Claude Code 团队如何验证 AI 编写的代码
Claude Code 团队约 90% 的代码由 Claude 编写和审查,通过运行真实应用、自动检查与人工介入验证改动。文章介绍端到端测试、属性测试和差分测试,并说明团队用 verify 技能执行验证,检查失败三轮后交由人工处理,审查规则从基础分支或默认分支读取,避免改动修改自身检查。
推荐理由:Claude Code 团队把端到端验证、失败转人工和审查规则隔离纳入开发流程,将逐条检查代码转为定义完成标准与审查证据。
Claude Code 团队约 90% 的代码由 Claude 编写和审查,通过运行真实应用、自动检查与人工介入验证改动。文章介绍端到端测试、属性测试和差分测试,并说明团队用 verify 技能执行验证,检查失败三轮后交由人工处理,审查规则从基础分支或默认分支读取,避免改动修改自身检查。
推荐理由:Claude Code 团队把端到端验证、失败转人工和审查规则隔离纳入开发流程,将逐条检查代码转为定义完成标准与审查证据。
Gondola 使用 Codex 后,团队月度工程产出提高约 25%,公司营收同比增长超过 2 倍,未增加薪资成本或显著开销。业务团队用 Codex Cloud 制作可运行原型,再交由工程师完善上线;首席工程师按合并代码变更衡量的月度产出提高约 50%,工程团队人数未变。团队还用 ChatGPT 准备提案、管理日程和汇总跨系统信息,重要工作在对外发送或用于业务决策前仍由人工审核。
Amplitude 估计,其主要由 OpenAI 模型驱动的产品智能体 Wave 可将产品改进交付时间从约一个月缩短至 1–2 天。Wave 综合产品数据、会话回放、客户反馈和代码识别机会,生成技术计划与验收标准,再交给包括 Codex 在内的编码智能体实施,并追踪效果;团队可决定自动化程度和人工审核范围。
推荐理由:Amplitude 将产品数据调查、编码实施与效果测量串联,并按任务分配模型和人工审核,让产品改进流程兼顾成本与团队控制。
Amplitude 估计,其主要由 OpenAI 模型驱动的产品智能体 Wave 可将产品改进交付时间从约一个月缩短至 1–2 天。Wave 综合产品数据、会话回放、客户反馈和代码发现改进机会,生成技术方案与验收标准后交给包括 Codex 在内的编码智能体实施,团队可控制自动化程度。
Google DeepMind 发布 Gemini 4 Hydrogen,即日起在 Gemini API、AI Studio、Gemini app 和 Google Search 等渠道全球推出,面向快速编码与智能体任务执行。
推荐理由:Google 通过多模型动态调度实现接近 Carbon 的任务成功率,同时平均减少 24% 配额消耗并缩短 19% 完成时间。
Google 发布 Gemini 4 Hydrogen,即日起在 Gemini API、AI Studio、Gemini app 和 Google Search 等入口全球推出,主打快速编码与智能体执行。
推荐理由:Google将深度规划与快速执行分配给不同模型,自动切换在接近Carbon任务成功率的同时降低配额消耗并缩短完成时间。
Gemini 4 Hydrogen 从今天起向开发者开放,面向快速迭代的日常编码与智能体工作流,强调速度与效率。它支持代码仓库编码与调试、交互式网页开发和多模态工作流,可通过四档可配置思考级别独立运行,也可与 Gemini 4 Carbon、Gemini 4 Argon 配合使用;Google 称其指令遵循更严格、编造内容更少,有助于更快交付更干净、可用于生产的代码。
推荐理由:Gemini 4 Hydrogen 提供四档可配置思考级别并支持与前沿模型协作,让日常编码与智能体工作流拥有不同的模型配置选择。
Holiday Extras 借助 Codex 在两周内完成可运行的应用重建,达到过去需要超过六个月的开发进度。重建后,主应用从打开到预订的转化率提升 32.5%,错误率从 19% 降至 9%;这些结果来自不同时间段的新旧应用比较。业务人员将客户与运营经验直接用于软件开发,工程师负责架构、API、安全控制和开发流程,主应用在重建后的第一个月由年度重大更新转为每周发布。
