氛围编码：通过可追溯性闭环反馈
💡
原文英文，约1800词，阅读约需7分钟。
📝
内容提要
作者探讨了使用Cursor和Claude Sonnet 4进行氛围编码的体验，强调在复杂代码库中管理上下文的重要性。尽管AI工具能提高生产力，但LLM在代码运行时无法看到实际效果，导致错误累积。作者建议通过MCP和Sentry监控应用建立反馈循环，以便LLM根据执行结果改进，从而提升代码质量和开发效率。
🎯
关键要点
- 作者在过去几个月中开始真正接受氛围编码，使用Cursor作为主要代码编辑器，Claude Sonnet 4作为LLM。
- 在复杂的代码库中，管理上下文变得更加困难，LLM在代码运行时无法看到实际效果，导致错误累积。
- 作者建议通过MCP和Sentry监控应用建立反馈循环，以便LLM根据执行结果改进，从而提升代码质量和开发效率。
- MCP允许在多个数据源之间交换上下文信息，帮助LLM更好地理解代码的执行情况。
- Sentry用于监控应用的错误和性能问题，提供事件时间线和额外的元数据以验证代码执行是否符合预期。
- 通过将执行数据反馈给LLM，可以自动分析结果并进行必要的更改。
- 作者描述了一个工作流程，从草拟计划文档到实施新功能，再到测试和验证执行结果。
- 在实施新功能之前，确保在应用中启用Sentry以收集测试期间的指标。
- 通过比较Sentry的追踪数据与实施计划，验证代码执行是否符合预期，并更新计划文档。
- 强调了自动化检查和验证的重要性，以对抗开发中的随机混乱。
- Sentry最近推出的AI代理Seer可以自动修复生产问题，并生成拉取请求。
- 通过引入反馈循环，LLM代理能够观察其行为并从结果中学习，不断改进。
- 作者认为这是塑造未来开发和CI实践的独特机会。
➡️
