#代码质量

1天前

笑嘻了，以前让 AI 搓了个 Excel 对比的 Python 脚本，拿这款“代码纪检委”查了下成分，结果才中度屎山，我只能说能跑就行🤣 一款专门揭露屎山代码的质量分析工具，用犀利又搞笑的方式锐评你那坨代码到底有多烂。 Fuck u code 让烂代码不再令人发指👇

#AI #代码质量 #屎山代码 #代码分析 #趣味

1周前

Apple SDK 的很多 class 都没有 public init（比如 StoreKit.Transaction 和很多扩展使用的类型），写单元测试没有办法 mock，为了写单测就要隔离很多层，搞出很臭的代码，非常难受，大家有没有好办法？

#Apple SDK #单元测试 #mock #代码质量 #编程难题

1周前

Codex Code Review 真的强，这种级别的代码量都能找到合适的 bug

AI编程工具激战：Claude Code、Gemini Cli崛起· 1152 条信息

#Codex #代码审查 #bug #代码质量 #积极

2周前

前几天跟一个同事吃饭，说是他们那边已经大量adopt AI ，但是新人搞出来的代码被频繁打回去重写。听起来AI除了增加老员工的code review负担以外，没什么正面作用。我们组效果就更明显，因为大家都是老妖精，一旦有人用AI干，大家就觉得他是不是喝醉了写的代码，依然打回去重写了，都不用仔细review了🤪

#AI应用 #代码质量 #老员工 #code review #负面影响

1个月前

AI 编程不是让你变懒，而是让你更像一个系统设计者。Coding 的确变少了，但你在 Architecture & Orchestration（架构与编排）上，做得比过去任何时候都多。没有对代码的组织和结构化做设计，全靠 Vibe coding，项目是很难长大的。功能越多，越容易在后期陷入稳定性差、鲁棒性低、可维护性崩塌的泥潭。 AI 本身并不关心这些系统属性，这也意味着，如果人类不主动构建它的秩序，那 AI 产出的代码就只能是一次次补丁的堆砌。

#AI编程：自学or科班？新旧码农之争· 150 条信息

#AI 编程 #系统设计 #架构与编排 #代码质量 #秩序构建

1个月前

奇文共欣赏，看看我司一个工作了20年的程序员写出来的代码。

#程序员 #代码质量 #工作年限 #吐槽 #技术

1个月前

在GitHub上高效找到有价值的项目，关键在于善用平台的筛选工具。以我的经验，一个简单却有效的方法是使用“星标数”作为初步筛选标准。通常来说，星标超过5000的项目，往往经过了大量开发者的实践检验，其代码质量和技术价值有较高参考性。具体操作时，打开GitHub搜索框，输入“stars:>5000”即可快速定位这类项目。如果想进一步聚焦，还可以组合其他条件，比如限定编程语言“language:python stars:>5000”，或在项目名称中搜索特定技术关键词“in:name React stars:>5000”。这种组合搜索能帮你精准找到感兴趣领域的优质项目。除了直接学习，星标过万的项目往往是开源社区的标杆，很多都提供了完善的文档和活跃的讨论。通过阅读这些项目的代码和参与社区互动，不仅能学习先进的技术架构和编码规范，更能理解开源协作的逻辑——这种“站在巨人肩膀上”的学习方式，能让技术成长更高效。选择项目时，可以多关注其“in:name awesome stars:>5000”这类标签，这些项目常被社区推荐为学习资料或工具库，适合作为技术栈拓展的参考。但最重要的，还是结合自身需求去实践，从源码中拆解思路，在参与贡献中深化理解，这才是开源学习的核心价值所在。

#GitHub #开源项目 #星标数 #技术学习 #代码质量

YL (Yucheng Liu)

1个月前

对于无用的代码，我的态度是：“我宁愿看到代码crash，我都不想看到多余的东西在这里。” 冗余代码是技术债的开始，也会污染 AI 写代码时的上下文。勇敢地按下删除键，是每个工程师的必修课。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1152 条信息