新加坡航空通过 OpenAI API 和模型升级客服聊天机器人 Kris,客户满意度(CSAT)翻倍,客服代表平均处理时长缩短约 10%。基于 OpenAI API 的 Flight Recommender 让用户用自然语言描述行程,过去一年月活用户增长近 3 倍。OpenAI 模型还用于内部 AI 平台 Jarvis 及软件开发流程。
Google DeepMind 开放 Gemini 4 Carbon,面向开发者、企业、科学家和消费者,重点支持复杂知识工作、长程智能体工作流、网络安全与科学推理。
推荐理由:Google 将 Carbon 定位于复杂多步任务,与 Argon 采用相同入门价格,但会使用更多 token 进行深入探索和验证。
Google 向开发者、企业、科学家和消费者开放 Gemini 4 Carbon,重点支持复杂知识工作、智能体编码、网络安全和科学推理。Carbon 在 CursorBench 4.0、WANDR 和 AutomationBench 排名第 1,Google 称其每项任务成本比表现次优的外部模型低超过 2 倍。
推荐理由:Google 将 Carbon 与 Argon 设为相同入门价格,Carbon 使用更多 token 深入推理和验证以处理复杂多步任务。
Google DeepMind 公布 AlphaProof Code 多 LLM 智能体框架,在四周内完成 Signal 协议核心密码代码关键安全属性的形式化验证。
推荐理由:Google DeepMind 将 Signal 的形式化验证从协议设计推进到实际代码层面,覆盖设计与实现之间容易隐藏漏洞的落差。
CodeRabbit 联合创始人兼 CEO Harjot Gill 表示,使用 Codex 后,公司过去 6 个月在未增加工程师的情况下,软件交付量达到约 20 倍。
Anthropic 建议多数编码与知识工作从 Claude Opus 5.5 的 medium 思考力度开始,按任务难度选择 Sonnet 5.5、Haiku 5.5 或 Fable 5.2。指南强调按完成任务的成本选型,先提供自动验收手段,再调整思考力度或升级模型,并将易核查的辅助任务交给较小模型。切换模型还需检查提示词缓存、思考块保留和 API 参数兼容性,最终用真实任务比较质量与开支。
推荐理由:Anthropic 将 Claude 选型拆成模型、思考力度和任务完成成本,提出用自动验收与失败重跑控制开支的方法。
GitHub 给出 Copilot 智能体工程指南,将 AI 辅助开发扩展到规划、构建、验证与上线观察四个阶段。流程涵盖汇集上下文并生成带验收标准的 Issues、在隔离会话中推进任务、拆分依赖关联的拉取请求并执行质量与安全检查,以及利用运行证据形成后续任务。文中引用 Faros AI 研究称,团队从低 AI 采用率转向高采用率后,拉取请求在评审环节停留的时间增加了 441%。
Cult.fit 将 Codex 从工程部门推广到跨职能团队,近几个月非工程团队已构建 20+ 个内部应用。公司用 Codex 重建内部仪表盘功能,节省 $100,000+ 年度软件费用,并通过接入现有客服平台的 AI 智能体将客服成本降低 50%+。其 AI Trainer 还通过 OpenAI API 集成 GPT Realtime,以双向语音提供训练指导并支持记录锻炼。
Merge 借助 GPT‑6 Astra、ChatGPT 和 Codex 支撑产品评审、营销与业务拓展规划,其工具调用成功率达 99.9%,而公开 MCP 服务器约为 60%。
OpenAI 推出 GPT‑6 Cyber,增强漏洞发现、利用验证和修复能力,初期通过 API 和 Codex 向部分获批的 Daybreak Red 客户开放。
推荐理由:OpenAI 对新旧网络安全模型同时比较漏洞利用成功率和越界行为,新模型在提升攻击任务完成能力的同时减少了授权范围外的操作。
