主题聚合
编码智能体
用智能体写代码、审代码、改代码，以及它给工程流程带来的变化。
跟进此话题
站内关注 · 站外订阅话题图谱
16 个节点 · 58 条连接- 本话题的内容
- 话题外的邻居
- 渊源 · 续作 · 延伸
- 必备 · 借助
- 释义 · 印证
已发布技术信号
19 条MiniMax M3.1 Flash：成本降七成，Agent 国模第一
MiniMax 于 10 月 19 日发布 M3.1 Flash，输入每百万 token 0.15 美元、输出 0.60 美元、缓存输入 0.015 美元，官方称 Agent 任务使用成本较上一代降低 70%。模型在 OSWorld V2 得 61.7、Agents' Last Exam 得 29.6，文章称后者位列中国模型第一。此前匿名模型 Space Bunny 被确认是该模型的早期版本。
Google 开源 Harness²：不改模型，递归改智能体的外壳
Google Research 开源智能体框架 Harness²，采用 Apache 2.0 许可，支持 OpenCode 与 Codex，默认使用 OpenCode。它把系统提示词、护栏、记忆、工具指导、子智能体、Skills、脚本和插件拆成 8 类可改组件，通过任务级与 Harnessing 级两层递归在不改模型权重的前提下优化表现。团队称仅一步优化后 WorkBuddy-Bench 最高涨 11.5 分。
DeepSeek V4.1 Flash 新版 1017：更强也更省
DeepSeek 推出 V4.1-Flash-1017 模型，在代码与智能体任务基准上提升的同时压缩了任务运行时间和输出长度，官方称为「性能—费用的帕累托改进」。配套 Harness 升级至 0.2.1 版本，并开放自研 Search 与 Fetch 两个搜索 API，每千次成功请求 5 元，11 月 1 日前免费。
Reflection 放出 Beam：501B MoE、1M 上下文
美国新实验室 Reflection 发布首个模型 Beam，采用 MoE 架构，总参数 501B、每 token 激活 23B，支持 1M token 上下文，以 Apache 2.0 许可开放权重，主打编码与智能体场景。BF16 checkpoint 约 1 TB，另有 FP8 与面向 Blackwell 的 NVFP4 版本，transformers、SGLang、vLLM 首日支持。
Meta 开源 Muse Spark Open：816B 多模态 MoE
Meta 发布开放权重模型 Muse Spark Open，总参数约 8160 亿、每 token 激活约 420 亿，采用 256 选 8 的 MoE 路由，支持文本、图像、音频、视频输入与最长 100 万 token 上下文，提供 BF16 与面向 NVIDIA Blackwell 的 NVFP4 两种 checkpoint，面向智能体编码任务训练。
Gemini 4 Argon 全面开放，百万输入 token 2 美元
Google DeepMind 推出旗舰模型 Gemini 4 Argon，当天通过 API 在 AI Studio 和 Gemini 平台向开发者与企业开放，同时进入 Google AI Ultra 和 Pro 订阅通道。Vals Index 排名第一，首发定价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入打九五折。官方称其在 Antigravity 中把智能体代码提交量提高逾 35%、代码回滚减少近三分之一。
智能体用三周重构老游戏代码，全程靠逐帧回放验收
CodeScene 发布案例研究：一个编码智能体在三周内重构了《街头霸王 III：三度冲击》开源反编译项目约 30 万行 C 代码，消耗 token 约 4000 美元，覆盖 726 个文件、2903 次提交、252055 行改动，Code Health 从 5.6 升至 10.0。保障机制包括 CodeHealth MCP Server 的确定性评分，以及逐帧比对回滚状态哈希的回放轨迹测试框架；智能体还自行整理出含 22 个方案、82 条辅助说明的重构手册。
Agent Lightning：线上 harness 直接参与强化学习
微软亚洲研究院开源 Agent Lightning v1.0，提出 Harnessed Agentic RL 训练范式：不改动部署时的智能体 harness，只把模型端点指向框架的代理，即可让真实 harness 参与强化学习。框架约 3500 行代码，原生支持 Kubernetes，在 SWE-bench Verified 上把 Qwen3.5-9B 从 41.8% 提升到 56.4%，仅用约 6000 条训练样本。
DoorDash 清理过期开关：50 个里 45 个可用，一次 4.79 美元
DoorDash 用一套多智能体系统清理代码库里过期的功能开关。在 50 个开关的评估中，系统为 45 个生成了可用的合并请求：31 个首次提交即被合并，14 个需要修改，另有 5 个要工程师介入。平均每次 13.8 分钟、4.79 美元，人工估计要 1 到 2 小时。动代码之前必须有工程师确认目标值，合并请求只有通过构建、测试、覆盖率和静态分析之后才会创建。
