技术专栏 第166页

去Github下载对应的引擎文件；

每次改需求都要后端重新开接口，加班加到想删库跑路？

我的判断很简单：Agentic Coding 不是把一个聊天窗口升级成“万能工程师”，而是把一组能力不同、失败模式不同的模型，编排成一条可验证的执行链路。
​模型负责判断和执行，workflow 负责顺序和门禁，人负责风险决策。​三者少一个，系统都会变形。

众所周知，AI 有很多预训练的数据，以英文世界的语料为主，但是很多软件在持续迭代、文档在持续迭代，预训练的数据可能是过期的，所以我们在让 AI 回答问题之前，如果你有权威数据来源，那要提前告诉 AI，每个 AI Agent 通常都会提供一个 Knowledge 录入方式，如果你使用本机的 Codex、Cursor，你也可以写个 Markdown 告诉 AI，在回答问题之前请先参考这个 Markdown。我录入的 Knowledge 也很简单：

这个程序有一个问题：
它只能检查一个人。每次运行只能处理一次输入，然后就结束了。如果有多个人要检查，就得一遍遍运行程序，太麻烦了。

Casebook 不是另一个测试用例管理平台，而是在 AI Agent 时代重新定义测试用例资产该如何被创建、维护和使用。

  常用的Reader子类有以下5个：

PR 积压越来越多，每个人都忙着赶需求，Code Review 变成了走过场——点开 PR，看一眼改动，评论个「LGTM」，merge 掉。两周后，某个「已 Review」的 PR 在生产环境出了问题，排查下来发现是一个并发安全漏洞，根本原因在 PR 里写得明明白白，但没人仔细看。

数据库（Database），顾名思义，就是存放数据的“仓库”。但与现实生活中随意堆放物品的仓库不同，数据库是一个
按一定规则组织、存储和管理数据的计算机软件系统。

这就是跟一个每隔几周就更新一次的工具打交道的现实。文章里写的具体命令、参数和功能都会变。有些从我写到你现在读，中间已经变了。但基本概念和工作流程不会变。下面要讲的这些限制也不会很快改变，因为它们来自语言模型本身的运作方式，不是打个补丁就能修好的bug。