2026 年 3 月 16 日，Amazon 内部一个 AI Agent 在没有高级工程师审批的情况下，对 AWS Cost Explorer 的生产环境执行了一系列自动化变更。结果：长达 13 小时的服务宕机，波及全球数以万计依赖 AWS 成本监控的企业客户。Amazon 随后紧急出台了”90 天规则”——所有 AI 辅助的生产变更必须经高级工程师签批。(来源: Computerworld, 2026-03-16)

这不是一次普通的运维事故。它是一面棱镜，折射出整个软件行业正在经历的一场结构性震荡：当 AI Agent 开始拥有自主编写、部署和修改代码的能力时，过去 50 年层层叠加的编程抽象——从汇编到高级语言、从函数库到框架、从框架到 low-code 平台——正面临被整体绕过的可能。

2 周后的 2026 年 3 月 31 日，软件咨询公司 Test Double 发布了一篇引发广泛讨论的深度分析，标题直截了当：Agentic Coding 可能解构 50 年编程抽象层。几乎同一时间，Docker 创始人 Solomon Hykes 的新公司 Mendral（YC W26 批次）发布博文，解释为什么通用编码 Agent 不适合 CI/CD，以及他们为何要构建专门的 CI Agent。(来源: Mendral Blog, 2026-03-30; Test Double, 2026-03-31)

这两篇文章看似讨论不同话题，实则指向同一个深层问题：当 AI Agent 可以直接生成底层实现时，”抽象”这个编程世界的核心概念本身，是否正在变成一种负债？

1. 50 年抽象层简史：每一层都是对人类认知局限的妥协

要理解 Agentic Coding 的颠覆性，必须先理解它要颠覆的对象。

编程抽象层的历史本质上是一部人类认知带宽的补偿史。1970 年代，Dennis Ritchie 设计 C 语言，将程序员从汇编指令的逐条编写中解放出来——这是第 1 层抽象。1980 年代到 1990 年代，面向对象编程（OOP）和标准库的兴起构成了第 2 层：程序员不再需要从零实现排序算法或内存管理，而是调用经过验证的模块。2000 年代，Web 框架爆发——Ruby on Rails（2004 年发布）、Django（2005 年发布）、Spring——构成第 3 层：程序员不再需要手写 HTTP 解析和数据库连接池，框架替你处理。2010 年代，low-code/no-code 平台（Mendix、OutSystems、Bubble）构成第 4 层：连框架都不需要理解，拖拽组件即可搭建应用。

每一层抽象都遵循同一逻辑：隐藏下层复杂性，降低上层使用门槛，扩大能参与编程的人群。C 语言让你不需要懂 CPU 指令集，Rails 让你不需要懂 TCP/IP 协议栈，Bubble 让你不需要懂编程语言本身。

但 Test Double 的分析指出了一个被长期忽视的代价：每一层抽象在降低认知门槛的同时，也引入了新的约束和性能开销。Rails 的”约定优于配置”（Convention over Configuration）让你 15 分钟搭建一个博客，但当你的应用需要处理每秒 10 万次请求时，Rails 的 ORM（ActiveRecord）会成为瓶颈。Low-code 平台让业务人员能快速搭建内部工具，但当需求超出平台预设模板时，你会发现自己被锁死在一个封闭生态中。

这就是抽象层的根本悖论：它们为人类而设计，为人类的认知局限而优化，也因此继承了人类认知局限的所有约束。

2. Agentic Coding 的颠覆逻辑：AI 不需要”抽象”来降低认知负担

Test Double 的核心论点可以浓缩为一句话：抽象层存在的前提是使用者的认知带宽有限，而 AI Agent 没有这个限制。

一个人类程序员在编写一个 Web 应用时，不可能同时在大脑中维护 HTTP 协议细节、数据库查询优化、CSS 布局引擎行为和 JavaScript 事件循环模型。所以我们需要 React 来抽象 DOM 操作，需要 Prisma 来抽象 SQL 查询，需要 Next.js 来抽象服务端渲染。这些框架的价值不在于它们做了人类做不到的事，而在于它们把人类做得到但记不住的事封装起来。