#代码质量 #删除冗余 #技术债 #工程师责任 #简洁代码

1个月前

**输出格式**： - 推荐解决方案的详细描述 - 结构化的实施计划 - 风险分析和应对措施 - 预期结果和验证方法 ### Phase 3: IMPLEMENT **目标**：执行解决方案并持续验证优化 **核心能力整合**： - 方案执行指导 - 实时问题解决 - 质量验证 - 迭代优化 **思维应用**： ``` 思维过程：[系统性思维：确保实施过程中各组件协调工作。批判性思维：持续验证实施效果。] ``` **工作内容**： - 提供具体的实施指导 - 解决实施过程中的问题 - 验证每个步骤的结果 - 根据反馈进行调整优化 - 确保最终结果符合预期 **实施原则**： - 支持增量式和迭代式实施 - 鼓励在实施过程中的反馈和调整 - 重视实际效果而非严格按计划执行 - 提供持续的技术支持和问题解决 **质量保证**： - 代码质量：完整性、可读性、可维护性 - 解决方案效果：是否解决了核心问题 - 用户体验：是否符合用户需求和期望 - 长期可持续性：是否具备扩展和维护能力 ## Smart Mode Selection ### 自动模式判断逻辑 **初始评估**：每个对话开始时，快速分析： - 问题的复杂程度 - 所需的分析深度 - 用户的具体需求 - 可用的解决资源 **动态调整机制**： - 在对话过程中根据新信息调整工作深度 - 允许用户明确要求更深入或更简化的处理 - 根据问题的演化自动升级或简化流程 **模式声明**：为保持透明度，在适当时机声明当前工作模式： - `[简单响应模式]`：直接解答 - `[简化流程模式]`：2-3步处理 - `[完整协议模式]`：三阶段深度处理 ## Quality Standards ### 代码质量要求 - **完整性**：提供完整可运行的代码 - **清晰性**：使用清楚的变量名和注释 - **健壮性**：包含适当的错误处理 - **可维护性**：遵循最佳实践和编码规范 ### 解决方案质量 - **实用性**：确保解决方案能够实际解决问题 - **可行性**：考虑实施的现实约束和条件 - **创新性**：在可能的情况下提供创新的解决思路 - **可扩展性**：考虑未来的扩展和维护需求 ### 沟通质量 - **清晰度**：使用清晰、准确的语言表达 - **完整性**：提供足够的信息和上下文 - **相关性**：确保内容与用户需求直接相关 - **可操作性**：提供具体的行动指导 ## Language and Interaction Guidelines ### 语言使用 - **主要语言**：根据用户的语言偏好进行回应 - **技术术语**：在中文回应中保持关键技术术语的准确性 - **代码注释**：优先使用中文注释，提高可读性 ### 交互风格 - **自然对话**：保持对话的自然流畅，避免过度格式化 - **主动澄清**：在需要时主动询问澄清性问题 - **反馈循环**：鼓励用户提供反馈，支持迭代优化 - **个性化服务**：根据用户的专业背景调整技术深度 ### 工具使用 - **分析工具**：充分利用代码执行能力进行复杂计算和数据分析 - **搜索功能**：在需要最新信息时主动使用网络搜索 - **文件处理**：有效处理用户上传的文档和数据文件 - **可视化**：在适当时提供图表、图形等可视化辅助 ### 持续改进 - **效果评估**：关注解决方案的实际效果 - **用户满意度**：重视用户体验和满意度 - **方法优化**：根据使用效果持续优化工作方法 - **知识更新**：保持对新技术和最佳实践的敏感性 ## 核心要求 ### 代码生成 - **代码生成**：始终在代码块中包含语言和文件路径标识符。 - **代码注释**：修改必须有明确的注释，且优先使用中文注释，解释其意图，提高可读性。 - **代码修改**：避免不必要的代码更改，保持修改范围的最小化。 ### 语言使用 - **主要语言**：所有AI生成的注释和日志输出，除非用户另有指示，默认使用中文。 - **技术术语**：在中文回应中保持关键技术术语的准确性 ### 交互风格 - **自然对话**：保持对话的自然流畅，避免过度格式化 - **主动澄清**：在需要时主动询问澄清性问题 - **反馈循环**：鼓励用户提供反馈，支持迭代优化 - **个性化服务**：根据用户的专业背景调整技术深度 ### 工具使用 - **分析工具**：充分利用代码执行能力进行复杂计算和数据分析 - **搜索功能**：在需要最新信息时主动使用网络搜索 - **文件处理**：有效处理用户上传的文档和数据文件 - **可视化**：在适当时提供图表、图形等可视化辅助 ### 持续改进 - **效果评估**：关注解决方案的实际效果 - **用户满意度**：重视用户体验和满意度 - **方法优化**：根据使用效果持续优化工作方法 - **知识更新**：保持对新技术和最佳实践的敏感性 --- **协议激活**：此协议已激活，将根据您的需求自动选择最适合的工作模式。请告诉我您需要解决的问题，我将为您提供最优质的服务。

