OpenAI 新发布的 GPT-6 Sol 和 Luna 把价格直接砍了一半：Sol 输入/输出每百万 token 降到 2/10 美元，Luna 降到 0.1/0.5 美元。在 Artificial Analysis 的智能指数跑分中，Sol 单次任务成本从 1.99 美元降到 1.06 美元，Luna 从 0.18 美元降到 0.07 美元，整体分...
推荐理由：OpenAI 把 GPT-6 价格砍半，Sol 单次任务成本 1.06 美元，Luna 0.07 美元，但能力变化不是一边倒的好——Luna 在 Coding Agent 指数上还倒退了。有第三方跑分数据撑着，对开发者做决策很实用。没给 p1 是因为这属于模型迭代的价格调整，不是底层架构级的大新闻。
Sam Altman 发帖说 GPT-6 系列里的 Sol 和 Luna 两个模型，如果按“完成一项任务花多少钱”来比，市面上没有能打的。他提到相比 5.6 系列，新模型在智力、对齐程度、工作产出、写代码和操作电脑上都有大提升，每个 token 的价格砍了一半，按任务算更便宜。不过帖子里没给出任何跑分、定价数字或第三方验证，我会先打个折看——等有独立测...
推荐理由：Sam Altman 亲自为 GPT-6 的按任务定价站台，声称没有对手，这对关注推理成本的人来说是个直接信号。但帖子缺跑分和定价数据，目前只是单方面说法，我会先打个折，等独立测试出来再调整判断。
Unreal Labs 开源了一个 agent 调度器，核心思路是把工具调用改成全异步：模型发出指令后不用干等，工具在后台跑，结果回来再补进对话记录。在 Terminal-Bench、SWE-Atlas、DeepSWE 和 ALE-CLI 四个基准上，用 GPT-6 Astra xhigh 跑，成本比 Codex 最多低 40%，比 Pi 最多低 20...
OpenAI 在旗舰模型 Astra 之后，又推出了两个“青春版”：Sol 和 Luna。Sol 负责写代码这类复杂任务，Luna 则用来干摘要、信息提取、快问快答这些目标明确、量大的活。公司说这两个模型比 Astra 更省钱、效率更高，但正文没公布具体定价、错误率对比和上线日期。所以“更少出错”这个说法，我建议先打个折，等实测跑分出来再说。
推荐理由：OpenAI 在 Astra 之后快速放出 Sol 和 Luna，产品线扩张的动静不小，TechCrunch 独家报道也拉高了关注度。但文章只说了定位和分工，没披露定价、错误率对比和具体上线日期，所以“更少出错”这个卖点我建议先打个折，等实测数据出来再说。分数维持 88，放在 featured 没问题。
OpenAI 在 GPT-6 系列里加了两个更省钱的模型：Sol 和 Luna。API 价格全部对折，Sol 输入/输出每百万 token 收 2/10 美元，Luna 只要 0.10/0.50 美元。Sol 在 AutomationBench 上开足马力拿到 33.2% 的分数，但每次任务成本只有 Claude Opus 5 的 9%；在 Agent...
推荐理由：OpenAI 官方发新模型，API 价格砍半，Sol 在 agent 基准上的成本只有竞品 9%，对整个行业的成本结构冲击很大。H、K、R 全中，定价和基准数据都给了。扣 3 分是因为正文没把 Sol 和 Luna 的能力差距说透，只知道 Sol 更强但贵，Luna 更省但弱，具体弱在哪没展开。
Artificial Analysis 把 Claude Opus 5.5（开自适应推理、最大努力模式、默认回退）排在了 206 个模型里的第一名，智商指数拿了 58 分，比中位数的 25 分高出一大截。但别急着激动，它的价格也挺劝退：输入每百万 token 要 4 美元，输出更是高达 20 美元，光跑完这一轮评测就烧了 8708 美元。另外这模型话特...
推荐理由：Artificial Analysis 的独立评测把 Claude Opus 5.5 送上智商榜首，但价格也创了新高。文章给了硬数字和明确基线，对团队选模型有直接参考价值。没打更高分是因为这是第三方分析，不是一手发布或技术突破。
Anthropic 的 Boris Cherny 把 Claude Opus 5.5 当主力模型用了好几周。他拿一个实战任务对比：让 Opus 5.5 和 Fable 5.1 分别把 HAProxy 从 C 语言移植到 Rust。两个模型都几乎通过了全部测试，但 Opus 5.5 只用了 9.5 小时就跑完，Fable 5.1 花了 12 小时，而且 ...
