Software Engineering

书接上回： 明系魔法吟唱之4 – 精细化AI鞭策术：FP 的伟大复兴？ 本文要推翻以人为本的软件工程方法 软件工程的核心原则：关注点分离、模块化、可验证性等理论依然是成立的。我要推翻的是围绕这些原则建立的大部分规则、工具和度量指标：它们以人类为模型设计，且只以人类为模型设计。——已经不适合这个版本了.jpg ...

AI编码代理规则文件全维度横向对比评测报告 核心前提 两个项目都是 AI-native 项目——代码由AI编码代理编写、修改、阅读和调试，但 AI-native 成熟度路径不同： 渐进式（Linewise）：多租户后端API服务（Scala 3 / http4s），历经多代模型演进（Claude 3.7→4.6），早期人类参与度约50%，随模型能力提升逐步降低人类介入，规则文件随项目一起演化积累。主要服务作者自己的agent。 原生式（OpenClaw）：开源自主AI代理平台（TypeScript / Node.js），从第一行代码起即由agent编写，创建者使用多agent并行工作流（5-10个agent并发），规则文件从项目诞生之初即作为agent的执行规范存在。250K+ stars、1000+贡献者，规则需同时服务创建者和大量外部贡献者的agent。 评测对象： ...

评测对象 OpenClaw：https://raw.githubusercontent.com/openclaw/openclaw/refs/heads/main/AGENTS.md My（下文即 Linewise）：https://gist.githubusercontent.com/mingyang91/475a9750c5609ff5dfe59a5de1a09b6e/raw/51116ffd45c1f711039699c24cb0a7528b7febdf/Claude.md 项目定位补充依据：OpenClaw README.md；Linewise 的项目定位以规则文件自身及仓库结构说明为准 评测方法与判定图例 本文默认两个项目都是 AI-native 项目：代码的编写、修改、阅读、调试主要由 AI 编码代理完成，人类负责需求、反馈注入、最终审查与高风险动作确认。 本文不预设“渐进式 AI-native”或“原生式 AI-native”哪条路径更优，只评估：规则文件是否能支撑 agent 长期、高质量、一致地自主执行。 评测时先做两层前置判定： ✗ 不适用：该子项不属于项目合理需求范围，不计入分母。 ✗ 未委托：该子项对项目可能有意义，但规则文件没有把该职责委托给 agent，不计入分母。 ✓ 已委托：该子项既适用又已交给 agent，才进入 1-10 分打分。 图例：✓ 已委托｜8/10 表示“该项适用且已委托给 agent，评分 8 分”；✗ 不适用 与 ✗ 未委托 后均附一句理由。 对目标架构的尊重： OpenClaw 按 多 agent 并行 / 大量外部贡献者 agent 的目标架构评估。 My 按 高能力主 agent 深入单仓库长期演进 的目标架构评估。 Part 1 — 基础画像 OpenClaw 项目定位：开源自主 AI 代理平台，覆盖 CLI、桌面端、移动端、插件、消息通道、GH 维护与发布链路。 规则文件角色：面向 maintainer 与外部贡献者 agent 的仓库级执行手册。 核心设计理念：优先防止 agent 在真实 GitHub、真实 Git、真实发布链路中“高置信度做错事”。 结构特征：覆盖 triage、PR truthfulness、build/test、coding style、release channel、GHSA、安全提示、1Password 发布、插件发布 fast path、多 agent Git 安全等。 一句话总结：它更像一套面向复杂开源仓库的 AI 维护操作系统。 My 项目定位：多租户 Scala 3 / http4s 后端 API，强调 tagless-final、cats-effect、Doobie、PostgreSQL schema isolation、Vertex AI、Quartz 与多租户安全边界。 规则文件角色：面向高能力主 agent 的强类型后端开发与演进规范。 核心设计理念：通过类型系统、分层边界、typed error、编译器与工具链，把 agent 的错误从运行时前移到编译期与签名层。 结构特征：围绕 refactoring philosophy、tagless final、flat for、typed error、schema isolation、RAC、OpenAPI、Metals、deploy impact reporting 展开。 一句话总结：它更像一套面向成熟后端存量代码的 AI 结构化演进宪法。 基础对比结论 OpenClaw 的强项是 广覆盖、强 runbook、强并发协作安全、强外部流程防错。 My 的强项是 深架构约束、强类型驱动、强渐进式重构、强后端正确性约束。 如果把两者硬放在同一赛道比“谁更全”，结论会失真；更准确的说法是：两者分别在不同 AI-native 工程阶段和执行架构上做到非常成熟。 Part 2 — 量化评测表 维度总览 注：下表分数仅基于“适用且已委托”的子项平均；参考均分仅用于帮助阅读，不代表脱离场景的绝对胜负。 ...