AI Engineering Weekly
AI 工程周刊 · 每周十篇非显而易见的工程洞察
当 AI 开始自我建造：Anthropic 公布递归自我改进的内部数据
递归自我改进不再是思想实验——Anthropic 内部 80%+ 的合并代码已由 Claude 编写，真正的瓶颈正从"写代码"转向"人类来不及审查"。
递归自我改进过去是 AI 安全圈的思想实验，如今 Anthropic 首次用内部数据把它落到地面：截至 2026 年 5 月，公司合并进主代码库的代码已有 80% 以上由 Claude 编写，而在 Claude Code 于 2025 年 2 月发布研究预览前，这个比例还只是个位数。
更值得警惕的是瓶颈的转移。当 AI 与人类的代码质量逼近持平，人类便不再写代码、只负责评审——但评审速度追不上 Claude 的产出速度，这是 Amdahl 定律的新版本。Anthropic 称人均每日合并代码量已是 2024 年的 8 倍，最开放式工程任务的成功率半年内从 26% 跃升到 76%。
对工程团队而言，这意味着真正要重投资的不是"招更多人写代码"，而是审查与验证的自动化：Anthropic 的自动代码评审在回溯分析中能拦截约三分之一导致历史生产事故的 bug。人类剩下的护城河——选问题、判断结果、识别死路的"研究品味"——也开始被模型蚕食：在一项"下一步判断"测试中，2026 年 4 月的 Mythos Preview 已有 64% 的选择优于人类。
"模型在商品化，真正的产品是 harness——当 AI 写下大半代码、甚至开始自我改进，工程的价值正从"写代码"位移到环境设计、成本纪律与可验证性。"
— 本周主题
"LLM 正在侵蚀我的工程师生涯"：一线工程师的去技能化自白
真正贬值的不是"写代码"这个动作，而是工程师赖以收取溢价的三根支柱——领域专精、分布式系统调试直觉、架构品味——当它们都变得"可提示（promptable）"，专家被压平成可互换的通才。
▸ 点击展开详情
这篇登上 HN 头条（1124 分）的匿名自白击中了资深工程师的集体焦虑：曾经需 1–2 天的跨系统调试，如今 Opus 4.8 + DataDog MCP 能一次解决约 90%（含竞态与第三方边界条件）。当稀缺技能不再稀缺，薪酬溢价随之坍塌——恰逢需求走软、岗位从"X 领域工程师"退化为通用"软件工程师"。
与其死守会被"提示化"的技能，不如把价值锚点迁移到 AI 难以替代的层面：问题定义、跨团队权衡、对"AI 产出是否可信"的判断；并主动用 agent 放大自己的产出半径，而非与它竞争同一格工作。
Vercel AI Gateway 生产指数：便宜模型暴涨，账单反而涨得更快
DeepSeek V4 单月把 token 份额从不到 1% 拉到 17%、却只占 1% 支出——但全行业 AI 支出仍环比涨 43%，因为"前沿任务"增长比"廉价任务"更快，平均每个 token 反而更贵了。成本纪律的真相不是砍预算，而是路由策略。
▸ 点击展开详情
这是基于数十万亿真实生产 token 的数据，戳破了"便宜模型普及 = 省钱"的直觉。它揭示企业不是在降本，而是在按"答错的代价"分配模型——Anthropic 仍吃掉 65% 的支出、在每个高风险场景占 70–80% 的花费。
按"错误成本"而非"token 用量"做模型路由——高频低风险流量（分类、抽取、补全）走 DeepSeek 级廉价模型，高风险环节（金融、代码合并、面向用户）保留前沿模型；coding agent 场景实测 DeepSeek 占 49% token 量但仅 4% 成本，正是这种分层的典型形态。
"我用 Claude 做设计，比用 Figma 还多"：原型即提案文档
当设计师能用 Claude 在真实代码库里直接做出可运行原型，Figma 和 spec 文档就从"中间产物"沦为浪费——所有精力都投在最终交付物本身。设计与工程之间的交接环节正在被压扁。
