当 LLM 开始参与写代码，真正变贵的不是生成速度，而是结构、契约、验证与上下文的缺失。
Read the issueFoundation
软件工程的主战场不是语法，而是人脑有限。好设计持续降低认知负载、变更放大和未知的未知。
Ousterhout 把复杂度拆成认知负载、变更放大、未知的未知。第三项最危险，因为你甚至不知道边界在哪里。
战术编程追求当下最快通过；战略编程愿意多花 10-20% 时间换结构复利。
界面简单、实现复杂才叫抽象。浅模块只是把同样复杂的东西又包了一层。
重要 design 至少做两版方案再选；如果一个东西难注释，通常是设计还没想清楚。
复杂度不是一次事故，而是无数小妥协复利出来的。战略编程是一种持续纪律。
Spec Engineering
写 spec 不是为了文档好看，而是在代码还没产生沉没成本时，把设计做完。
用自然语言设计产品，只需要几分钟就能删除、重写、比较方案；等代码写出来再改，成本会变成几周。
声明式 desired state、spec/status 分离、conditions、opaque resourceVersion 和 lists-over-maps 是工业 API 的硬约束。
deploy 维度也需要 spec：配置进 env，服务视为 attached resources，日志作为 event streams，进程无状态。
70 行函数、100 列、零依赖、命名按显著性递减，把“怎么写代码”变成可执行契约。
Spec 的价值是把延后的决策提前，把口头默契转成可审计的工程输入。
Code Discipline
代码被读的次数远多于被写。所有多花时间写的纪律，最终都是为了让未来读者省时间。
TigerStyle 认为 assert 不是 debug 工具，而是 mental model 的契约。每个函数平均至少两条断言。
既断言“这是真的”，也断言“这不可能”。边界穿越处最容易藏 bug。
不缩写、带单位、显著性递减，例如 latency_ms_max，让变量排序后自然对齐。
避免递归，循环必须可证有界，复合条件拆开，所有错误必须处理。
可读性不是审美偏好，而是系统长期演进的生存条件。
Testing
测试不是证明正确，而是把你不知道的状态空间系统化地挖出来检视。
155.8 KSLOC 核心对应 92,053 KSLOC 测试脚本，约 1:590。真正值得学的是多探针结构。
statement 最弱，branch 更强，MC/DC 要证明每个条件能独立影响结果。
OOM、I/O 错误、断电都可以被人为注入，让最差路径成为日常测试输入。
决定性模拟测试让事件顺序、网络延迟、崩溃都可重放；bug 出现后必须能复现。
你不能预见未知未知，但可以构造系统化探针逼它们现身。
API Contract
分布式系统里，请求可能丢失、重复、乱序。好 API 用契约消除不确定性，而不是靠希望。
Kubernetes 用 resourceVersion 做读改写一致性；客户端必须把它当不透明字符串。
状态不应塞进单一 phase enum，而应拆成可叠加、可演化的条件数组。
POST 这类副作用操作必须让客户端传唯一 key，服务端按 key 缓存结果。
指数退避避免持续砸服务，jitter 避免所有客户端同时重试造成羊群效应。
幂等性把“做了没做”的不确定性，从用户心智中移到系统契约里。
Schema Evolution
改一张活表是在同时和昨天的写者、读者、数据与回滚路径谈判。
先 dual-write + backfill，再切 read path，再切 write path，最后删除旧数据。
永远不要一次同时改读和写；每个 phase 都要能回退。
dual-read 时同时跑新旧实现并比对差异，不一致就告警。
Kubernetes controller 看最新 desired state 收敛，不依赖每个中间 edge 都被观察到。
在线迁移不是一次发布，而是一组可观测、可回退、可逐步收敛的状态机。
Agent Design
Workflow 的控制流由代码定，Agent 的下一步由 LLM 决定。复杂度每升一档都要有测量证明。
从 augmented LLM 到 prompt chaining、routing、parallelization、orchestrator-workers、evaluator-optimizer，再到 autonomous agent。
Anthropic 的核心建议是从最简单可行方案开始，只在结果证明需要时增加复杂度。
给 agent 的 tool 就像给人的 UI。参数、边界、例子、重叠关系都要设计。
避免要求模型数行号、嵌套 JSON 转义或在一堆功能重叠的工具里猜。
Agent 不是魔法，是控制流、工具契约和环境反馈共同组成的新运行时。
AI Coding Practice
不是把代码外包给 LLM，而是和它协作压缩你的意图。人写约束和签名，模型填实现，人保留判断权。
Context engineering 的目标是找到最小但足够高信号的 token 集，而不是把所有材料塞进去。
保留路径、查询、链接，让 agent 用工具按需拉上下文，避免上下文腐烂。
System prompt 要足够具体能指导行为，又足够灵活让模型自己找路径。
tree-sitter 抽取符号和签名，按相关度排序，给模型结构而非整仓实现。
LLM 放大的是已有专业能力；不能把“它真的能跑”这件事外包给机器。
Meta Principles
九个方向最后汇成同一件事：把靠记性、靠默契、靠聪明，换成靠系统、工具和契约。
简单不是第一稿，而是多轮约束、比较和删除后的结果。
硬限制不是束缚，而是迫使设计者发现更稳的结构。
可选/必填、Idempotency-Key、assert 正负空间，都在拒绝“你应该懂”。
AI 时代的工程纪律多了新维度：spec、tool 设计、context 工程都成为 agent runtime 的一部分。
大神和普通工程师的差距，不在于谁更聪明，而在于谁更不依赖聪明。
Bibliography
Workflow vs agent 分类法，模式梯度，ACI 概念，start simple 原则。
最小高信号 token 集、just-in-time retrieval、compaction、structured notes、sub-agents、right altitude。
NASA Power of Ten、assertion 密度、命名学、控制流硬规则、静态内存。
复杂度三症状、战术 vs 战略、深模块、design twice、注释即设计。
Spec 强制设计、沟通只发生一次、排期前置、代码沉没成本。
四套测试、MC/DC、anomaly testing、mutation testing、测试/代码 1:590。
决定性模拟测试、FoundationDB 经验、50x productivity 论点。
SaaS app 的 12 条 deploy 契约：config、backing services、logs、process model。
声明式 API、spec/status、conditions、resourceVersion、lists over maps。
dual-write、backfill、dual-read、Scientist、增量切换写路径、删除旧数据。
Idempotency-Key、指数退避、jitter、thundering herd 防护。
LLM expectations、training cutoff、context is king、测试责任、专家能力放大。
tree-sitter、PageRank、repo map、结构性压缩优于截断。
数据集作为 source code，训练把目标函数编译成神经网络权重。
把条件上推、循环下沉，集中分支并让批处理成为基础形态。
198 个生产故障分析，92% 灾难性故障来自非致命错误处理不当。