LangChain 团队开源了其内部使用的四个软件工程代理工具：本地编码代理 dcode、云端编码代理 OpenSWE、自动代码审查 OpenSWE Review 以及仓库知识文档 OpenWiki。文章详细介绍了每个工具的设计意图、使用场景和实际数据——OpenSWE 上周仅从 Slack 触发了近 1000 次，OpenSWE Review 在离线代码审查基准中以 47% 的成绩排名开源第一。所有工具基于 Deep Agents 框架，并利用 LangSmith 进行全链路追踪与优化。适合希望构建可控、可观测的软件工程代理流水线的工程师。
本文总结了一年多来在安全关键系统中使用 AI 代理编码的研究成果。作者提出“短绳法”：只有资深开发者才能使用，全程禁止 YOLO 模式，开发者必须逐 diff 审查 AI 提议的每次改动，及时打断跑偏倾向，每个子任务结束后提交，从而杜绝“氛围编程”带来的代码鬼祟。文章还给出了 AI 辅助代码评审的最佳实践——人类与 AI 共同审查 PR，AI 负责快速扫描常见错误，人类把关方向性决策；并且要求作者在提交 AI 辅助 PR 前必须自我逐行审查并加上 AI 使用声明。该方法即便使用非前沿模型，也能产出胜过 Fable 的高质量代码。适合希望用 AI 提升效能但不牺牲代码质量的资深工程师阅读。
当AI能以分钟级生成上千行代码时，工程的瓶颈从编写转向了信任决策。因此，审查成了软件领域最具杠杆能力的技能。文章指出，2026年的多方数据（Faros AI、CodeRabbit、GitClear、GitHub）均证实：AI使用量提升后，开发者的代码产出提高约4倍，但交付价值仅增长约12%，同时代码流失率飙升861%、缺陷率从9%升至54%、审查时长增加441.5%、零审查合并的PR增长31.3%。作者认为，问题不在于是否使用AI，而在于如何根据项目的「爆炸半径」分层分配审查力度：对个人无用户项目可轻审查，对大型企业级项目必须建立分级、证据驱动、异质化AI审查+人类最终负责的流程。文章还介绍了具体实践：分流PR、要求前置证据、关注测试变更、用两个不同构架的AI审查工具并行运行，以及让人类从「线级审查」升级为「抽样审计」。