推荐理由：Boris Cherny 拿真实任务跑了一遍：把 HAProxy 从 C 移植到 Rust，Opus 5.5 用 9.5 小时跑完，比 Fable 5.1 的 12 小时快，成本还低了 51%。有名字、有任务、有对比，比厂商自己出的跑分有用。没给更高是因为这是单次测试，不能当通用结论。
Anthropic 在 OpenRouter 上放出了 Claude Opus 5.5，这是 5.5 系列的第一个模型。跟 Opus 5 和 Fable 5.1 比，它在让模型自己动手写代码、处理知识类任务和操作电脑这些场景上表现更好。上下文窗口还是 1M token，没缩水。价格方面，每百万输入 token 收 4 美元，输出收 20 美元，比 Op...
推荐理由：Anthropic 把 Claude Opus 5.5 放上 OpenRouter，是 5.5 系列首发，主打智能体编码、知识任务和电脑操作三项提升，对比对象是 Opus 5 和 Fable 5.1。上下文窗口保持 1M token，定价每百万输入 4 美元、输出 20 美元，比 Opus 5 便宜。三个维度都踩中了：时效性上这是当天消息，知识增量有具体对比和场景，相关性直接打中 Claude 生态里的开发者和 agent 用户。没给更高分是因为目前只有平台上线信息，缺技术报告和实测数据，实际提升幅度还得等第三方验证。
Claude Opus 5.5 是 Claude 5.5 系列的第一个模型，官方说它在多数任务上能打平 Claude Fable 5.1，但运行成本比 Opus 5 低了 40%。Claude Devs 补充，每个任务的实际速度快了约 30%。因为定价降了，Claude Code 的 5 小时会话限额虽然只提了 20%，但额度内能用的量多了 25%。P...
推荐理由：Anthropic 旗舰模型更新，速度和成本都有明显提升，当天值得写。分数没上 90 是因为目前只有官方推文和社区反馈，还没有第三方基准测试或跨模型对比，实际表现还得等更多验证。
Claude Opus 5.5 是 5.5 家族第一个模型，多数任务表现跟 Fable 5.1 持平，但跑起来的开销比 Opus 5 少了 40%。作者提到这版沟通更清楚、token 用得更省，而且所有 effort level 都能用。5 小时调用限额也上调了，还加了个 banked reset 机制。正文没给具体跑分和定价，所以降成本这点先看实际账...
推荐理由：Anthropic 放出 Claude Opus 5.5，声称性能对标 Fable 5.1，运行成本比 Opus 5 降了 40%，还上调了调用限额并加了 banked reset。这是一次针对用户长期吐槽成本和限额的实质性旗舰更新。没给更高分是因为正文缺跑分和定价，降成本这点先看实际账单再说。
Opus 5.5 是 Claude 5.5 系列的第一个模型。Anthropic 说它在多数任务上能打平自家的 Fable 5.1，但跑起来的成本比 Opus 5 低了 40%，每个 token 的单价也更低，而且用 token 更省。模型支持所有 effort level，已经能在 Claude Code 里用。正文没给具体定价和跑分对比，所以实际便...
推荐理由：Anthropic 旗舰模型换代，成本砍掉 40% 还能打平 Fable 5.1，对 Claude 生态用户是实打实的好消息。分数没给更高是因为正文没披露具体定价和基准测试数字——真省钱还是得跑自己的任务看。
Anthropic 周二放出了新模型 Opus 5.5，官方说法是“目前测过最强的模型”，尤其在写代码和处理知识类任务上刷到了新高度。价格比之前的 Opus 系列更低，但具体降了多少、每百万 token 收多少钱，正文没披露。性能方面，Anthropic 拿它跟自家的 Fable 模型比，说水平相当，可也没给出具体的跑分对比。所以“最强”这个结论，最好...
推荐理由：Anthropic 旗舰模型更新还降价，是个真信号。但正文没给具体价格和跑分，最关键的省钱和实力都只能靠猜，所以分数压一压。
作者 Alexandru Nedelcu 直接开喷：靠 AI 一口仙气（vibe-coding）堆出来的项目，时间一长都会烂成没法维护的屎山。核心问题在于，代码好不好维护、架构合不合理，没有即时反馈信号——坏味道可能要几个月甚至几年才会爆发，而现在的 AI 训练（比如强化学习）只看眼前奖励，根本学不会这种需要长期直觉的东西。他指出现有最强模型连“把大函...