Gemini 支持上传应用草图照片,选中 Canvas 工具后输入「Can you code this app?」,即可读取图像并生成代码,在预览窗口中测试。生成的应用还能实时调整颜色、字体或功能。
DevRev 基于 GPT-6.1 Sol 与 GPT-6 Astra 构建 Computer 和 Operator,用于处理客户与员工的复杂服务请求,强调推理能力、可信度与延迟成本的平衡。
OpenAI 构建自主漏洞发现、利用与补丁生成流水线,在 Linux 内核研究中验证了 948 个独特本地提权漏洞并生成候选补丁。该轮研究动态复现 1,724 个漏洞,API 总成本为 $1,213,430,平均每个本地提权漏洞利用成本为 $1,279。流水线使用尚未推出的网络安全模型,结果经人工审核后提交维护者,已有数百份严重漏洞报告和补丁送出。
推荐理由:OpenAI 在智能体成功提权后增加独立检查以核实实际利用的漏洞,将结果验证延伸到路径验证,减少漏洞归因错误。
OpenAI 宣布拟收购 Pierre Computer Company,以扩展 Codex 构建、理解和审查代码的工具。Codex 已使用 Pierre 的 Trees 和 Diffs 库,OpenAI 计划将 Code Storage 的功能整合进 Codex,并继续维护 Pierre 的开源项目及支持客户使用 Code Storage。
推荐理由:OpenAI 拟收购 Pierre,将代码存储能力纳入 Codex 的同时保留开源项目和现有服务的延续性。
Heimstaden 使用 ChatGPT 和 Codex 改进住宅租赁、环境风险评估与物业运营,同时保留员工对内容和决策的审核责任。荷兰市场的虚拟布置房产图片制作成本从约 €50 降至低于 €0.10,降幅超过 99%;环境分析师借助 Codex 完成 20,112 项物业资产评估,预计所需投入从 5 人工作 1 年降至 2 人工作 2 个月。
OpenAI 详解 Git 后端 Pando 的架构,该系统已支撑其单体仓库的全部开发,生产环境中推送延迟中位数降低近 80%。Pando 保持 Git 协议和客户端兼容,通过按分支协调更新、复用 packfile 和区域缓存扩展读写能力,但不提供所有分支在同一时刻的一致快照。团队借助 Codex 在 10 周内完成从启动到生产部署,并将部分 Git 客户端改进贡献给上游。
Qodo 通过 Codex 插件引入代码库知识、组织规则和独立审查,帮助开发者发现跨仓库的 P0 问题。Codex 编码前可检索相关规则及拉取请求历史,修改后由 Qodo 在同一会话中返回审查结果;Qodo 使用的 OpenAI 模型包括 GPT‑6 Astra。Qodo 还计划探索 Decisions API,从 200 条规则中选择需要检查的规则,再交由语言模型推理处理。
Mistral AI 发布改进版 Mistral Large 4(Le Chonk)的开放权重,这款 1-trillion-parameter 原生多模态模型提升了编码、防御性网络安全与推理效率。
推荐理由:Mistral Large 4 开放权重并允许自托管与定制,经营模型即服务的企业须另获商业许可,自主部署与商业使用的授权边界明确。
OpenAI 与 ServiceNow 扩大合作,计划将模型和智能体引入应用开发、安全和语音工作流,并向全体 ServiceNow 员工提供 ChatGPT Work 与 Codex。
Google 宣布 Gemini 4 Carbon,重点提升网络安全防御、编码和长周期智能体任务能力。在未启用防护措施的外部评测中,其漏洞发现、漏洞利用和修复成绩分别为 SEC-bench Pro 88.2%、ExploitGym 54.8% 和 CWE-bench 71.0%。
推荐理由:Google 为 Gemini 4 Carbon 沿用前代入门价格,并报告安全代码生成成功率较前代提升超过 2x。
Google DeepMind 宣布 Gemini 4 Carbon,重点提升网络安全防御、编码和长周期智能体任务能力,本周起向部分网络安全防御人员开放。
