项针对开源开发者的随机对照试验发现，允许使用AI工具反而使任务完成时间增加了19% [这种感知与现实的巨大鸿沟，深刻地揭示了一个事实：人工智能并非凭空创造能力，而是放大使用者已有的能力
本文提供毕业设计项目选择与实施的全流程指导方案，分为基础稳过版和高阶优秀版两大类型。基础版面向零基础学生，提供管理系统、网站类等易上手项目，配套完整源码、低查重论文和答辩模板，确保顺利通过；高阶版适合有基础学生，推荐微服务、AI、大数据等前沿技术项目，强调创新点设计和论文深度，助力冲击优秀毕设。两种方案均包含选题技巧、开发流程、论文撰写、答辩准备等详细指南，并提供配套资料领取方式，帮助学生根据自身
AI编码助手的快速普及正在重塑软件工程实践，但不同代理在不同任务类型和时间维度的有效性对比仍较为缺乏。本文通过分析AIDev数据集中7156个拉取请求（PR），对OpenAI Codex、GitHub Copilot、Devin、Cursor和Claude Code五款主流代理开展实证研究。时间趋势分析显示代理演变模式存在异质性：Devin是唯一呈现PR接受率持续正向增长的代理（32周内每周+0.
智能体 SDLC 代表了软件开发范式的根本性变革。传统 SDLC 以人工为中心、串行执行为特征，而智能体 SDLC 则以人机协作为核心、并行智能为特征。这种变革不仅是技术层面的升级，更是开发理念和工作方式的彻底革新。智能体不再是简单的工具，而是成为了软件开发过程中的智能伙伴，能够理解需求、自主决策、协作执行，极大地提升了开发效率和质量。技术突破带来了革命性的效率提升。根据大量实践数据，智能体 SD
摘要xAI被正式纳入SpaceX的航天版图中，这是航天产业进入“特斯拉时代”的标准信号。
大语言模型（LLMs）生成的代码常含隐性关键缺陷，现有自动化修复方法依赖二值反馈，故障定位模糊且无法从失败中学习，易陷入低效循环。为此提出迹驱动多智能体框架TraceCoder，模拟人类专家调试流程：通过插装智能体捕获细粒度运行时迹，分析智能体做因果故障分析，修复智能体执行靶向修复；结合历史经验学习机制（HLLM）避免重复错误，回滚机制（RM）保证修复稳定收敛。多基准实验表明，TraceCoder
机器人奇妙夜》作为全球首届机器人春晚，不仅是一场科技与艺术融合的视觉盛宴，更是中国机器人产业发展的重要里程碑。智元机器人通过 200 余台机器人的协同表演，展现了在复杂运动控制、高精度群体协同和情感交互等领域的突破性进展，标志着具身智能正式迈入 “舞台级系统智能” 新阶段。从技术层面看，这场晚会展示了中国机器人企业在硬件设计、AI 算法、系统集成等方面已达到国际先进水平。灵犀 X2 的高难度动作、
这种变化标志着一个残酷的现实：未来的高杠杆（High-leverage）开发者将不再是单纯的“写代码的人”，而是运行着一支 AI 特工车队的“异步管理者”。要成为一名卓越的“AI 经纪人”，你需要建立一套可复用的“编排操作系统”： 计划（Plan） -> 产生（Spawn） -> 监控（Monitor） -> 验证（Verify） -> 集成（Integrate） -> 复盘（Retro）。这不再
如果说 ListView 是“信息高速公路”，GridView是“视觉陈列橱窗”，那么 CustomScrollView 就是一座精心规划的“城市综合体”：它不仅能容纳多种滚动内容（Banner、Tab、列表、网格、广告位），还能让它们协同工作、物理连贯、性能卓越，共同构建出符合现代设计规范的高级 UI。
无论是新手引导页（Onboarding）、商品图片轮播、分步表单、多标签内容切换，还是电子书阅读器、产品画廊、车机仪表盘卡片——只要涉及**全屏或大区域的横向滑动切换，PageView几乎都是首选方案。
在移动应用开发的视觉表达中，如果说 ListView 是“线性信息的高速公路”，那么 GridView 就是“视觉内容的陈列橱窗”。无论是相册浏览、商品展示、应用图标墙、视频封面矩阵，还是设置快捷入口、游戏关卡选择、音乐专辑墙——只要涉及二维网格化的内容排布，GridView 几乎都是不二之选。
在移动应用开发的世界里，如果说 SingleChildScrollView是“静态内容的舞台”，那么ListView就是“海量数据的高速公路”。无论是微信聊天记录、淘宝商品列表、微博信息流，还是系统设置菜单、联系人列表、新闻聚合页——只要涉及大量同构或异构项的垂直展示，ListView几乎都是首选方案
在移动应用开发中，如果说 TextField是“用户表达的窗口”，那么滚动容器就是“内容展示的舞台”。无论是长表单、商品详情、新闻文章，还是设置列表、个人主页、聊天记录，只要内容超出屏幕范围，就离不开滚动。
开发者作为架构师、评审者与决策制定者，编排具备自主执行、测试与代码优化能力的 AI 智能体团队，仅手动编写极少量代码，其余工作由智能体在开发者的指导下完成 —— 整个过程需严格遵循软件工程的专业纪律与质量标准(360)。维度氛围编程（Vibe Coding）智能体工程（Agentic Engineering）核心逻辑提示词驱动，单智能体执行智能体团队协同，开发者调度开发者角色提示词创作者（Prom
本文系统梳理了计算机存储系统的核心知识点，重点分析了存储层次结构、存储器分类、Cache原理、虚拟内存和磁盘存取等关键内容。存储层次采用"金字塔"结构平衡速度、容量和成本；RAM分为SRAM（高速Cache）和DRAM（主存），ROM具有断电保活特性；Cache通过局部性原理和三种地址映射方式提升CPU访问效率；虚拟内存通过主存+辅存扩展逻辑容量；磁盘存取时间计算需区分寻道、旋
软件工程
——软件工程
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
昇腾开源生态专区
开源鸿蒙跨平台开发者社区
深开鸿 技术专区
