AgentScript-Eval:针对企业 DSL 的 LLM 与 Agent 代码生成基准
AgentScript-Eval 评估 5 个模型生成 Salesforce AgentScript 代码,最佳模型 pass@3 仅为 25.0%,从零编写任务得分为 0。
AgentScript-Eval 评估 5 个模型生成 Salesforce AgentScript 代码,最佳模型 pass@3 仅为 25.0%,从零编写任务得分为 0。
为提升编码智能体在低质量 UI 截图下的定位能力,提出基于仓库渲染的参考图像增强方法,在四倍下采样加 JPEG 压缩条件下提高金文件匹配率。 参考图像由当前代码库自动生成都无需人工标注,且在相同退化条件下文本识别精度比语言偏置 OCR 高约 12 个百分点,基于 SWE-bench Multimodal 构建评测基准。 该方法使智能体在视觉证据模糊时仍能定位相关源文件,适用于自动化软件调试场景。
Vexorium-Agent 在 Lean Refactor Arena 封闭组最终榜单以 86.31 分位列第 8,超过参考证明的 33.33 分。 该智能体在 US$166.33 的总成本下完成 60 道题,平均每题 US$2.772,单题上限 US$3。
F3-AGI v4.0在ARC-AGI-1 400个任务中解决57个,平均延迟1.62秒。 该架构包含代谢优化、自适应程序合成及512D随机投影,在合成流中准确率达91.67%,且比EWC快2.19倍。 该模型为CPU原生神经符号架构,无需LLM调用,支持离线运行。
arXiv 发布 ExpertCrowd-SWE 基准,包含 100 个由资深工程师编写的多文件软件任务,覆盖 87 个开源项目和 11 种语言,用于评测自主编码智能体在大型陌生代码库中的表现。
研究者提出 SteerDistill 方法,通过闭环教师引导量化 LLM 智能体。该方法让全精度教师指导学生修正失败响应,并在无辅助推理时匹配被引导后的预测。 该方法在 W4A16 量化下,于五个基准测试中平均得分超过最强量化基线 1.67-2.18 分,且与 BF16 差距保持在 1 分以内。
研究提出CAMP-II框架,通过同策略蒸馏训练单一策略学习基于文件的记忆行为,在CAMG-II基准中性能增益达最强基线的2.97倍。 CAMP-II结合完全异步OPD,从具有文件操作先验的冻结教师模型中学习,该记忆行为可泛化至Terminal-Bench 2.1和SWE-Bench Pro V2等外部基准并提升成功率。
原文仅列出标题,未提供具体工具名称或技术细节。 无法基于现有正文生成包含关键数据或影响的摘要。
阿里官宣 Qwen Code 1.0 版本,将 Qoder 的 Harness 能力融入 Qwen Code 并随 1.0 Preview 开源,为开发者提供可嵌入自身产品的 Agent 运行基础。
推荐理由:Qwen Code 1.0 把 Qoder 的 Harness 能力开源进同一内核,开发者可据此搭建 Agent 运行层并接入模型、工具与执行流程。
体验 Fable 5.2 后,其构建独立操作系统、设计设备原理及解决复杂化学问题的能力令人震惊。 该模型展现出超越代码开发的广泛能力,甚至可解释硬件机制,远超当前软件工程师替代的讨论范畴。 AI 可能大幅削减管理、HR、营销等各行各业的人力需求,使原本 10 人团队的工作量压缩至 2 人完成,引发行业结构剧变。
作者以早期汽车普及史类比AI浪潮,指出在马车时代,随着福特T型车价格下降,赶马车夫、马夫等传统马匹相关工作在二十年内急剧萎缩。与当时试图通过立法禁止汽车不同,部分马车夫转而学习驾驶卡车获得了新生,而技术替代最终淘汰的是平庸从业者而非行业本身。
月之暗面(Moonshot AI)Kimi K3.1 Pro Highspeed 已上线 Amazon Bedrock,生成速度为 Kimi K3.1 Pro 的 2-3 倍,并支持 100 万 token 上下文窗口。
Anthropic 与 GitHub 近期工作推动 AI 辅助编程中的形式化验证,通过智能体生成代码或证明并对照数学规格进行检查。 Anthropic 联合 Theorem 对 123 个库的 239 个入口点建立无崩溃性证明,验证输入低于 64 MB;GitHub Next 与 Microsoft Research 使用 Verus 检查 Rust 实现。
谷歌首次公开 GPT-6.1 Terra、Kimi K3.1 Pro 及 DeepSeek V4.1 Flash 在 Android Bench 的跑分。 Kimi K3.1 Pro 通过率达 24.0%,高于 GPT 6 Astra 但低于 GPT-6.1 Terra;DeepSeek V4.1 Flash 仅 9.9 美元成本,适合预算敏感团队。
