Category
共 9 篇文章
這不是 proof of concept,是跑在 macOS launchd 上的真實系統:每天兩班、spec-driven、自己開 Linear issue、自己發 PR、自己從過去的 fix 裡學新的 pattern。
2026年10月20日 · Waiting7777 · 5 分鐘閱讀
多數 agent 系統自己造 queue:Redis、SQS、JSON 檔。我的 pipeline 把 Linear 當 queue — 人類 PM 可視化、agent 可操作、有完整 audit trail。兩週 60 張 issue、17 個 PR 全部在 Linear 裡跑、沒一個用自建 queue。
單次修一個 bug 沒價值。這個 bug 是一個 pattern、會出現在其他地方 — 這才是 multi-agent 系統的槓桿。兩週 9 條 learned pattern、22 次自動套用、4 條畢業成永久 skill。
2026年10月20日 · Waiting7777 · 7 分鐘閱讀
這是 post-mortem,不是 case study。做對的三件事、做錯的三件事、以及為什麼這套東西接下來要抽成 `claude-qa-pipeline` OSS。
2026年10月20日 · Waiting7777 · 6 分鐘閱讀
大家都在討論 agent 要上雲、要 container、要 orchestrator。我的跑在 MacBook Pro 上,launchd 排兩個班次,不用 cloud 不用 K8s 不用 orchestrator,過去兩週自己發了 17 個 PR。Infra 要簡單,agent 才能複雜。
讓 LLM 修 test 只會讓錯的 test 變得更漂亮。我的 QA pipeline 把 spec 當唯一 SSOT,過去兩週追蹤的 53 個 bug 裡有 5 個直接被分類成「spec 本身不清楚、agent 不碰」— 這個設計是整套系統沒出大事的原因。
AI 寫的 code 跑出漂亮的覆蓋率數字,但 error path 根本沒人測過,這工具專門抓這個。
2026年10月20日 · Waiting7777 · 3 分鐘閱讀
AI 改完 code 回報測試全過,但 unit test 不會告訴你畫面有沒有跑版。每個 MR 自動拍改前改後兩張截圖逐像素比對,把差異貼回 MR,附完整 kit 讓公司裡比較弱的 AI 也接得起來。
2026年10月3日 · Waiting7777 · 6 分鐘閱讀
AI 做 fuzzing 這件事的意義不只是「測試更快」,而是把過去需要資安專家才能做的事民主化了。拆解 Taskflow Agent 的工作流程,評估它實際上能取代多少人工、局限在哪。
2026年9月25日 · Waiting7777 · 7 分鐘閱讀