那个由智能体编写的、实际上什么也没测的测试
编程智能体生成的测试套件能够通过测试、提高覆盖率，却抓不住任何 Bug。本文探讨了为什么智能体编写的测试会演变为同义反复，以及变异测试和红绿 TDD 准则如何让它们重新起到约束行为的作用。
覆盖率幻觉：为什么 AI 生成的测试会继承代码的盲点
当 AI 同时生成代码和测试时，会形成一个封闭循环：相同的盲点同时出现在两者中。高行覆盖率变成了虚假信号，测试套件成了强化缺陷而非捕获缺陷的产物。
评审 Agent PR 是一项不同的工作，而不是更快捷的工作
Agent 编写的 PR 与人类编写的 PR 相比，Bug 的分布位置有所不同，而经过多年人类代码训练的评审者直觉在面对它们时会悄然失效。本文将带你深入了解这种新的 Bug 特征，探讨为什么看似流畅的 Diff 是危险的，以及每位评审者现在必须共同阅读的三个关键工件。
为什么 AI 生成的注释腐烂得比代码还快
AI 智能体为每个函数生成流利的文档字符串，它们往往只是在转述代码逻辑，而非编码意图。一旦代码发生变动，注释就会说谎——而下一位读者往往会相信谎言而非代码。这是一套面向 AI 辅助时代的代码审查规范。
AI 审查 AI：代码审查智能体的非对称架构
当作者和审查智能体共享同一个基础模型时，代码审查就变成了一种信心放大器，而非质量关卡。本文探讨如何通过非对称架构、多轮批评者（multi-pass critics）和评估纪律，将 AI 审查转化为真实有效的信号。
AI 代码审查实践：自动化 PR 分析真正能发现什么，又持续遗漏什么
AI代码审查工具在拼写错误和空指针检查方面的准确率为70-85%，但遗漏语义错误的概率高达85-90%。本文提供实证数据分析，并介绍避免自动审批沦为橡皮图章的工作流设计。
AI 代码审查陷阱：为什么更快的审查正在让你的代码库变得更糟
AI 工具让工程师写代码更快、审查代码更快，但缺陷逃逸率却在攀升。本文呈现自动化偏见、隐性逻辑错误的数据，以及真正能发现 AI Bug 的审查规范。
你的代码审查流程正在针对错误的失败模式进行优化
AI 生成的代码将缺陷从拼写错误转移到了架构漂移、幻觉 API 和照搬模式上——但审查者却更快地盖上了橡皮图章。本文提供一套实用的检查清单和指标框架，帮助你调整代码审查流程。
氛围编程有害论：当 AI 辅助的速度扼杀软件质量
AI 编码工具承诺速度，却带来理解债务——有经验的开发者使用 AI 后效率降低 19%，生成的代码问题多 1.7 倍，76% 的开发者会发布自己不完全理解的代码。
合理补全陷阱：为什么代码智能体会生成看似正确实则错误的代码
代码智能体生成的代码能够编译、通过Lint检查、看起来正确，但却在悄无声息地做着错误的事。这里揭示了训练目标为何从根本上导致这一问题，数据说明了什么，以及如何构建真正能发现问题的验证循环。