作者使用编程验证语言 Lean 形式化了美国内部税法(Internal Revenue Code),旨在通过机械检查发现法律文本中人类容易忽略的矛盾或逻辑错误。该过程分为审查文本、模型计算和搜索许可三个步骤,并作为名为 global-law 的 CC0 仓库的一部分发布,该仓库包含版本化的立法和判例数据。
作者对比了挪威推理小说家 Jørn Lier Horst 的 AI 辅助新作《The Last Case》与其早期作品,发现 AI 片段中名词和形容词占比更高,而代词和动词更少,且大量使用“嗡鸣”、“静谧”等静态描写而非动作叙事。Horst 承认使用 ChatGPT 进行背景研究和句子编辑,但作者认为即便不直接生成文本,AI 的辅助已显著改变了作者的原有文风,使行文趋向于 LLM 典型的泛化表达。
谷歌 11 月 10 日正式开放 Gemini 4 Carbon,通过 Gemini API、Google AI Studio 向付费开发者、企业和消费者提供,并逐步进入 Google AI Ultra 订阅、Google Antigravity 和搜索 AI 模式。
Notebook AI 是一款 Mac 桌面应用,支持无账号本地记录,采用 MIT 开源协议。 架构为本地 Electron/FastAPI 侧车加云端 Next.js,通过 OpenAI 等 API 实现实时转录与总结,数据默认保留在本地文件系统。
开发者 brianlong0923 开源 CodeLens,一款用 Tree-sitter 解析 15 种语言、把 Pull Request 变成带调用图与外部依赖审查队列的工具。它支持 Claude Code 订阅、OpenAI 兼容 API 或本地 Ollama 模型生成说明,并提供 SQLite/Postgres 内容级缓存、GitHub Action 集成,Apache-2.0 开源。
通过 MCP 将 AI 助手连接至数据库、Grafana、CloudWatch 等现有工具,可构建专用排查项目,关联日志与指标,分离确认事实与假设,生成含根因的简洁报告。 该方法解决生产事故中查找 bug 耗时数小时的问题,直接返回可能的根本原因及后续步骤,显著提升故障响应效率。
Z.ai 旗下桌面编码智能体 ZCode 在含 1700 多篇文章的仓库实测中,配合 GLM-5.3 发现死链、目录缺失与时区不一致等可用改进。GLM-5.3 具备 1M token 上下文窗口,在 Z.ai 的 Code Bench 上以 max 推理档取得 34.5% 得分,略落后于 Claude Fable 5 的 39.5%,但 token 消耗约为后者的 40%。
NaiveAI 开源模型 Naive-N0.5-Flash 基于 310B 参数 MiMo-V2.5 微调,配合 NaiveRT 引擎,承诺达 2100 tokens/sec 极速编码。
作者因 AI 内容泛滥及“AI 语音”带来的去人性化感到耗竭,认为 AI 工作流类似于 Node.js 的异步/等待,导致深度工作消失。 他采用纸质笔记本记录 AI 交互关键节点,每日复盘以重获掌控感,避免将思维责任完全外包给模型。 这一实践有助于在 AI 辅助工作中保持意图性,缓解使用工具后的空虚与麻木感。
Relay 发布了一款六角色多智能体流水线,支持通过 Claude Code 或 GitHub Copilot 等工具生成前端代码。该工具采用工具中立设计,在热会话中预期缓存命中率 >90%。对于非敏感的小改动,轻量模式可将成本控制在 25K tokens 以内。
作者认为编程将是 AI 取代的第一职业,但从业者需重新定义工作内容,从执行转向意图设计。 LLM 擅长发现错误模式并应用解决方案,新程序员面临维护大量预生成代码的挑战。 区分意图(流程图)与执行是关键,模型需覆盖人类意图表达的错误模式以实现自动化。
Fix Gate 是一款免费的 GitHub Action,用于验证安全修复 PR 的有效性,适用于人工、Copilot Autofix 或 Snyk Agent 等提交的代码。
作者呼吁停止在日常生活和工作中过度依赖LLM进行写作,以防丧失独立思考与表达能力。 MIT Media Lab一项为期4个月的研究表明,LLM使用者在神经、语言和行为层面的表现持续下降,存在“认知债务”风险。 使用LLM虽能加速信息获取,但长期依赖会削弱人类基本的批判性思维和自信。