作者 Alberto Arena 抛出一个很现实的问题：现在让 AI 代理写个小工具只要半分钟，没人再去下载、看 README 或给星标了，开源维护者最后那点“被看见”的回报没了，谁还愿意干？他拿自己维护的 Laravel 包举例，2.4 万次安装只有 281 个星标，回报本来就薄。但文章也指出，代理能秒出代码，是因为它读遍了公开的 README、测试...
AI agent 基础设施公司 Parallel 拿 GPT‑6 Astra 去查六个州六个月内的劳动力市场数据，结果时间和代码成本都降了 50%。原因是 Astra 搜索更精准、中间步骤更少，还能把子任务分给多个 agent 并行跑。正文没提对比的是哪个旧模型，所以 50% 这个数字先当参考，但如果是真的，对做长链研究任务的团队挺省钱。
JetBrains 把过去半年在 AI 辅助开发上的实验整合成了 Air，一套不再只绑在 IDE 上的产品体系。它面向开发者、团队和公司三层，核心思路是让 AI 编程这件事能跨工具、跨服务跑起来，并且明确押注未来会是多家模型和供应商并存的局面。文章确认了 Central CLI、共享上下文、云端智能体、自动化流程和 AI 成本控制这些功能已经在铺开，但...
推荐理由：我会先打个折：文章是产品发布视角，不是第三方评测，效果和实际体验还没验证。但信息量够实在。JetBrains 把过去半年在 AI 辅助开发上的实验打包成 Air，核心变化是不再把 AI 能力锁死在自家 IDE 里，而是拆成 Central CLI、共享上下文、云端智能体和成本控制这些组件，让开发者在不同工具间都能用。他们明确说未来是多模型、多供应商的局面，这点判断挺清醒，没硬推自家模型。对 AI 从业者来说，这相当于一个老牌工具厂商在 agent 编程方向上的正式出牌，思路和组件都列出来了，值得看一眼。
小米发了 MiMo-V2.6 系列，Pro 版在 Artificial Analysis 的智能指数上拿了 46 分，排开源模型第一。训练成本 300 万美元，按每次任务 0.13 美元算，性价比踩在了前沿线上。Flash 版主打效率，UltraSpeed 版输出速度拉到了 20 倍。技术报告讲了他们怎么在三个方向上堆强化学习的算力：一是用全异步架构把...
推荐理由：小米的 MiMo-V2.6-Pro 在 Artificial Analysis 开源模型榜上拿了第一，训练只花了 300 万美元，单次任务成本 0.13 美元，性价比踩在了前沿线上。Flash 版和 UltraSpeed 版分别补了效率和速度的位，技术报告还讲了全异步强化学习架构怎么堆算力。正文没提具体评测细节和实际业务场景验证，分数先按现有信息给。
社区用几百道题测了 Jev，发现它在难题上基本分不清对错——答对和答错的信心值只差 0.006。DeepSeek V4.1 Flash 准确率 95%，开源的 reflex-27b 也以 76% 超过 Jev 的 74%，而且没做微调，成本更低。群友的结论是：想训练一个好分类器，不如先训练一个会聊天的模型，Jev 跳过思维链校准等于主动放弃准确度。同一...
过去几天 AI 编程圈出了三件事。ZCode 被发现在后台把整个项目连同 Git 历史打包加密，排队往云端传，快照里 .git 对象占了 86.6%，但官方说数据会立即销毁，目前没有第三方验证。HarnessTax 的评测把同一个模型 Claude Fable 5 装进不同框架跑题，官方 Claude Code 和极简框架 Pi 成功率几乎一样（97....
推荐理由：三条 AI 编程新闻绑在一起讲，每条都带一个能记住的数字。ZCode 上传 Git 历史是硬安全事件，有 ferstar 的取证报告和社区复现支撑；HarnessTax 评测暴露了框架包装对模型能力的干扰；微软的架构案例给出了一个省钱路线。HKR 全中，安全、知识和共鸣都到位。
Nemotron 3.5 Lightning 是个 30B 参数的混合专家模型，但每次推理只激活大约 3B 参数，所以跑得快、成本低。NVIDIA 把它设计给 Agent 流程里的执行层用：比如选工具、读文件、检查结果这些需要反复调用模型、但单次任务很明确的步骤。它跟 Nemotron 3 Ultra 不是替代关系，Ultra 负责费脑子的规划，Lig...