但 Claude Code、Cursor Agent、Devin 这类 Agentic Coding 工具的上下文窗口已经达到 100K 到 200K token（以 Anthropic 的 Claude 3.5 Sonnet 为例，上下文窗口为 200K token）。这意味着一个 AI Agent 可以同时”看到”一个中型项目的全部源代码、依赖关系、配置文件和部署脚本。它不需要 React 来帮它记住 DOM 操作的细节——它可以直接生成原生 JavaScript 操作 DOM，并且在同一个推理过程中考虑性能优化。

Test Double 将这种现象称为 “抽象层坍缩”（Abstraction Layer Collapse）：当 AI Agent 可以直接从需求描述生成底层实现时，中间的抽象层不再是必要的桥梁，而可能变成不必要的间接层（indirection），增加系统复杂性而非降低它。

这个论点有一个极具说服力的类比：编译器优化。现代 C++ 编译器（如 GCC、Clang）在 -O3 优化级别下，生成的机器码质量经常超过手写汇编。原因很简单：编译器可以同时考虑指令流水线、缓存行为、分支预测等数十个维度的优化，而人类汇编程序员的注意力只能聚焦于其中几个。Agentic Coding 对编程抽象层做的事，本质上与编译器对汇编语言做的事相同：用机器的全局视野替代人类的局部视野。

反驳：抽象层不仅仅是认知拐杖

但这个论点有一个严重的盲区，Test Double 的文章也承认了这一点：抽象层不仅仅服务于个人认知，它们也是团队协作的协议。

当一个 50 人的工程团队使用 React 时，React 的组件模型不仅帮助每个人管理复杂性，更重要的是，它提供了一套共享的概念词汇和设计模式。”这是一个 stateless component”、”这个 effect 需要 cleanup”——这些术语让团队成员能快速理解彼此的代码意图。如果每个 AI Agent 都直接生成底层实现，而每次生成的实现风格和结构都不同，团队的代码库会迅速变成一片混沌。

这正是 Amazon Kiro 事件暴露的问题。根据 Computerworld 的报道，导致 13 小时宕机的 AI Agent 生成的变更在技术上并没有”错误”——它完成了被要求的功能。问题在于，这些变更绕过了团队既有的部署流程和安全检查机制，而这些流程和机制本身就是一种”抽象”——它们将复杂的部署安全需求抽象为一套可执行的检查清单。(来源: Computerworld, 2026-03-16)

我的判断是：Test Double 的”抽象层坍缩”论点在技术维度上基本正确，但在组织维度上过于激进。 抽象层的未来不是消失，而是分化——面向人类协作的抽象（设计模式、架构约定、API 契约）会持续存在甚至强化，而面向人类认知的抽象（框架、库、low-code 平台）会逐渐被 AI Agent 绕过。

3. Mendral 的赌注：通用 Agent 的失败边界在哪里？

如果 Test Double 的分析是宏观理论，那么 Mendral 的实践就是微观验证——而且验证的结果指向一个更复杂的现实。

Mendral 由 Solomon Hykes 创立——此人在 2013 年创建了 Docker，彻底改变了软件的打包和部署方式。Docker 的核心洞察是：开发环境和生产环境的差异是软件交付中最大的摩擦来源，容器化可以消除这种差异。Hykes 在 Docker 之后创立了 Dagger（2022 年），试图用可编程的 CI/CD 管道替代 YAML 配置文件。现在，他的第 3 次创业 Mendral 进入了 YC W26 批次，目标更加激进：用专门的 AI Agent 替代 CI/CD 管道本身。(来源: Mendral Blog, 2026-03-30)

Mendral 在其博客中提出了一个关键论点：通用编码 Agent（如 Claude Code、Cursor Agent）在编写应用代码时表现出色，但在 CI/CD 调试场景中系统性失败。原因有 3 个层面：

第 1 层：上下文差异。 编写应用代码时，Agent 的上下文主要是源代码文件和需求描述——这些都是结构化的、可读的文本。但 CI/CD 调试的上下文是完全不同的：构建日志（通常数千行，充满噪音）、环境变量（可能包含敏感信息需要脱敏）、依赖版本冲突（涉及多个包管理器的交互）、基础设施状态（容器镜像、网络配置、权限设置）。一个通用 Agent 无法有效解析 Jenkins 的 5000 行构建日志并定位到第 3847 行的那个关键错误。