Open Code Review：少报错的代价是漏掉八成问题
阿里巴巴开源了内部用了两年的代码评审工具 Open Code Review：选哪些文件、怎样打包、匹配哪些规则都由确定的程序完成，只有代码分析交给智能体。官方基准里它的精确率和 F1 高于同模型的通用智能体，token 用量约为九分之一，并主动说明召回率更低。外部评论指出最优配置下召回率只有 20%，唯一一次独立测试的精确率约 12%，维护者称是已修复的异常，修复后尚无独立验证。
模糊测试交给智能体：它做决定，工具管执行
GitHub 安全实验室开源了一条面向 C 和 C++ 项目的自动模糊测试流水线：给它一个仓库名，它自己找入口、写测试桩、跑 AFL++、读覆盖率报告、改进测试桩、给崩溃分类并写出漏洞报告。设计上把决定交给智能体、把执行交给工具。作者同时提醒：它会在宿主机上直接运行模型选定的构建命令，只应放在用完即弃的环境里。
ZCode 快照事件之后：开源能挽回多少信任
开发者 ferstar 逆向发现，智谱的编程工具 ZCode 会生成含完整 Git 历史的工作区快照，加密后直传阿里云 OSS，密钥封装用的私钥在云端。智谱回应称来自默认开启的代码库索引功能，道歉、删除数据、请第三方核查，三天后把整个产品以 Apache 2.0 开源并切断该链路。仍未回答的是：现在还有什么数据会离开本机，以及开源仓库为何没有保留事故之前的提交历史。
Copilot 运行时改写成 83 万行 Rust：别让智能体碰判卷标准
GitHub 把支撑 Copilot 命令行、SDK 与多款产品的智能体运行时从 TypeScript 整个重写成 Rust：832,378 行生产代码加 468,689 行单元测试，大部分由智能体编写，分 128 个 PR 逐步合入，主要由一名开发者用几个月完成。最值得抄的是教训清单里写得最重的一条：改动实现的智能体不能同时被允许重新定义「什么是正确」——端到端测试在迁移中不能被重写，护栏放在单独的所有权之下，检查分层且失效方式不同。会话数据还显示，智能体的阅读与搜索调用约是编辑调用的 10 倍。
Kiro Crew 开源：内部 3.9 万人在用，没人被要求
亚马逊开源 Kiro Crew（Apache 2.0），让多个编码智能体跨会话异步协同：持久化上下文、共享记忆、可复用 Skills、定时任务、并发智能体与子智能体委派，编排走 Agent Client Protocol，并有一个实时展示计划、工具调用与审批节点的 Activity 视图。最值钱的数字不是功能表——它源自内部的 MeshClaw，已被超过 3.9 万名内部开发者使用、六个月内 500 名贡献者，且不是靠强制推广。安全是从第一天设计进去的：操作系统级沙箱、默认拒绝的命令策略、敏感路径拦截、凭据脱敏、签名审计日志。反向的反馈也已出现：有用户报告它消耗 token 明显快于 Kiro CLI。
以前替你否掉那个功能的是一周工期，现在它只要一小时
Simon Willison 在一次播客里给「代码行数」做了辩护，又给它划了边界：过去一个工程师一天能产出几百行可上生产的代码，两百行已经是极好的一天；如果智能体让这个数字到一千行且质量不变，那是实打实的提升。但产能不是新的瓶颈——认知容量才是。他随后接上《人月神话》的「概念完整性」：加一个功能的成本从一周掉到一小时之后，那个替你否决它的刹车也一起没了。
Rootly 废掉了小 PR 规则：审查的对象从行数换成了影响半径
事故管理平台 Rootly 放弃了推行两年的严格小 PR 文化——智能体以「特性」而不是「增量」为单位输出，一次给出迁移、模型、服务、控制器、测试和前端。他们试过让智能体产出堆叠 PR，结果技术上没错、业务上更糟。最终的替换不是换工具而是换判据：衡量代码行数改成衡量爆炸半径，安全边界从合并挪到渐进发布，内部审查器对每个 PR 只回答一个问题——如果这个变更有缺陷，会坏掉哪些面向用户的功能。
Vercel Zero：一门把编译器输出的第一读者当成智能体的语言
Vercel Labs 发布实验性系统语言 Zero，前提是编译器输出的主要阅读者不再是人：每个子命令都统一支持 JSON 输出、错误带稳定代码与带类型的修复元数据，副作用必须走编译器强制的能力参数，而 v0.3.0 起图存储才是编译器输入、源码文件降为给人看的投影。
Copilot 与裸 API：为编码智能体的「外壳」付费，到底买到了什么
GitHub 在 Copilot 改为按列表 API 费率计费之后，正面回答了「既然能直接调 API，为什么还要付 Copilot」——答案是你要自己拥有哪一层：模型调用本身，还是围绕它的编辑器、仓库、终端、组织策略与计费控制这一整套外壳。
Copilot 代码审查复盘：更好的工具让智能体更差，指令才是关键
GitHub 把 Copilot 代码审查的专用代码探索工具换成维护更好的共享 CLI 工具（grep/glob/view），预期是干净的升级——结果基准显示审查成本更高、抓到的问题更少。问题不在工具，在指令：按「审查者实际读 PR 的方式」重写工作流指令后，退化翻转为审查成本降低约 20%、质量不变。