每周完成一个 ARTS： 至少做一个 leetcode 的算法题、阅读并点评至少一篇英文技术文章、学习至少一个技术技巧、分享一篇有观点和思考的技术文章。（也就是 Algorithm、Review、Tips、Share 简称 ARTS）
Algorithm
这道题目相对简单一些：
1、可以通过转化成 map，对应的 map 对应的 char 出现了几次。这样方便比较某一个字母出现的次数
2、在设置值的时候可以用 Map 的 merge 方法，这个第三个参数 (t,u) ，这个 t 是 map 里面原来的值，这个 u 是 merge 方法后第二个参数的值。
class Solution {
public boolean isAnagram(String s, String t) {
HashMap<Character, Integer> sMap = toMap(s);
HashMap<Character, Integer> tMap = toMap(t);
if (sMap.size() != tMap.size()) {
return false;
}
for (Map.Entry<Character, Integer> entry : sMap.entrySet()) {
Character key = entry.getKey();
if (!Objects.equals(tMap.get(key), entry.getValue())) {
return false;
}
}
return true;
}
private HashMap<Character, Integer> toMap(String s) {
HashMap<Character, Integer> map = new HashMap<>();
for (Character c : s.toCharArray()) {
map.merge(c, 1, (t, u) -> t + 1);
}
return map;
}
}
Review
文章：How the Claude Code team does code review
Anthropic 分享了 Claude Code 团队的代码审查流程。随着 AI 生成的代码越来越多，人工逐行审查开始跟不上。他们把更多常规检查交给 AI，同时关注回滚和事故有没有增加：如果省下来的审查时间，最后都花在了修 Bug 上，那就没有真正提高效率。
结合网友的评论，分享一下：
1、提交 PR 前，先让 Agent 跑测试、构建或检查页面，拿出实际结果，再用全新上下文的 Agent 检查 diff。项目约定放在 CLAUDE.md，审查重点放在 REVIEW.md，发现问题要指出文件和行号。
不过，把更多代码交给 AI 审查之后，人通过什么方式了解代码，也需要考虑。评论里有人担心团队越来越依赖 AI 的解释，也有人认为，大型项目本来就没人掌握所有细节，按需生成模块说明和图示很有用。我感觉，可以让 AI 帮忙梳理，但涉及自己负责的改动，还是要沿着具体输入和执行路径走一遍，知道测试覆盖了什么、还漏了什么。
2、人工审查按风险分配。符合条件的可信作者提交低风险改动，可以在自动检查通过后合并；风险更高的改动需要一到两人批准，AI 的批准不能代替这里要求的人类批准。发起改动的人仍然要对结果负责。
这里有条评论很值得留意：AI 可能不断新增实现，却没有复用已有逻辑。每个 PR 单独看都能工作，等公共需求变化时，才发现多个地方都要修改。我觉得这也是人需要参与判断的地方。比如新增缓存，除了看读写是否正确，还要看看项目里有没有类似机制，是否值得再维护一套。局部功能做对了，仍然可能给整个项目增加维护负担。
3、审查的轮数也要控制。他们遇到过 Agent 一夜互相审查、修改超过 50 轮的情况，后来增加轮数限制，几轮之后只看新增 diff，并且不重复报告已经提出的问题。
这也对应了评论里对成本的提醒：有读者把这类经验比作 Google 的基础设施文章，模型公司的资源条件和普通团队不同，多 Agent、多轮审查不能直接照搬。对自己的项目来说，我会更关心每轮究竟发现了什么，以及这些问题是否值得再改一遍。反复修改却没有明确收益，就应该停下来重新看方案。
4、审查工具本身也需要验证。他们把历史事故和回滚整理成评测集，检查 reviewer 能否发现已知问题，同时用没有已知问题的 PR 检查误报，上线后还有灰度和快速回滚。
Tips
1、一个任务重复了几次之后，可以有意思的让 AI 帮忙整合成 skills。
2、代码中的一些 AI 看来「不合理」的架构或者其他问题，如果不想修改的话尽量自己单独写一下，防止 AI 每一次都想「反向优化」。
Share
Linus 反对用「某件事不准使用 AI」来规定开发方式，同时强调：贡献者要尽力做好工作，并且理解自己在做什么。
他的反问很有意思：如果一定要靠不用工具证明能力，那是不是也该禁止编译器，要求大家手写汇编？是不是连编辑器也不能用，免得退格键掩盖了打字错误？他借这个类比说明，使用什么工具，并不能直接说明一个人是否理解自己的工作。
我的理解是，这个观点落到 vibe coding 上，关键就在「理解」两个字。让 AI 帮忙实现一个想法之后，自己还得知道它为什么这样实现、在哪些条件下成立，以及哪里可能出问题。仅凭「页面能打开」「测试全绿」，还不足以回答这些问题。
比如让 AI 写一个文件清理脚本，最容易验证的是它能不能删掉目标文件。但我还会关心：路径为空怎么办，匹配范围会不会扩大，遇到符号链接怎么处理？这些问题如果自己都没想过，就很难判断 AI 给出的实现是否符合真正的需求。
放到前面的 code review 话题里也是一样。AI 可以帮忙解释陌生模块、寻找问题、补充验证，但我需要知道这些检查覆盖到了哪里。尤其是自己不熟悉的代码，应该把改动拆小，沿着输入到输出的过程看明白，再决定是否接受。
可以把更多编写工作交给 AI，理解和判断仍然需要自己参与。 这样节省下来的时间，才有机会用来想清楚需求和实现，而不是等出问题之后再从头认识自己的代码。