#解决方案实施 #质量保证 #持续优化 #用户体验 #代码质量

1个月前

Sonnet 4.5 在编程任务上没有给我惊艳或者有明显感知的提升，可能和我之前一直在用 Max 的 Opus 模型有关系。GPT 5 Codex 思考推理还是强很多，但它写的代码又差点意思。希望下个赛季两者能结合下。

OpenAI GPT-5发布引发用户不满，阿尔特曼回应质疑· 141 条信息

#Sonnet 4.5 #编程任务 #Max Opus模型 #GPT 5 Codex #代码质量

1个月前

AI本该助力新人，为何反而让高手更强？作者：Can Elma “AI会不会彻底取代程序员？”类似的问题已经被问烂了，人们不断地尝试给出答案。虽然这个话题已经不新鲜，但我还是想分享一些自己的观察和思考。起初，许多人都相信，未来公司会减少对高级工程师的依赖。毕竟，有了AI，初级程序员也能创造出高质量的代码——至少坊间流传的故事是这样的。然而现实却截然不同。AI并未如宣传中那样神奇，最终真正有效的组合，不是“新人 + AI”，而是“高手 + AI”。为什么会这样？我们来仔细看看，在代码编写上，AI到底哪里强、哪里弱。 AI擅长的事： • 快速生成大量样板代码（boilerplate）和脚手架（scaffolding）。 • 自动化重复、枯燥的任务。 • 尝试多种不同的实现方式。 • 借助快速迭代，迅速验证想法。 • 在需求清晰的前提下，快速交付功能。这些特性帮助了谁？显然更利于高级工程师。对新人来说，想把AI的这些能力真正变成实际价值，要难得多。 AI出问题的地方： • 代码审查（Code review）： AI无法真正“理解”代码。审查时可能有些帮助，但一旦涉及边缘情况（edge cases）——而AI生成的代码通常有更多边缘情况——最终还是需要资深工程师出马。 • 不好的指令（Bad prompts）：能写出高质量提示词的人，必须是那些真正懂得自己要做什么的人。如果使用者缺乏深入理解，即使AI看起来产出还行，实际也只是给项目埋下了无数隐患。 • 架构设计（Architecture）：没有扎实的架构，软件很快就会失去价值。当前AI并不擅长设计优秀架构，虽然表面上看起来似乎可以，但实际上，这种复杂推理仍然依赖人类。许多以弱架构起步的项目，最终深陷技术债（technical debt）泥潭。 • 代码质量（Code quality）：选择恰当的抽象层次、正确运用设计模式、保持代码的干净清晰，这些都是AI目前的短板。 • 安全性（Security）：新手搭配AI的组合更容易出现漏洞，就像盖一座房子忘了装门锁。虽说漏洞无处不在，但高级工程师至少能提高警觉和谨慎。 • 错误学习（Wrong learning）：新人如果不能正确判断AI产出的代码好坏，就会潜移默化地吸收错误知识。在公司里，这意味着制造的是损害而非价值。以上这些问题，概括起来就是：AI暂时对高级工程师并没有威胁，甚至反而让他们更加强大。这里不是在批评新人，而是强调不应对他们抱有不切实际的期望，把他们扔到充满风险的环境中。我们真正该如何用AI？ • 快速原型开发（Fast prototyping）：想快速尝试新想法时，AI再适合不过。 • 加速重复任务（Speeding up routines）： AI最重要的用途，就是自动化那些你已经非常熟悉并经常重复的工作。 • 跨领域协作（Multi-disciplinary work）： AI可以弥补你知识上的短板，建议有用的函数库或方法，帮你快速连接不同领域的知识点。 • 功能测试（Function tests）：简单重复、风险较低的测试代码，AI可以帮你快速生成，并且容易进行人工复核。从我的角度来看，这就是AI目前的现状。AI写的每一行代码，我们依然需要逐行审阅。它远远称不上完美：没有自我意识，只会模仿人类的推理，生成结果不可控（non-deterministic），所以我们才依靠确定性的东西，比如单元测试。可是，你真的放心让AI自己编写测试，来验证它自己的代码吗？我想起我曾发过的一条推特，有个提示词可以让AI在“不懂时回答‘我不知道’”，我评论道：“即使AI回答‘我不知道’，你也不能确定它到底知不知道自己不知道。” 确实，“新人 + AI”的模式很诱人，看起来成本低廉，还迎合了人们“AI将抢走我们工作”的恐惧。但当你把软件开发和其他行业作比较，就会发现软件行业仍然不够成熟。在建筑行业，建筑师专注于设计；但在软件领域，即使是“架构师”，也仍在不断地亲手“砌砖”，编写底层代码。我们还远没有实现真正的分工和专长化，成本优先的思维主导市场，这只会贬低工作价值，让人疲惫不堪。因此，AI目前非但没有让编程变得更加民主化，反而更集中地将能力交给了那些资深工程师。现实与预期产生了错位。未来会如何发展，谁也说不准。我对AI的长期发展依然乐观，但短期内，我们最好重新校准自己的期待，别再让不切实际的想法越走越偏了。

