代码变廉价后的评审方法：以证据和影响范围决定审查深度

Honeycomb 联合创始人兼 CTO Charity Majors 在播客中讨论 AI 生成代码加速后如何构建可靠软件，指出可观测性用于回答未知问题、连接变更与结果。

Addy Osmani 在 O'Reilly Radar 发表文章，提出智能体写代码时代码评审无法规模化，软件质量取决于围绕智能体设置的质量门等约束。约束包括单元测试、属性测试、变异测试和圈复杂度等指标，应在流水线全程施加反压，而非等到结尾的 CI 检查；人类注意力应留给品味、意图和架构等最需要判断的问题。文末含 Sonar 赞助内容。

Addy Osmani 在 O'Reilly Radar 发文指出，智能体生成的代码量已超出人工逐行评审的可扩展范围，软件质量应转向依赖围绕智能体设置的约束和质量门，包括单元测试、变异测试、复杂度指标和架构规则等。文章讨论了自主性和信任两大问题，主张把人类注意力集中在最需要判断的细微问题上，并给出扩展验证循环的三种方式：扩容验证系统、降低智能体变更速率或调整质量标准。文中含 Sonar 赞助内容。

Andrew Stellman 提出理论并用实验解释 AI 生成文本中 Yoda 式怪异句序的成因。他认为是注意力与自回归两种机制共同作用，模型无法回头修改已生成的词，事实以片段而非完整句子给出时更容易被直接贴在名词后面。

Theo Valmis 在 O'Reilly Radar 撰文指出，AI 编码代理的架构治理需要区分相关性与权威性、引导与强制两类界限。

O'Reilly Radar 文章提出 AI 系统存在"保存缺口"：运行时依赖（模型端点、检索数据、策略、工具契约等）在执行时才确定，现有基础设施只保存模型、代码、部署和观测记录，不保存某次执行的实际绑定关系。作者为此提出参考架构 Orrery，用于保存重建 AI 系统历史执行所需的运行时绑定与依赖状态，并区分了"可复现性"与"可重建性"两个概念。

AMD 与 Embedded LLM 在 vLLM 官方博客详解 Kimi K3 在八卡 AMD Instinct MI355X 上的推理优化。

作者卡兹克分享实测开源Skill Anatomy（GitHub：https://github.com/wheresryan22/anatomy/tree/main），它能把抽象原理做成可交互的机械模型动画，在其基础上还能让AI一轮直出带讲解配音的科普视频。

作者数字生命卡兹克分享开源 Skill Anatomy，其理念是"物体本身，就是解释"，可将抽象原理做成可交互的机械模型动画，还能在其上生成带讲解配音的科普视频。

Apple 机器学习研究团队演示如何在 Mac Studio 上本地运行近万亿参数的 Muse Spark Open 等前沿模型，使用今天发布的新版 MLX（v0.30.1 起）与 macOS 26.2 的 RDMA over Thunderbolt 驱动。