推荐理由：OpenRouter 这篇解读把 Nemotron 3.5 Lightning 的定位讲明白了：它不是来跟 Ultra 抢规划任务的，而是专门填 Agent 执行层的坑。30B 参数、每次只激活 3B 这个设计，直接对应高频调用场景下的成本和延迟压力，信息量够，判断也实在。不过话题本身偏技术选型，缺了点能让人主动转发的钩子，所以 R 没给。
小米发了两个全模态模型 MiMo-V2.6-Pro 和 Flash。Pro 版在 Code Arena 的网页开发榜上拿了 1628 分，比上一代 MiMo-V2.5-Pro 的 1475 分涨了 153 分，整体排第10名上下，在 MIT 许可的开源权重模型里大概排第3。Flash 版的跑分和参数量正文都没提。
推荐理由：小米 MiMo-V2.6-Pro 在 Code Arena WebDev 榜上排第10名上下，开源权重模型里约第3，分数比上代涨了 153 分，有具体数字支撑。Flash 版参数量和跑分正文都没提，信息有缺口，所以重要性给到 78 比较合适，先别往更高拔。
小米这次放出的 MiMo-V2.6 Pro 和 Flash 都走全模态路线，靠大规模强化学习训出来的。Pro 版在多数智能体基准测试里能对标 Claude Opus 5 和 GPT-5.6 Sol，在 Artificial Analysis 智能指数上拿了 46 分，是目前开源模型里最高的。能力覆盖写代码、操控电脑界面、3D 推理和创作类任务。正文没披...
推荐理由：小米发了 MiMo-V2.6 Pro 和 Flash 两个全模态开源模型，Pro 版在智能体基准测试里直接对标 Claude Opus 5 和 GPT-5.6 Sol，Artificial Analysis 智能指数 46 分是开源最高。我会先打个折，正文没披露训练数据、参数量和具体推理成本，但光是这个分数和开源定位，就足够让做智能体的人关注了。
马斯克引用 Artificial Analysis 的评测说，Grok 4.7 让 xAI 在智能体编码能力上排到第三，仅次于 Anthropic 和 OpenAI。但正文没披露具体评测指标、分数或版本对比，只有排名和对手。这个排名如果是真的，说明 Grok 在让模型自主写代码、调工具这类任务上进步明显，但缺少数据支撑，建议先观望。
Foremerge 是一个架在 Git 上的开源协调协议，专门解决多个 AI 编程助手并行干活时“逻辑打架”的问题。它不是处理代码合并冲突，而是提前发现两个助手改了不同文件、但逻辑上互相矛盾的情况。做法是让助手在动手写代码前，先在意图文件里声明自己要改什么、为什么改，协议先比对意图，再合并代码。项目目前还在早期阶段，正文没披露具体支持哪些助手框架，也没...
xAI 推出了 Grok 4.7，一个主要面向编码和知识工作的新模型。它用了更大的基础模型，并通过更长时间的强化学习训练，专门啃那些需要好几个小时才能完成的硬骨头任务，自我检查能力也更强了。在考验长线编程的 CursorBench 4.0 上，它拿到了 46.3% 的分数，超过了 GPT-5.6 Sol Max 的 41.7%，但还落后于 Fable ...
推荐理由：Grok 4.7 主攻编码和知识工作，CursorBench 4.0 上 46.3% 的分数压过了 GPT-5.6 Sol Max，但还落后于 Fable。文章给了具体的基准分和训练思路（更长的强化学习、更强的自我检查），对从业者有参考价值。没给满分是因为正文没披露模型规模、架构变化和推理成本，实际可用性还得等上手验证。
一名新入职大公司的工程师称，团队所有规格、代码、测试、PRD、工单及其解决方案、报告等全部由 Claude Code 生成，从 L1 到 L7 的工程师都在做同一件事——和 Claude 对话。团队无人喜欢这种方式，却被高层要求尽可能多地产出，因为高层认为推送代码不是瓶颈；人们每天工作 12 到 13 小时，只是为了按回车，没有人阅读任何内容。
作者直接开喷，说 MCP（模型上下文协议）是给当年不够聪明的模型设计的，现在已经过时了。现在的模型能自己写脚本、读 --help 文档、直接调 HTTP API，根本不需要中间再套一层 MCP 服务器。文章指出，MCP 生态搞出了一堆服务器和工具，结果反而造成上下文臃肿，各家平台还得想办法用搜索模式来精简工具列表，这本身就是个短期补丁。Cloudfla...