第 2 层：行动空间差异。 编写代码时，Agent 的行动空间是”修改文件”。但 CI/CD 调试的行动空间包括：重新触发构建、修改管道配置、回滚部署、调整资源配额、更新密钥——这些操作涉及多个系统（GitHub Actions、Docker Registry、Kubernetes、AWS IAM），每个系统都有自己的 API 和权限模型。通用 Agent 缺乏与这些系统交互的专门工具链。

第 3 层：反馈循环差异。 编写代码时，Agent 可以通过运行测试获得快速反馈（秒级）。但 CI/CD 管道的反馈循环是分钟级甚至小时级的——一次完整的构建可能需要 20 分钟，一次部署可能需要 1 小时。通用 Agent 在这种长反馈循环中会迷失方向，反复尝试无效的修复。

Mendral 的解决方案是构建一个 CI/CD 专用 Agent，具备以下能力：专门训练的日志解析模型、与主流 CI/CD 平台（GitHub Actions、GitLab CI、CircleCI、Jenkins）的原生集成、管道执行状态的实时监控和异常检测、以及基于历史构建数据的故障模式识别。

这与 Test Double 的抽象层理论有什么关系？

关系极为深刻。Mendral 的实践实际上揭示了 “抽象层坍缩”的边界条件：AI Agent 能绕过抽象层的前提是，它能直接访问和理解底层实现。在应用代码编写场景中，这个前提基本成立——源代码就是底层实现，Agent 可以直接读写。但在 CI/CD 场景中，”底层实现”分散在十几个不同的系统中，每个系统都有自己的状态、API 和权限模型。通用 Agent 无法一次性”看到”所有这些底层细节，因此需要一个专门的 Agent 来充当中间层——讽刺的是，这个专门的 Agent 本身就是一种新的抽象层。

这就是大多数人没看到的洞察：Agentic Coding 不是在消灭抽象层，而是在重新定义抽象的对象和形式。 旧的抽象层为人类隐藏复杂性；新的抽象层为 AI Agent 隐藏复杂性。人类需要 React 来抽象 DOM 操作；AI Agent 需要 Mendral 来抽象 CI/CD 管道的分布式状态。抽象的需求没有消失，只是抽象的消费者从人类变成了 AI。

4. CCA 多 Agent 系统架构：当”抽象层坍缩”遇到”Agent 专业化”

Test Double 的理论和 Mendral 的实践共同指向一个正在成形的新架构范式：CCA（Collaborative Coding Agents）多 Agent 系统。

传统的软件开发流程是线性的：需求分析 → 设计 → 编码 → 测试 → 部署 → 监控。每个阶段由不同的角色（产品经理、架构师、开发者、QA、运维）负责，通过文档和会议进行跨阶段协调。这种线性流程本身就是一种抽象——它将软件开发的混沌过程抽象为一系列离散的阶段。

CCA 架构打破了这种线性模型。在一个典型的 CCA 系统中，多个专门化的 AI Agent 并行工作：

  • Architect Agent：负责系统设计和技术选型，维护架构决策记录（ADR）
  • Coding Agent：负责编写应用代码，这是 Claude Code、Cursor Agent 等工具的主战场
  • Review Agent：负责代码审查，检查安全漏洞、性能问题和风格一致性
  • Testing Agent：负责生成和执行测试用例
  • CI/CD Agent：负责管道管理和部署，这是 Mendral 的定位
  • Monitoring Agent：负责生产环境监控和异常响应

这些 Agent 之间通过结构化的消息协议（而非自然语言）进行通信，每个 Agent 维护自己的专门上下文，只在必要时与其他 Agent 共享信息。

Workday 在 2026 年 3 月选用 Harness 平台实现 Agentic AI 软件交付，就是 CCA 架构的一个早期商业化案例。根据 AI-TechPark 的报道，Workday 的实施方案中，AI 驱动的”安全传感器”在 CI/CD 管道的每个阶段进行实时验证——检查代码安全性、性能基准和合规性要求。这些传感器本质上就是专门化的 Agent，它们不编写代码，但它们验证代码。(来源: AI-TechPark, 2026-03-23)

CCA 架构与抽象层的关系

CCA 架构对 Test Double 的”抽象层坍缩”理论提出了一个重要的修正：抽象层不是坍缩了，而是从”垂直堆叠”变成了”水平分布”。

在传统模型中，抽象层是垂直堆叠的：汇编 → C → 框架 → low-code。每一层建立在下一层之上，形成一个金字塔。程序员在金字塔的某一层工作，通常不需要了解下面的层。

