一句话看懂：Google 工程主管 Addy Osmani 分享了他进入 2026 年的 LLM 编码工作流，核心判断是：AI 编程时代，经典软件工程纪律不是过时了，而是更重要了。值得关注的是，他给出的工作流全部围绕“人的监督与结构化流程”展开。
事件核心：发生了什么
Addy Osmani 近期发表长文《My LLM coding workflow going into 2026》，介绍他在日常开发中如何将 AI 编程工具嵌入真实工程流程。素材中披露了一个关键数据：在 Anthropic 内部，工程师高度采用 Claude Code，目前约 90% 的代码由该工具自写。但 Osmani 强调，用 LLM 编程并不是“一键生成”的魔法体验，而是“困难且反直觉”的——要拿到好结果，必须学习新的协作模式。
他将自己的方法描述为一种更自律的“AI 辅助工程”：先写规格文档（spec.md），再拆成小任务逐步实现；为模型提供充分上下文；根据任务类型选择多个模型交叉验证；利用 Claude Code、Codex CLI、Gemini CLI 等工具执行阶段性任务，同时保持人在循环，逐行审查和测试所有 AI 产出。
为什么重要
这篇方法论来自 Google 工程主管，代表性很强，说明 AI 编程已经进入深水区：工具能力大幅跃升，但工程管理和质量控制变成了瓶颈。Anthropic 的“90% 自写代码”容易被渲染成“AI 取代程序员”，而 Osmani 的回应更接近一线技术管理者的真实共识——AI 编码能让产出提速，但前提是开发者用优秀的工程纪律约束它，否则模型会自信地产出难以维护的代码。
这一观点实际上修正了市场上流行的叙事：真正的分水岭不是“AI 能不能写代码”，而是“团队有没有能力驾驭 AI 写出的代码”。测试、规格、代码审查这些传统能力，反而因 AI 介入而变得更加关键。
对用户/开发者/创作者的影响
对开发者，尤其是个体和中小团队，这套工作流提供了几个可立刻落地的经验：
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
一是先写规格再写代码。不要带着模糊指令让 LLM 直接生成，先让 AI 通过提问帮你厘清需求和边界，形成 spec.md 再开始编码；二是把任务拆小。一次让模型实现一个函数、一个修复，而不是整个模块，避免“10 个没沟通的开发者在同时写代码”的混乱局面；三是主动提供代码库和文档上下文，可以借助 Context7、gitingest、repo2txt 等工具，把相关代码打包喂给模型；四是保持人在循环。开发者需要对质量负全责，AI 生成的代码要用测试套件和人工审查来验证。Osmani 还给出了一个实用技巧：同一个问题可以交给多个模型分别处理，再交叉检查产出，就像换一个“结对程序员”看第二眼。
对普通内容创作者和企业决策者来说，这篇文章也提示了一个趋势：AI 编程的落地场景已经从“写个小脚本”升级为“参与正式工程”，意味着后续评估 AI 编程工具时，不能只看代码生成速度，更应关注它与测试、审查、CI/CD 等既有流程的配合能力。
值得关注的后续
第一，Claude Code、Gemini CLI、Codex CLI 这类命令行代理工具是否会成为