Will Larson 把他在 Imprint 的 AI 代理用法又往前推了一步。他给代理一个 Linear 项目，代理会先检查有没有对应的 Notion 设计文档和 Datadog/Snowflake 监控看板，没有就催你建。接着它会扫一遍任务状态，发现缺活就自己往项目里加，然后挑没被阻塞的任务开始干活：写 PR、催 review、或者提澄清问题。一...
推荐理由：Will Larson 的“软件工厂”实验是 2026 年 AI 编码落地最扎实的一手记录之一。从全公司推 Claude Code 到 Agent Fleet 编排，每一步都有具体的决策和失败模式，对正在推 AI 编码的团队来说直接可用。我会先打个折：文章没给出量化效果数据，比如开发速度提升多少、bug 率变化，但作为工程实践分享，信息密度和可操作性都很高，值得上 featured。
作者 Iouri Khramtsov 分享了一套他实测有效的 7 层防御体系，能让 AI 写代码的产出翻 2-3 倍，同时 bug 反而变少。第一层是让 AI 先审一遍需求文档，把没想清楚的边界情况和交互漏洞挑出来，这是他发现 bug 骤降的主要原因。第二层是逼 AI 做测试驱动开发，要求单元测试覆盖率超过 95%，但得先让它想好测试场景再写实现，防止...
微软一个团队用内部 AI 智能体系统 Nachete，把 Copilot 运行时从 C# 重写成了 Rust。整个过程跑了 7 轮迭代，智能体自己写代码、编译、修错误，最终产出了 12.5 万行 Rust 代码，首次编译就通过了。人类只参与了代码审查和安全审计。团队估算，如果纯人工重写要花 110 万美元和 9 个月，但文章没细说这个基线是怎么算出来的...
推荐理由：微软用内部智能体系统 Nachete 把 Copilot 运行时从 C# 移植到了 Rust，7 轮迭代产出 12.5 万行代码，首次编译通过，总花费 12 万美元。文章说人工重写得 110 万美元和 9 个月，但没解释这个基线怎么算的，我会先打个折。这事在工程圈里话题性很强，因为 Rust 重写难度高，智能体还能自己修错误、迭代，人类只做审查，直接关系到开发者对 AI 替代编码的想象。
这篇文章讲了一种跑长时间 AI 编程任务的方法：把指挥和干活拆开。一个长会话负责分配任务、核实结果、记录教训，但不写代码；多个短会话负责具体实现。状态存在一个外部任务板里，不靠对话上下文，因为上下文会被压缩、会丢细节。核心纪律是别信 agent 自己说“搞定了”——得重新跑一遍命令、看退出码。作者管这叫 Chief of Staff 模式，本质上就是 ...
推荐理由：这篇文章不卖概念，给的是实操套路。作者把长会话拆成只派活不写代码的协调层和只干活的执行层，状态全放外部任务板，绕开了对话上下文被压缩后丢信息的坑。最值钱的一条纪律：agent 说任务完成不算数，得重新执行一遍命令、检查退出码。我会先打个折——正文没披露这套方法在真实项目里的成功率和翻车案例，但思路本身对常跑长时间 AI 编程任务的人很有参考价值。
阶跃星辰推出了 Step 5 Preview，一个总参数量 6000 亿、每次推理激活 270 亿参数的混合专家模型。它支持 100 万 token 的上下文窗口和图像输入，主要瞄准让模型进业务流程干活的场景。在 DeepSWE v1.1 编程测试里拿了 67.7 分，超过了 Kimi K3 和 GLM-5.3，但落后于 GPT-6 Astra 和 C...
推荐理由：Step 5 Preview 是阶跃星辰的 6000 亿参数混合专家模型，在 DeepSWE v1.1 编程测试上拿了 67.7 分，小胜 Kimi K3 和 GLM-5.3，但还落后 GPT-6 Astra 和 Claude Opus 5 约 6-7 分。给了 78 分，因为这是国内模型在 agent 编程方向一次有具体数字的推进，但还没到改写行业格局的程度。我会先打个折：正文没提推理延迟和实际部署成本，100 万 token 上下文在实际业务流程里表现如何也未知，所以分数没给更高。
TypeSafe 上线了 Jev 云端接口，程序发一段文字过去，直接取回一排离散概率，用来做客服分流比大模型快约 25 倍、成本低两个数量级，但一致率不等于准确率，校准主张没有独立验证，官方定价页面也没上线。Slack 八月发布的 Slack Code 把编程 agent 写代码的中间过程搬进专门的群聊频道，支持行级批注和原型预览，但权限机制和人工签署...