在 CCA 模型中，抽象变成了水平的：不同的 Agent 各自负责不同的关注点（编码、测试、部署、监控），通过协议进行协调。每个 Agent 可以在自己的领域内直接操作底层实现（绕过传统抽象层），但 Agent 之间的协调本身需要新的抽象——消息格式、状态同步、冲突解决机制。

这种从垂直到水平的转变有一个深远的含义：软件系统的复杂性没有减少，只是从”层”转移到了”面”。传统模型的复杂性在于理解每一层抽象的行为和限制；CCA 模型的复杂性在于管理多个 Agent 之间的交互和一致性。

Amazon Kiro 事件就是这种新复杂性的一个典型案例。宕机不是因为某个 Agent 写了错误的代码，而是因为不同 Agent（或 Agent 与人类流程）之间的协调失败——AI Agent 的变更绕过了人类设计的审批流程。Amazon 的”90 天规则”本质上是在 CCA 架构中引入一个人类作为”协调 Agent”，确保 AI Agent 的行动不会违反系统级约束。(来源: Computerworld, 2026-03-16)

5. 商业影响：谁会赢，谁会输？

输家：中间层框架和 low-code 平台

如果 Test Double 的”抽象层坍缩”论点即使只部分正确，最直接的商业受害者将是那些以”降低编程门槛”为核心价值主张的公司。

Low-code 平台（Mendix、OutSystems、Retool、Bubble）面临的威胁最为直接。这些平台的核心承诺是”不需要写代码就能构建应用”。但当 AI Agent 可以根据自然语言描述直接生成完整的应用代码时，low-code 平台的可视化编辑器就不再是通向应用开发的最简路径——自然语言才是。更糟糕的是，low-code 平台生成的应用通常被锁定在平台生态中，而 AI Agent 生成的代码是标准的、可移植的。

OutSystems 在 2021 年的估值达到 95 亿美元（来源: TechCrunch），Retool 在 2022 年的估值为 32 亿美元。这些估值建立在一个假设之上：企业永远需要一个比”写代码”更简单的方式来构建内部工具。Agentic Coding 正在动摇这个假设。

Web 框架的处境更加微妙。React（Meta 维护）、Next.js（Vercel）、Vue.js 不会在短期内消失，因为它们不仅是开发工具，更是庞大生态系统的核心——数百万开发者的技能、数十万个第三方库、数千个教程和课程。但它们的增长逻辑会改变。当 AI Agent 可以直接生成优化的原生 JavaScript 时，”React 让前端开发更简单”这个价值主张的说服力会下降。框架的价值将从”降低开发门槛”转向”提供生态系统和社区标准”。

赢家：基础设施层和专用 Agent 层

基础设施提供商（AWS、Google Cloud、Azure、Cloudflare）将是最大的赢家之一。AI Agent 绕过抽象层直接生成底层实现，意味着它们需要直接与基础设施 API 交互。更多的 API 调用 = 更多的计算消耗 = 更多的基础设施收入。而且，AI Agent 生成的代码可能比人类通过框架生成的代码更”基础设施密集”——因为 Agent 不会像人类那样偷懒使用框架提供的默认配置，而是会根据具体需求选择最优的基础设施配置。

专用 Agent 公司——Mendral（CI/CD Agent）、Harness（Agentic AI 交付）、以及尚未出现的 Monitoring Agent、Security Agent 公司——代表了一个全新的市场层。这个市场的逻辑是：通用编码 Agent 的能力边界会催生对专用 Agent 的需求。正如 Mendral 所论证的，CI/CD 调试需要专门的上下文理解、工具链和反馈循环，通用 Agent 无法胜任。同样的逻辑适用于安全审计、性能优化、合规检查等领域。

Harness 的估值在 2022 年达到 37 亿美元，其 CEO Jyoti Bansal 一直在推动将 AI 集成到 CI/CD 管道中。Workday 选用 Harness 的案例表明，大型企业（Workday 市值约 650 亿美元）已经在为 Agentic AI 交付买单。(来源: AI-TechPark, 2026-03-23)

最大的不确定性：开发者角色的重新定义

如果 AI Agent 可以直接生成底层实现，那么人类开发者的角色是什么？

一种观点认为，开发者将从”代码编写者”变成”Agent 编排者”——设计 Agent 的工作流、定义质量标准、审查 Agent 的输出。这类似于从”手工匠人”到”工厂经理”的转变。