▸ 点击展开详情
来自 Jane Street 设计师的一手实践：两个月里"打开 Figma 的次数断崖式下跌"，原型已能包含 2000+ 行的数据模型与库改动。这预示 AI-native 产品流程中"角色边界"的重划——设计师不再需要说服工程师才能做出 PoC。
把原型当作"可丢弃的活体提案文档（living proposal doc）"——设计师用 agent 在真实代码里做出可被用户评测的 PoC，评审者只给设计/UX 反馈，再由工程在独立分支重写为生产代码；但要警惕被"Claude 能产出什么"框住，从而错失更大的创意跳跃。
Lowfat：在 token 进入 agent 之前就把命令输出"瘦身"
被忽视的 token 黑洞不是对话，而是工具/命令输出（git、docker、ls）。在源头（PreToolUse hook）压缩这些噪声，能在不改 agent 本身的前提下回收大量上下文预算。
▸ 点击展开详情
当 Uber 给每人每月设 $1,500 token 上限、企业普遍审视 AI 账单时，"输出层压缩"是一条几乎零成本、可立即落地的省钱路径。作者实测 git log 压缩达 -93%~-97%，git status 达 -91%。
给 coding agent 接一个输出过滤层（lite/full/ultra 三档），优先压缩 git/docker 这类高噪声命令；但注意压缩是有损的——把它当作"输出片段的天花板"而非端到端 token 保证，上线前验证 agent 仍拿得到关键信息（如完整 diff 上下文）。
Harness 工程：OpenAI 团队五个月零手写代码，造出百万行真实产品
当团队的工作从"写代码"变成"设计环境、表达意图、搭建反馈回路"，真正稀缺的资源是人类的时间与注意力——于是工作内容变成了脚手架（可读的仓库、机械可验证的不变量、agent 驱动的 QA、持续清理），而非编码本身。
▸ 点击展开详情
OpenAI 内部团队用 Codex 在 5 个月写出约 100 万行、0 行人工代码的真实产品（约为手写 1/10 的时间、共约 1500 个 PR），且团队从 3 人扩到 7 人时人均吞吐不降反升——这直接挑战了"加人就边际递减"的工程常识。
别再维护臃肿的 AGENTS.md——换成约 100 行的"目录"，指向结构化的 docs/ 事实源（"给 Codex 一张地图，而不是一千页手册"）；用自定义 linter、结构化测试、分层依赖把约束机械化；把评审改成 agent-to-agent 回路，并跑后台 Codex 清理任务，像 GC 一样持续偿还技术债，而非每周五手动清"AI slop"。
第一个被形式化验证的多边形求交算法：信任来自 Lean，而非 LLM
让 AI 自主写出实现 + 证明，但把"信任"完全押在 Lean 检查器和一份 87 行规格上——这样即便实现代码从未被人类审阅，正确性依然可被机械保证。AI 的产出不需要被信任，只需要被验证。
▸ 点击展开详情
它示范了一条"高可信 AI 工程"的路径，并意外记录了模型能力的陡升：Opus 4.5 还只能翻译人类写好的证明，4.8 已能零提示从头重证主定理、甚至"怀疑"可能为假的中间引理并自主切换策略 / 派生并行 subagent。
对正确性关键的代码，把人类审查面从"读完整实现"收缩到"读一份小规格 + 审计可信公理集"（如 [propext, Classical.choice, Quot.sound]）；用形式化验证或强类型 / 属性测试作为 agent 产出的验收闸门——但接受代价：被强制验证的代码往往更慢、更不"实用"。
Claude Code 的 agent 循环为什么有 1400 行？每一行都是一座生产事故的墓碑
agent 循环本身"不是聪明的部分"——模型才是。那 1400+ 行之所以存在，是因为每一行都编码了一个具体的生产失败模式（网络抖动、上下文溢出、工具挂死、治理 hook）。你的循环更短，只是还没踩到这些坑。