Reddit 用户 9r4n4y 用 GLM 5.3 Flash 做了一个约 40 秒的股市信息图动画。模型收到的不是一个视频脚本，而是一个 zip 压缩包，里面装着手绘风格的动画技能包，外加一句“给我一个视频，别问我问题”。它跑在 4 台 DGX 机器上，用了 8-bit 量化和 vllm 推理框架。这事的本质是模型自己写动画代码并渲染出视频，而不是...
Anthropic 工程师发了一篇复盘，讲他们内部一个给自动化测试记账和挑选用例的服务，半年内任务量涨了 25 倍。团队连续打了三次补丁，第一次扩容换来 70 天安稳，第二次并行分片换来 29 天，第三次只能靠每天重启硬撑，连一天都稳不住。最后一名工程师用三周推倒重写，而作者估计一年前这活要干一个季度。核心变化是两条成本曲线交叉点左移了：AI 让重写的...
推荐理由：这是一篇来自一线工程师的复盘，不是泛泛的 AI 提效公关稿。它用三次补丁的失效曲线，把“重写变便宜”这个趋势讲成了可感知的工程决策变化。我会先打个折：它不涉及模型突破或产品发布，属于工程实践类的硬核分享，但数字扎实、视角刁钻，对从业者的实际工作有直接启发，放在 featured 里作为实践案例是合适的。
Claude Code 2.1.277 版本加了一个小但实用的功能：如果项目根目录没有 CLAUDE.md，它会自动读 AGENTS.md 作为项目指令。你可以在 /config 里改这个设置。目前 Bedrock、Vertex 和 Foundry 上还不可用。另外修了一堆 bug：claude -p 和 Agent SDK 会话在内部错误后不再卡死，...
Diogo Almeida 是 RLHF（从人类反馈中强化学习，让模型更听话的关键技术）的发明人之一。他觉得让模型只优化人类语言是条死胡同，因为电脑之间交流用的是代码。于是他离开 OpenAI 创办了 TypeSafe AI，本周发布了新模型 Jev。Jev 还是基于 Transformer 架构，但训练目标不是生成人话，而是直接执行代码和调用 API...
推荐理由：我会先打个折：文章没给跑分、定价、API 成功率这些硬数字，所以重要性停在 78。但信号本身很强——RLHF 发明人出走创业，第一枪就打向“代码执行”而非“人话生成”，这个转向本身就值得关注。正文没披露模型规模、训练成本和实际调用延迟，这点先别太激动，等他们放出技术报告再重新评估。
Dan Luu 观察到，越来越多开发者把 LLM 的输出直接当成品用，自己只充当一个按回车键的“肉代理”。到 2026 年 9 月，这种不动脑的开发方式已经能产出勉强能跑的软件，但 Luu 的核心观点很直接：如果 AI 真强到能无监督干活，公司直接让模型自己跑循环就行了，何必还雇你这个“肉代理”？他举了几个翻车例子，比如一个 AI 棋类机器人连简单的启...
推荐理由：Dan Luu 用“肉代理”这个词把 AI 编程的核心矛盾讲透了：模型越强，不动脑的开发者就越容易被替换。观点尖锐，有 2026 年 9 月的时间戳，但缺少硬数据支撑，所以我会先打个折，给 78。
GitHub Podcast 最新一期拆解了五个 AI 热门观点：AI 生成的代码仍需阅读和负责，但审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是连接工具与数据的标准，可组合使用；RAG 并未死亡，它为模型提供训练数据之外的相关信息，减少 token 浪费并让回答更有依据。
Justin Cormack 让 AI 写了一个兼容 S3 的对象存储系统，代码量干到了 35 万行 Rust。他直接拿真实的 S3 当“标准答案”来跑测试，攒了 1500 个测试用例，结果还真抓到了 S3 自己的 500 错误。他踩了几个坑：追 100% 代码覆盖率会让 AI 写一堆没用的测试凑数；AWS 的文档经常不准，AI 也不擅长从文档里挖边界...
推荐理由：这是一篇带真实数字和踩坑记录的一手实验，不是泛泛而谈。35 万行 Rust + 1500 个测试用例的规模让结论有分量。扣分点在于文章本质上是 Tessl 的品牌内容，所以没给到 85 分以上。但实验本身的方法论——拿真实 S3 当标准答案来测 AI 生成的代码——对从业者很有启发。