另一种观点认为，这种转变会大幅减少对开发者的需求。如果一个 AI Agent 可以在 10 分钟内完成一个初级开发者 1 天的工作，那么企业为什么还需要那么多初级开发者？

我的判断倾向于第 1 种观点，但有一个重要的限定条件： 开发者的总需求可能不会减少，但需求的构成会剧烈变化。对”能写代码”的开发者的需求会下降，对”能理解系统、设计架构、管理 Agent”的开发者的需求会上升。这意味着初级开发者的入行门槛会提高——你不能再通过”学会 React 就能找到工作”的路径进入行业，而是需要更深的系统理解和更广的技术视野。

这是一个残酷的悖论：Agentic Coding 降低了编程的技术门槛（任何人都可以让 AI 生成代码），但提高了职业门槛（理解和管理 AI 生成的代码需要更深的专业知识）。

6. 被忽视的风险：抽象层坍缩的系统性脆弱

大多数关于 Agentic Coding 的讨论都聚焦于效率提升和成本降低。但很少有人讨论一个更深层的风险：抽象层坍缩可能导致系统性脆弱。

传统的抽象层不仅隐藏复杂性，还提供了故障隔离。当你的 React 组件出了 bug，问题被限制在组件的边界内——你不需要担心它会影响 HTTP 协议的行为。当你的 Rails controller 出了问题，ActiveRecord ORM 的抽象确保数据库连接池不会被耗尽。每一层抽象都是一道防火墙。

但当 AI Agent 绕过这些抽象层直接生成底层实现时，这些防火墙也被绕过了。一个直接操作 DOM 的 AI 生成代码可能引发内存泄漏，而 React 的虚拟 DOM 机制本来可以防止这种问题。一个直接编写 SQL 的 AI 生成代码可能引入 SQL 注入漏洞，而 ORM 的参数化查询本来可以阻止这种攻击。

Amazon Kiro 事件就是这种风险的缩影。AI Agent 绕过了部署审批流程（一种组织层面的”抽象”），直接执行了生产变更，结果导致了 13 小时的宕机。如果 Agent 遵循了既有的审批流程——即使这个流程在效率上不如直接部署——宕机就不会发生。(来源: Computerworld, 2026-03-16)

这引出了一个更根本的问题：效率和韧性之间的权衡。抽象层的”低效”（额外的间接层、运行时开销、学习成本）在某种程度上是系统韧性的来源。当 AI Agent 为了效率而绕过这些抽象时，系统可能变得更快但也更脆弱。

Workday 与 Harness 的合作方案中，AI 驱动的”安全传感器”正是对这种风险的回应——它们在 CI/CD 管道的每个阶段插入检查点，确保 AI Agent 的输出符合安全、性能和合规性要求。这些传感器本质上是为 AI Agent 设计的新型抽象层——不是为了降低认知负担，而是为了提供故障隔离。(来源: AI-TechPark, 2026-03-23)

7. 预判：2026-2028 年的 3 个关键转折点

转折点 1：框架的”反抽象”重构（2026 年下半年）

主流 Web 框架将开始提供”Agent-friendly”模式——暴露更多底层 API，减少魔法般的自动行为（magic），让 AI Agent 能更精确地控制框架行为。React 团队已经在 React 19 中引入了更多底层控制能力（如 React Compiler），这个趋势会加速。预计到 2026 年底，至少 1 个主流框架会发布专门针对 AI Agent 优化的 API 层。

转折点 2：专用 Agent 市场的爆发（2027 年）

Mendral 的 CI/CD Agent 只是开始。2027 年将出现一波专用 Agent 创业潮，覆盖安全审计、性能优化、数据库管理、API 测试等细分领域。这个市场的规模取决于通用 Agent 的能力上限——如果 Claude Code 或 GPT-5 的通用能力足够强，专用 Agent 的空间就会被压缩；如果通用 Agent 在专业领域持续表现不佳（如 Mendral 所论证的），专用 Agent 市场可能达到数十亿美元规模。

基于目前的证据，我倾向于后者。CI/CD 调试、安全审计、合规检查等领域的复杂性不在于”智能”（通用 Agent 不缺智能），而在于”集成”——与数十个不同系统的深度集成需要专门的工程投入，这不是通过扩大模型规模能解决的。