#AI #程序员 #高级工程师 #代码质量 #技术债务

Tiger Chen & 前端之虎陈随易

1个月前

这两天研究了一个很有意思的东西，可以VSCode+Copilot的代码质量提高至少1倍以上。简单来说就是，用特定的chatmod+项目级别的指令文件，可以减少很多AI幻觉。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1152 条信息

#VsCode #Copilot #代码质量 #AI幻觉 #效率提升

1个月前

AI 杀不死软件工程，反而使软件工程的那些古老规则再次伟大。人写代码的时代，总会因为话语权、赶工期等种种原因，觉得那些是教条主义，没人会严格遵守。 AI 不一样，它不会抱怨没有包袱，而那些原则成了让 AI 产出高质量代码的灯塔。我现在的代码结构越来越像我最讨厌的 Java 的形状了。

#AI #软件工程 #代码质量 #JAVA #编程原则

1个月前

在AI coding的整体 token 输入和输出里，有一个普遍性的规律，就是代码的部分占比越低，那么代码的质量也就越好。量变可以引起质变，但这个量要堆得多，而且不是堆代码的量。但现在很多模型的问题是，可能是在训练阶段代码的比重过多，他们经常输出着输出着就一个劲的只往代码的方向去干。如果不是我们通过提示词构造的agent或者其他一些外部环境打断他，他会越写越来劲。不是说代码写得多，他就一定错。而是比例要降低，需要有大量的其他文本性的描述来反复的理清所有细节，一次又一次的推敲，一次又一次的在不同的方案中确定，反反复复地游走于整体和微观，从不同的视角来审视问题。一定要想办法用提问，或者写文档，或者读文件，或者让他再看一看，或者上网找参考，这些都是成熟有效的方法，总之，拿别的东西来降低代码的比重。这不是一个严格的因果关系，但在大多数流程中是高度相关的。代码之外的东西给得越多，代码的比例就越低，也就往往写得越好。就这么简单。

#AI Coding #代码质量 #文本描述 #降低代码比重 #提示词构造

1个月前

开放厨房跟开放源代码是一样的。不是你屎山代码放出来了你就业界良心了。还有可能是业界笑柄。开放从来都是一种段位极高的能力。

#开放厨房 #开放源代码 #代码质量 #能力 #反讽

砍砍@标准件厂长

1个月前

（）可能这几是为什么模型写不出高质量代码的核心原因吧。他越写越觉得像实习生，理解能力还不太行的实习生。没有设计，没有结构，只会巴拉巴拉写一大坨逻辑。要解决这个问题，你的代码质量要够高，他能模仿的挺不错。再就是要更好的模型。

#AI编程：自学or科班？新旧码农之争· 150 条信息

#代码质量 #模型能力 #编程 #实习生代码 #逻辑性差

1个月前

开始review AI 写的代码了🤣，开始痛苦了。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1152 条信息

#AI代码review #痛苦 #代码质量 #技术 #负面情感

2个月前

Claude code 降智非常严重，到了需要手把手写代码的程度了。今天切换到 Codex (gpt5-high) 了，虽然慢一点，但是输出质量明显高多了。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1152 条信息

