在时时使用多个 Codex/Copilot/Claude/Qoder 编写代码之后,我第一次明显感觉到,整个产品推进的节奏都被拉快了。
几个月前,当 Coding Agent 的 CLI
TL;DR:https://github.com/phodal/routa,Harness Monitor 在 crates/harness-monitor 目录下。
今天下午,我在 Routa 的看板里点开一张已经进 Done 的卡:[Sub-issue] 为 GATE-first 专家提示注入单次 trace 状态摘要。
最近这段时间里,我做了一件比“让 AI 帮我写文章”更麻烦的事:不是继续打磨 Prompt,而是先让它系统分析我过去十年的文章,再把这些分析结果整理成一个可以被反复加载的写作
过去大半年里,我一直在帮不同规模的团队落地 AI Coding。从最早的一两个人试点,到十几个人的团队尝试让 AI
在最新的 Routa Desktop 中,我们引入了 Harness 工程可视化系统。它并不是一个展示“AI 写了多少代码”的界面,也不是为了给生成式开发增加一层炫目的仪表盘,
当 AI 开始真正参与软件交付时,团队面对的核心问题已经悄悄变化了。过去我们关心的是代码写得够不够快、自动化够不够多,而现在,越来越多团队首先要回答的是另一个问题:当生成速度不断提高之后,系统靠什么抵抗持续上升的代码熵。
过去一个多月里,我在创建 Routa 项目时,做了一个很激进的决定:让 AI 来驱动这个项目,把我的 idea 变成 issue,再把 issue 推进成可运行的代码。
这套机制最早来自 Routa 项目内部的 fitness 实践。我们最初把它以 routa-fitness