▸ 点击展开详情
这是对 Claude Code v2.1.88 源码的逐行解剖，把"玩具 while-True 循环"与"生产级 agent"之间的鸿沟具体化为 9 个无需用户输入即自动续跑的条件——对任何在自建 agent 的团队都是一份现成的失败模式清单。
照着那 9 个续跑条件审计自己的 agent loop：API 错误指数退避（最多 10 次）、max_tokens 中断续写、两段式压缩（4 个廉价的主动策略 + 413 后的反应式收缩并配熔断器防二次 413）、sub-agent 完成、hook 阻断；并记住会话初始化在你打字前就已吃掉约 8k–12k token（在 32K 窗口里高达 25–37%）。
Nightwatch：一个"只读"的 AI SRE，把安全做进 agent 架构本身
让 LLM 在生产系统上调查根因，但在架构层面强制"只读"——每个被提议的修复都是人类必须批准的可复制工件，agent 永不执行任何写操作。安全不是事后加的护栏，而是架构的第一性约束。
▸ 点击展开详情
在 prompt 注入、agent 失控成为真实风险的当下，它给出了一套可复制的"安全优先 agent 架构"：动作分级（read_only / reversible / irreversible，未知一律降级为 irreversible）、对不可信日志 / diff 的注入屏蔽、远程调用前的密钥擦洗、证据不足时压低置信度的 grounding gate。
给你的运维 / 调查类 agent 套一层"安全外壳"——用类型化的只读能力白名单 + 动作分级（默认拒绝、未知降级为不可逆），把不可信输入做注入扫描、把密钥在出站前一次性擦除，并让 agent 在缺乏证据时强制降低置信度，而非自信地编造。
Uber 把 AI 工具开支砍到每人每月 $1,500：一个关于"AI 到底值多少钱"的信号
Uber 四个月烧光全年 AI 预算后，给每个 AI 编码工具设了人均 $1,500/月 上限——这个数字反向暴露了企业心中 agentic 编码工具的真实美元价值：约为工程师薪酬中位数（$330k）的 11%。
▸ 点击展开详情
相比鼓励员工"卷 token 用量"的排行榜，硬上限是更理性的政策；它同时是一个市场定价信号——当补贴个人版（约 $100/月）对大企业关闭、真实 API 价格开始约束使用，AI 工具的采购逻辑正从"无限畅用"转向"按 ROI 配额"。
把 AI 工具支出当作可量化的生产力投资来管理——按工具分别设人均上限（避免单工具挤占预算），并结合输出层压缩（见 Lowfat）与模型路由（见 AI Gateway 指数）把单位成本压下去，而不是简单封顶了事。
如果要给本周一个标题，那就是：模型正在商品化，而 harness——围绕模型的脚手架、编排与反馈回路——正在成为真正的产品。Anthropic 披露 Claude 已写下其 80% 的合并代码，OpenAI 团队则用 Codex 在五个月里零手写造出百万行的真实产品，二者共同宣告：工程师的工作正从"写代码"被同时自动化和位移——位移到环境设计、约束的机械化、以及 agent-to-agent 的评审回路。与此同时，成本这条暗线贯穿全周：Uber 把人均 AI 开支砍到每月 $1,500，Vercel 的生产数据显示便宜模型份额暴涨、账单却涨得更快，因为企业是在按"答错的代价"分配模型，而非单纯求便宜。从 Lowfat 在源头压缩 token，到 Claude Code 用 1400 行循环把每个生产事故固化成代码，再到一个"只读"的 AI SRE 把安全做进架构本身——本周的共同主题是：当模型唾手可得，工程的价值回到了它一直所在的地方：纪律、可验证性，以及对系统边界的设计。那篇登上 HN 头条、坦言"LLM 正在侵蚀我的工程师生涯"的自白，则是这枚硬币的另一面。