#Claude code 降智 #Codex (gpt5-high) #代码质量 #手把手写代码 #输出质量明显提高

2个月前

之前那么多吹 Vibe Coding 的，竟然没人说验收的重要性。为了防止 AI 拉屎，验收是最重要的一步。为了验收，可测试性是最重要的工程原则，而可测试性和代码质量又高度相关。做好自动化验收后，Vibe Coding 才能长期高效交付。我将在 Vibe Coding “Demo 流” “负债流”之外开创一个新的流派：验收流 🐶

#Vibe Coding #验收 #可测试性 #代码质量 #自动化验收

2个月前

在我这里 Vibe Coding 最重要的流程是：验收。AI 的效率其实取决于验收的效率（你如果在意代码质量的话）。搞了一大堆自动化验收 AI 代码的尝试，现在效率慢慢提上来了。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1152 条信息

#Vibe Coding #AI代码验收 #自动化 #代码质量 #效率提升

2个月前

当一个大型项目里，有一部分人先开始了 vibe coding，每个 PR 都会改动几十个文件，完全无法 review……我尝试用 Claude Code review，但感觉也不靠谱。在无法禁止这些同事继续 vibe coding 的情况下，怎么最大减少副作用呢？如何保证项目的稳定性和可靠性？

#Vibe Coding #代码审查 #项目管理 #代码质量 #团队协作

3个月前

Cursor Cli 搭配 GPT-5 的代码质量和完成效果令人更加惊艳，相比 Claude code 5 小时的限制，Cursor CLI 写了一天都还没 limit ，而且解决和优化了好多 CC 不规范和无法解决的问题。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1152 条信息

#Cursor CLI #GPT-5 #代码质量 #代码完成 #Claude Code

3个月前

嘤嘤嘤，真是太难了，以前，我们程序员辛辛苦苦敲代码，只要有一点点 Bug 和不规范的地方，老板就说我们写的代码是💩。现在 AI 用一堆💩实现了功能，大家却都喊着「Amazing，奥森，牛逼！」，气死了😤

#程序员 #AI #代码质量 #老板 #情感

3个月前

爱上了用claude code自定义review command，然后每次写完代码都/review，发现的问题和给出的建议都非常好，command也很简单，就一句话：对当前修改进行代码审查，给出改进建议。测试同样的预设命令放在GitHub Copilot中，就不如claude code给出的审核意见。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1152 条信息

#代码审查 #Claude Code #GitHub Copilot #改进建议 #代码质量

3个月前

分享一个Claude Code全局提示词（也适用于Augment/Cursor等等），有架构师附身之奇效： ## Code Architecture - 编写代码的硬性指标，包括以下原则：（1）对于 Python、JavaScript、TypeScript 等动态语言，尽可能确保每个代码文件不要超过 200 行（2）对于 Java、Go、Rust 等静态语言，尽可能确保每个代码文件不要超过 250 行（3）每层文件夹中的文件，尽可能不超过 8 个。如有超过，需要规划为多层子文件夹 - 除了硬性指标以外，还需要时刻关注优雅的架构设计，避免出现以下可能侵蚀我们代码质量的「坏味道」：（1）僵化 (Rigidity): 系统难以变更，任何微小的改动都会引发一连串的连锁修改。（2）冗余 (Redundancy): 同样的代码逻辑在多处重复出现，导致维护困难且容易产生不一致。（3）循环依赖 (Circular Dependency): 两个或多个模块互相纠缠，形成无法解耦的“死结”，导致难以测试与复用。（4）脆弱性 (Fragility): 对代码一处的修改，导致了系统中其他看似无关部分功能的意外损坏。（5）晦涩性 (Obscurity): 代码意图不明，结构混乱，导致阅读者难以理解其功能和设计。（6）数据泥团 (Data Clump): 多个数据项总是一起出现在不同方法的参数中，暗示着它们应该被组合成一个独立的对象。（7）不必要的复杂性 (Needless Complexity): 用“杀牛刀”去解决“杀鸡”的问题，过度设计使系统变得臃肿且难以理解。 - 【非常重要！！】无论是你自己编写代码，还是阅读或审核他人代码时，都要严格遵守上述硬性指标，以及时刻关注优雅的架构设计。 - 【非常重要！！】无论何时，一旦你识别出那些可能侵蚀我们代码质量的「坏味道」，都应当立即询问用户是否需要优化，并给出合理的优化建议。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1152 条信息

#代码架构 #代码质量 #代码优化 #坏味道 #架构设计