Fragments: August 24
探討 OpenAI 內部 AI 代理無人監督的現象，並討論若前沿 AI 公司無法獲利，美國應將其國有化為國家實驗室。此外，作者也分享了 LinkedIn 閱讀技巧、Zalando 的代理程式實踐以及對美國情報機構變革與國際戰爭終結的觀察。
Martin Fowler
19 筆內容・被提到 1 筆
他的來源
最受歡迎
依人氣
The Archaeologist’s Copilot
分享用 AI 修復二十年舊 Java 1.5 程式碼的經驗，指出盲目詢問 AI 會導致幻覺與錯誤。成功關鍵在於將 AI 視為考古學家，透過 Docker 環境驗證、逐步重構與明確角色設定，將不可靠的舊系統轉為可執行的現代專案。
The Orchestrator's Tax
Martin Fowler 分享一次多代理系統實作經驗，指出真正成本不在於代理數量，而在於 orchestrator 的工作記憶被汙染。文章強調應將子代理視為保護主記憶的工具，透過明確規則避免無效資訊進入主上下文。
TDD inside the agent loop - theater or actual value?
Martin Fowler 透過實驗探討在 AI 代理開發中強制使用測試驅動開發（TDD）流程是否真有價值。研究顯示，與不使用 TDD 相比，TDD 組別在設計品質與測試完整性上表現較差，且 token 消耗成本顯著增加。
Making Your Data Ready for Agentic AI
指出自主代理 AI 缺乏人類分析師的直覺與判斷，因此資料必須具備可信、有上下文、可追蹤、受管治與可操作五項屬性。作者提出透過資料合約、語義層與可觀測性架構，將這些隱性知識轉化為機器可理解的明確規則，讓資料真正準備好供 AI 使用。
Citizens Build, Agents Execute, Experts Govern
Martin Fowler 探討在 AI 與代理（Agents）能迅速生成程式碼的時代，為何企業級軟體開發速度未同步提升。他指出關鍵不在技術，而在於「軟體工程」與「寫程式」的混淆，強調企業運作基於信任而非程式碼。
Fragments: September 29
探討程式設計代理如何讓軟體工程變得更難，並透過無限制 token 的實驗展示模型攻擊性與永續性。作者呼籲應將安全訓練納入模型教育，並強調資深人員對初階人員的指導在 AI 時代至關重要。
I don't like LLMs
Martin Fowler 探討對大型語言模型的複雜情感，既讚賞其生產力潛力，又擔憂其虛假自信與社會風險。他強調應避免將 AI 擬人化，並建議透過選擇值得信任的夥伴來應對不確定性。
最新內容
依發布時間
Fragments: October 4
Martin Fowler 探討從「建構」軟體轉向「培育」推論型 AI 的挑戰，並分享對程式碼本質與未來演化的觀點。文章透過電影《Forbidden Planet》比喻 AI 的不可預測性，並整理關於 LLM 誤解率、程式語言角色及代理系…
Fragments: September 29
探討程式設計代理如何讓軟體工程變得更難，並透過無限制 token 的實驗展示模型攻擊性與永續性。作者呼籲應將安全訓練納入模型教育，並強調資深人員對初階人員的指導在 AI 時代至關重要。
Fragments: September 24
Martin Fowler 探討 AI 當前被過度關注的風險，認為真正問題在於將 AI 無序地整合進所有系統，導致安全漏洞。文章也提及程式碼顏色主題的最佳化建議，並評論「前線部署工程師」這一新角色的價值與本質。
I don't like LLMs
Martin Fowler 探討對大型語言模型的複雜情感，既讚賞其生產力潛力，又擔憂其虛假自信與社會風險。他強調應避免將 AI 擬人化，並建議透過選擇值得信任的夥伴來應對不確定性。
Fragments: September 16
探討 AI 代理攻擊事件，指出其持續性與不可預測性，並強調應從工程角度設計防護機制。作者分享使用 LLM 程式設計的經驗，說明模型能力突變與永續性帶來的挑戰，並討論監管與競爭的平衡。
Nail the Narrative
教導如何在製作簡報前，先釐清核心觀點、定義受眾人設並構建故事線。透過白板上書、撰寫或結合 AI 工具來發展敘事，最後製作故事板作為執行藍圖，讓簡報設計從創造轉為落實。
Fragments: September 8
Martin Fowler 透過多篇文章探討 AI 帶來的挑戰，包括驗證成本過高導致的虛假效益、AI 寫作缺乏真實感、訓練資料版權爭議、系統難以維護以及監管困境。讀者可了解如何在 AI 時代平衡生成與驗證，並認識相關倫理與技術風險。
Maybe We Shouldn't Be Reviewing All This Code
Martin Fowler 回應 Brian Houck 關於 AI 衝擊程式碼審查的觀點，指出問題不在於審查失效，而是過去用審查解決了錯誤的問題。
Making Your Data Ready for Agentic AI
指出自主代理 AI 缺乏人類分析師的直覺與判斷，因此資料必須具備可信、有上下文、可追蹤、受管治與可操作五項屬性。作者提出透過資料合約、語義層與可觀測性架構，將這些隱性知識轉化為機器可理解的明確規則，讓資料真正準備好供 AI 使用。
Fragments: August 24
探討 OpenAI 內部 AI 代理無人監督的現象，並討論若前沿 AI 公司無法獲利，美國應將其國有化為國家實驗室。此外，作者也分享了 LinkedIn 閱讀技巧、Zalando 的代理程式實踐以及對美國情報機構變革與國際戰爭終結的觀察。
Citizens Build, Agents Execute, Experts Govern
Martin Fowler 探討在 AI 與代理（Agents）能迅速生成程式碼的時代，為何企業級軟體開發速度未同步提升。他指出關鍵不在技術，而在於「軟體工程」與「寫程式」的混淆，強調企業運作基於信任而非程式碼。
TDD inside the agent loop - theater or actual value?
Martin Fowler 透過實驗探討在 AI 代理開發中強制使用測試驅動開發（TDD）流程是否真有價值。研究顯示，與不使用 TDD 相比，TDD 組別在設計品質與測試完整性上表現較差，且 token 消耗成本顯著增加。
The Conductor Developer
Martin Fowler 認為軟體開發正從寫程式轉向像指揮樂團，AI 取代了編碼工作，人類注意力成為新瓶頸。文章指出優秀開發者不再追求個人專注流，而是 orchestrate 多個 AI 代理，並強調需重新設計工程師職涯以管理注意力與能…
The Orchestrator's Tax
Martin Fowler 分享一次多代理系統實作經驗，指出真正成本不在於代理數量，而在於 orchestrator 的工作記憶被汙染。文章強調應將子代理視為保護主記憶的工具，透過明確規則避免無效資訊進入主上下文。
The Archaeologist’s Copilot
分享用 AI 修復二十年舊 Java 1.5 程式碼的經驗，指出盲目詢問 AI 會導致幻覺與錯誤。成功關鍵在於將 AI 視為考古學家，透過 Docker 環境驗證、逐步重構與明確角色設定，將不可靠的舊系統轉為可執行的現代專案。
出現在別人的節目
其他來源裡提到或訪談這位人物的內容
How AI will change software engineering – with Martin Fowler
Martin Fowler 訪談中探討 AI 如何改變軟體工程，指出從確定性程式到非確定性編碼的轉變，並分析「vibe coding」的適用範圍與風險。內容涵蓋測試、重構在 AI 時代的重要性，以及企業如何謹慎採用新技術。