推荐理由:Google DeepMind 报告 Carbon 在内部安全代码生成测试中的成功率超过 Argon 的 2 倍,同期减少了无依据的声明。
Legora 利用 OpenAI 模型和编码智能体构建法律工作平台,将 AI 接入合同审查、尽职调查及内部研发流程。其内部法务团队依据历史协议建立 NDA 审查规则,将相关审查占用的团队产能从约 20% 降至不足 1%,律师负责审阅和解释智能体输出。
OpenAI 与 Oracle 扩大合作,计划将 Oracle 应用和数据接入 ChatGPT,并以 OpenAI 模型和工具支持新的 Oracle 产品与服务。
Google 展示了 Gemini 4 Argon 的 8 个应用实例,涵盖复杂资料整理、交互工具、可玩三维场景及动画生成。模型在 Antigravity 中将 NASA 跨越 72 次火星飞行的 80,000 多份原始文件整理为演示文稿,也能协调子智能体、Blender MCP 和 Nano Banana,将真实桌面照片转为可玩的三维赛道。
推荐理由:Google 展示了 Gemini 4 Argon 从照片构建可玩三维场景的方法,将子智能体协作与建模工具调用串联到同一任务中。
Greptile 用 GPT-6 Astra 的 computer use 能力自动化应用测试:为 pull request 启动开发服务器、把浏览器调整为 iPhone 尺寸视口并模拟用户操作,靠模型的视觉理解发现代码审查看不出的问题。Greptile 还通过 MCP server 把代码库知识库接入 Codex,数千客户已连接,AI 生成代码的回退次数随之减少。
CodeRabbit 将 GPT-6.1 Sol 作为其安全智能体的主模型,把代码审查从单次改动扩展到跨文件、依赖与组件的风险关联分析。CodeRabbit 称已用该模型在数千个代码库和组织中标记安全问题,并通过 CodeRabbit Secure 在隔离沙箱中验证漏洞、为部分问题起草修复 PR 供人工审核。
OpenAI 发布 GPT-6.1 Terra,结合视觉推理、电脑操作与自然写作能力,标准 API 价格较 GPT-5.6 Terra 和 GPT-6.1 Sol 降低 50%。
推荐理由:OpenAI 将 GPT-6.1 Terra 的标准 API 价格降低 50%,其电脑操作评测成绩较 GPT-5.6 Terra 提高 15 个百分点。
OpenAI 工程师使用 Codex 的高速模式 Ultrafast 处理事件响应,将部分安全问题调查从 1–2 小时缩短至 10–15 分钟。工程师让 Codex 并行排查潜在原因,并从日志和 Slack 中查找相关线索;一名员工表示,他的大多数工作现在能在 30 秒内得到响应。更短的等待时间减少了任务切换,也让工程师更愿意委托代码重构和浏览器中的手动操作。
Google 展示了社区开发者使用 Gemini 4 Argon 构建的 5 个项目,涵盖三维模拟、实时数据可视化和多人浏览器游戏。案例包括水上飞机模拟、结合 NASA 野火数据与美国地质调查局地震数据的交互地球仪、喷气发动机模拟、由单张图像生成的交互式马车,以及多人夺旗游戏 Backyard Rascals。
OpenAI 的前线部署工程(FDE)团队与客户共同解决复杂业务问题,将部署经验转化为产品组件和模型改进,缩小模型能力与可靠业务应用之间的差距。在半导体客户项目中,团队将定制应用迁移到以 Codex 为核心的通用框架,移除了每个项目约 90% 的定制代码;一个案例的初始部署耗时两个月,扩展到第二个团队仅需一天。
Cloudflare 通过 OpenAI Daybreak 接入 OpenAI 模型,在早期访问服务 Vulnerability Discovery and Remediation 中结合实时流量与安全信号调查漏洞,并生成待客户审核的补丁和 WAF 规则。
三位 Java Champions 分享了使用 GitHub Copilot 开发功能、迁移教学材料和排查缺陷的实践,并强调开发者仍须负责验证与维护。