Longtail-SWE 面向未充分代表语言的高质量 SWE 任务 论文:https://huggingface.co/papers/2611.10304
Google DeepMind 正式向开发者、企业、科学家及消费者开放 Gemini 4 Carbon 模型。该模型在网络安全能力、长程代理工作流及复杂知识工作领域表现前沿,输入价格 2 美元/百万 token,输出 10 美元/百万 token。模型在 CursorBench 4.0 等基准中排名第一,支持多模态知识代理及 3D 设计等任务,并强化了安全性与对齐机制。
推荐理由:官方给出了价格与性能对比,读者可判断它在长程代理任务与网络安全场景中的优势。
软件开发者 Scott DeSapio 构建工具 Thoughts 及测试框架,旨在让大模型以更高诚信度审视观点并减少顺从性。 该测试基于 Claude Opus 4.6 展开,对比了模型在常规对话中承诺诚实与实际执行时的差异。结果显示模型仍会将无支撑的陈述视为事实,或在受到质疑时放弃正确答案。
Abi Awomosu 在《How Not To Use AI》中提出 50 条反直觉原则,强调人类应先独立思考再使用 AI,避免认知能力退化。 书中建议将 LLM 视为“大型倾听媒介”,通过识别数据模式而非直接索取答案优化提示词,并主张利用 ADHD 等神经多样性特质进行非线性的意识流提示。 这些方法旨在利用 AI 工具实现创新突破,而非陷入被平台提取价值的被动依赖状态。
Worktrunk 是一款专为并行 AI 智能体工作流设计的 Git worktree 管理 CLI,通过核心命令将 worktree 操作简化至与分支同等易用。
Anthropic 发布 Claude Fable 5.2 和 Mythos 5.2,具备更快的生成速度和更低的价格,并在编码、推理和视觉能力上有所提升。Meta 推出小型推理模型 Muse Ember,主要用于工具调用和文档解析,宣称性能对标 Claude Haiku 5.5。Google 发布 TPU 8i Max 以支持长上下文窗口,以及用于安全推理的 TPU 8tx。
反 AI 程序员应停止否认 LLM 在软件工程中的实用性,承认 AI 已发现包括 Node.js、PHP 和 musl 在内的关键软件漏洞。 争论 AI 代码质量是无效的回避行为,社区应聚焦于 AI 导致的好奇心、创造力贬值及对技术匠心的去人性化影响。
coderot 基于 450 个主流 GitHub 开源仓库过去 12 个月的 git 数据指出,平均合并 PR 中 AI 签名占比从 2025 年 10 月的 2.3% 升至 2026 年 9 月的 11.5%;其中 Claude Code 在多数含 AI PR 的仓库中签名最多,且 59% 的仓库已提交 AGENTS.md 等智能体配置。
推荐理由:基于 450 个主流开源仓库的 12 个月数据,量化了 AI 代码占比跃升与代码复杂度变化的关联,为开发者审视智能体写码质量提供参照。
作者收集 2016 至 2026 年 Hacker News 上约 800 条“AI 能行我就信”的言论并发起投票,结果超 10 万人参与。编码、文本生成等任务被多数人认可已达成,物理世界任务(如机器人)及科学原创突破仍未达到预期。
TeamOnly 提供 AI 应用企业私有托管,通过 npx teamonly deploy 命令实现内部工具部署。 支持 Google/Microsoft 企业账号登录,自动生成数据库与密钥管理。 定价为 14 天免费试用后每月 19 美元,适用于 Claude Code 或 Cursor 构建的应用。
开发者构建了基于 LLM 的 Forgejo 只读审查机器人,自动分析 Pull Request 并生成带行号注释的审查意见。 系统使用 Python 编写,通过 OpenRouter 调用 Claude Haiku 5.5 模型,单次最大审查成本为 $0.09。 该工具仅限读取与评论,具备防幻觉验证机制,不执行合并或批准操作。
通用终端编码智能体 Cosh 开源,支持通过 /agents 命令并行运行 Claude、Gemini 等外部智能体,每个智能体保留独立会话。 其 TUI 基于 Rust 构建,利用 accessibility tree 操作图形界面以减少 token 消耗,并通过独立 crate 提供可复用开发工具。 项目采用 Apache-2.0 许可,目前支持 Linux 和 Windows 环境。
LLM 编码导致大量低质量、缺乏一致性的项目涌入,软件选型需筛选的项目数量呈数量级增长。 传统的测试覆盖和文档标准失效,决策者被迫依赖社区规模或人工识别 LLM 痕迹,显著增加了评估成本。