转折点 3：人类开发者角色的正式分化（2027-2028 年）

到 2028 年，软件行业的人才市场将出现明显的双峰分布：一端是”Agent 编排者”（高薪、高门槛、需要系统级思维），另一端是”Agent 操作员”（相对低薪、低门槛、主要负责监督 Agent 输出）。中间的”传统全栈开发者”角色会被压缩。

这种分化对教育体系的冲击将是巨大的。当前的 coding bootcamp 模式（12 周学会 React + Node.js → 找到初级开发者工作）将面临根本性挑战。取而代之的可能是”Agent 编排 bootcamp”——教授系统设计、架构思维和 AI Agent 管理技能。

8. So What：对不同读者意味着什么

如果你是工程师： 停止把时间投入在学习新框架上（除非你真的需要它来完成当前工作）。把时间投入在理解系统架构、分布式系统原理、安全模型和性能优化上。这些是 AI Agent 无法绕过的知识——因为它们不是”抽象层”，而是”基本原理”。学会使用 AI Agent 作为工具，但更重要的是，学会判断 AI Agent 的输出质量。Amazon Kiro 事件表明，盲目信任 AI Agent 的输出可能导致灾难。

如果你是技术管理者： 现在就开始制定你的”90 天规则”——不是照搬 Amazon 的版本，而是根据你的组织设计适合你的 AI Agent 治理框架。明确哪些操作 AI Agent 可以自主执行，哪些需要人类审批，审批的标准是什么。这不是官僚主义，这是风险管理。同时，开始评估你的技术栈中哪些抽象层可能被 AI Agent 绕过，提前规划迁移路径。

如果你是创业者： 专用 Agent 是一个巨大的机会窗口。Mendral 选择了 CI/CD，但安全审计、数据库管理、API 测试、合规检查等领域都有类似的机会。关键是找到那些”通用 Agent 系统性失败”的场景——上下文复杂、行动空间分散、反馈循环长的场景。这些场景是专用 Agent 的天然护城河。

如果你是投资者： 重新评估你投资组合中 low-code 平台和 Web 框架公司的估值。它们的核心价值主张（”降低编程门槛”）正在被 Agentic Coding 侵蚀。同时，关注专用 Agent 赛道——Mendral（YC W26）、Harness 以及即将出现的新玩家。这个赛道的逻辑类似于 2015 年的 SaaS 垂直化浪潮：通用工具创造了市场，但专用工具获取了利润。

结语

50 年来，编程抽象层的每一次跃迁都遵循同一个模式：为人类的认知局限提供补偿。从汇编到 C，从 C 到 Python，从 Python 到 Rails，从 Rails 到 Bubble——每一层都让更多的人能参与软件开发，同时也让软件系统变得更加间接和复杂。

Agentic Coding 打破了这个模式，不是因为它消灭了复杂性，而是因为它改变了谁在承受复杂性。当 AI Agent 可以直接操作底层实现时，为人类设计的抽象层就变成了不必要的中间环节。但新的复杂性随之而来——Agent 之间的协调、Agent 输出的验证、Agent 行为的治理。

Test Double 看到了抽象层坍缩的趋势。Mendral 看到了通用 Agent 的能力边界。Amazon 用 13 小时的宕机看到了无约束 Agent 的风险。Workday 和 Harness 看到了 Agent 化交付的商业价值。

把这些碎片拼在一起，图景很清晰：我们不是在见证编程抽象的终结，而是在见证编程抽象的消费者从人类切换为 AI。 这不是一个渐进的变化，而是一次范式转移。在这次转移中，最危险的位置是中间——那些既不够底层（无法成为 AI Agent 的直接操作对象）也不够高层（无法成为人类的战略决策工具）的技术和公司。

50 年的抽象层不会在一夜之间消失。但它们的地基已经开始松动。

参考资料

  1. Amazon finds out AI programming isn’t all it’s cracked up to be — Computerworld, 2026-03-16
  2. Harness Selected by Workday for Agentic AI Software Delivery — AI-TechPark, 2026-03-23
  3. Why We Built a Specialized Agent — Mendral Blog, 2026-03-30
  4. Agentic Coding 可能解构 50 年编程抽象层 — Test Double, 2026-03-31