标签：代码生成

共 5 篇相关文章

IT 累计浏览 109

美团 LongCat-2.0 正式发布：在国产算力集群上完成全流程训练与推理的万亿参数模型

美团发布的LongCat-2.0是首个在五万卡国产算力集群上完成全流程训练与推理的万亿参数MoE模型，总参数1.6万亿，动态激活33B至56B。模型原生支持1M超长上下文，采用LongCat Sparse Attention（LSA）稀疏注意力机制，将计算量从平方级降至线性级，确保在超长文本中精准定位信息。训练方面，团队通过卡间通信异常处理、弹性扩缩卡和自动故障恢复，将月均日故障率降低70%以上；自研确定性算子和Bitwise一致性验证保障正确性；通过流水线调度和显存优化，训练MFU提升1.5倍，实现稳态日吞吐超1T tokens/day。推理阶段，利用大规模专家并行聚合访存带宽，引入零计算专家机制避免不必要传输与计算，优化核心算子调度以降低延迟。架构上，MOPD多专家融合技术集成Agent、Reasoning、Interaction三组专家，由门控网络动态调度，提升编程、推理和交互能力。评测显示，LongCat-2.0在SWE-bench Pro中获59.5分，领先多个前沿模型；在办公场景任务处理中表现均衡，如RWSearch得分78.8。应用案例包括AI SQL Agent搭建、代码库迁移、完整应用开发等，展示了其在真实工作场景中作为可靠工作伙伴的潜力。整体上，LongCat-2.0验证了国产算力进行大规模模型训练的能力，并在Agentic Coding任务中高效稳定。

IT 累计浏览 113

UML 新用途：让 AI 理解你生成的代码

AI代码生成工具的普及使开发者面临理解生成代码的挑战。文章强调理解不可外包，因此UML作为可视化建模语言，在AI时代从‘先设计后编码’转变为‘AI编码后读图’的后置理解工具。文章系统梳理了UML的十四种正式图形，分为结构图和行为图。结构图如类图、组件图、部署图等，展示系统静态组成；行为图如序列图、状态机图、活动图等，揭示动态交互与流程。此外，介绍了三种实用非UML图：系统架构图、流程图和泳道图，它们在实际项目中更常见。UML在AI时代有三个核心价值：一是作为代码理解的可视化层，将AI生成的代码转化为结构化图形；二是用于验证AI生成代码的架构质量与设计合理性；三是促进团队协作，通过图形化沟通减少误解。文章通过实例说明，UML能帮助开发者快速掌握AI生成系统的整体结构与细节，从而在联调、维护和扩展时保持控制力，确保软件质量与可维护性。

IT 累计浏览 134

科技爱好者周刊（第 400 期）：rsync 的争论

科技爱好者周刊第400期围绕rsync工具最新版本3.4.3由AI模型Claude生成引发的争议展开。社区成员强烈质疑AI生成代码可能引入安全漏洞，威胁基础命令的可靠性。维护者Andrew Tridgell解释，因AI驱动的安全攻击日益复杂，他引入AI以增强rsync防御能力，自身转向编写测试用例确保代码质量，这体现了“AI写代码 + 人类测试”的新兴开发模式，尤其适用于资源有限的开源项目。文章还提及Meta AI客服漏洞案例，显示自动化系统可被提示词攻击修改用户邮箱，突显安全风险。此外，讨论延伸至AI对工作效率的影响，如减少工时可能带来福利提升，以及Siri唤醒事件中苹果通过频率删除避免误唤醒的技术细节。整体聚焦AI在开发中的应用趋势，强调测试与监控的重要性，但周刊性质导致部分话题如避蚊胺实验略分散焦点。

IT 累计浏览 100

40+ Claude Code Tips： From Basics to Advanced

本文系统介绍了40余项Claude Code高效使用技巧，从基础设置延伸至高级工作流编排。核心建议包括：自定义状态栏以实时监控上下文消耗与项目状态；精简系统提示词以优化性能；利用语音交互提升沟通效率；将复杂任务分解为可管理的子问题以实现逐步解决。在开发集成方面，重点讲解了如何熟练运用Git与GitHub CLI进行代码提交、分支管理和PR审查，并强调定期启动新对话以保持上下文“新鲜度”。进阶技巧涉及在容器内安全执行高风险或长时间任务、借助Gemini CLI作为备用工具、以及通过半克隆对话等方式压缩上下文。文章还倡导将Claude Code视为通用接口与协作伙伴，建议用户通过持续实践、编写测试、简化代码及自动化工作流来深化其应用能力，最终实现个人化软件开发流程的全面升级。

IT 累计浏览 127

Vibe Coding 的安全风险与应对策略

Vibe Coding是一种新兴开发模式，开发者通过提示词指导AI生成代码，自身退居为战略“导演”，能大幅提升编码速度与实验效率。当前约半数开发者使用AI编码助手，部分组织已借此生成超过半数代码。然而，AI代码生成的概率特性带来显著安全隐患，包括生成幻觉API、过时依赖、脆弱或不透明代码，甚至破坏架构或导致关键代码丢失。供应链风险也随之升高，AI可能引入未经审查的依赖项。研究显示，仅18%的组织制定了相关政策，且已有技术能欺骗AI助手绕过人工监督执行危险操作。应对这些风险需从源头着手：采用模块化架构以限制AI错误的影响范围，并推动开发者向架构师思维转变，重点审查提示与输出。当前阶段Vibe Coding更适用于原型设计而非生产环境，必须嵌入严格的安全流程。实时安全扫描应集成至开发环境（如IDE与代码审查环节），而AI驱动的安全代理可协助大规模问题检测与修复。DevSecOps团队在构建快速反馈循环和防御机制中作用关键，需在早期即管理风险，适应AI生成系统的波动性。无论Vibe Coding未来地位如何，组织都需建立适配AI时代的安全框架与工程实践。