AI 写代码的一切：编码助手、Vibe Coding、代码模型评测与开发工作流变革。
Codeberg 会员投票通过了一项服务条款修订，禁止在平台上分享“主要由大模型生成且未经人工审核”的代码项目。提案给出的理由是这类项目版权归属模糊、缺乏基本的安全保障。我会先打个折：条款里没定义什么叫“主要由大模型生成”，也没说清楚“分享”是仅指公开仓库还是也包括私有仓库和 Pull Request，执行时间表同样没提。有成员在讨论中指出了这些模糊点...
推荐理由：Codeberg 会员投票修改服务条款，禁止分享未经人工审核的大模型生成代码。这事有实质性的治理动作，冲突感和新鲜度都够，但正文没给出“主要由大模型生成”的具体判定标准，也没说清私有仓库和 PR 是否在限制范围内，执行细节全是空白，所以分数没拉满。
Fireworks 用约 1030 个真实编程 agent 任务跑了一遍 Kimi K3 和 Fable 5。单看 SWE 这类修 bug 的基准，K3 正确率 92.4%，Fable 92.6%，几乎没差别。但拆开看，K3 擅长符号数学和开发工具链，Fable 在网页和数据可视化上更强。他们试着做了一个“路由器”，根据任务类型把活分给最合适的模型，准...
推荐理由：Fireworks 拿约 1030 个真实 agent 任务跑了 K3 和 Fable，给了具体数字和任务类型拆解。发现按任务类型做路由、把活分给最合适的模型，效果比单用任何一个都好，这个结论可复现、可验证。分数定在 78 没往上拉，因为这是单一厂商的博客测试，不是独立第三方评测，我会先打个折。
Poolside 今天放出了 Laguna S 2.1，一个总参数 1180 亿、每次推理只激活 80 亿参数的混合专家模型，上下文窗口能到 100 万 token。它在 Terminal-Bench 2.1 长周期编程测试上拿了 70.2%，压过了 DeepSeek-V4-Pro Max（64.0%）和 Inkling（63.8%），只比 2950 ...
推荐理由：Poolside 发了 Laguna S 2.1，一个激活参数只有 80 亿的混合专家编程模型，在长周期编程测试上跑赢了 DeepSeek-V4-Pro Max。我会先打个折，因为 Poolside 还不是一线玩家，而且缺少第三方复现报告，但 70.2% 这个分数和 100 万 token 的上下文窗口，对做 AI 编程工具的人来说是个值得跟进的信号。
Google DeepMind 一口气放出 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber。3.6 Flash 是新的主力，写代码和处理多模态任务更强，token 消耗最多能降 17%，比上一代 3.5 Flash 更便宜。3.5 Flash-Lite 主打极致低成本，3.5 Flash Cyber ...
推荐理由：Google DeepMind 一次放出三款 Gemini 模型，3.6 Flash 当新主力，写代码和多模态能力有提升，token 消耗最多能降 17%，比 3.5 Flash 更便宜——这对开发者是实打实的成本信号。3.5 Flash-Lite 走极致低价路线，3.5 Flash Cyber 加了安全防护，定位清楚。但正文没提 3.5 Pro，缺了大家最想比的那块拼图。分数没给满，因为 TechCrunch 这篇信息量有限，很多技术细节和实测对比没展开。
作者推翻了自己 2025 年的疑问，说把 Claude 叫编译器是个分类错误——编译器只管把源码变成二进制，但 Claude 能跨层级干活，从战略、产品、架构一路聊到机器码。他拿 exe.dev 做分布式 DNS 服务器举例：多个 agent 循环同时开工，实现同一个设计，却在很多没问过的问题上做出了完全不同的选择。他通过回答问题、回滚烂决定，慢慢把踩...
推荐理由：作者拿自己的产品案例说话，把 Claude 从编译器重新定位成跨层级决策者，有具体代码行为对比，不是纯观点输出。但这是个人博客，没有同行验证或基准测试，说服力要打个折，所以放在 72 分 featured 档刚好。
月之暗面发了新模型 Kimi K3，在 Arena 前端编程榜上压过 Fable 和 GPT-5.6-Sol，其他跑分也咬得很紧。模型很大，有 2.8 万亿参数，支持图片输入，上下文窗口 100 万 token，权重会在 7 月 27 号开源。但它的 token 效率很差——每个 token 的价格只有 Sol 的一半，实际干活却要多用一倍的 toke...
推荐理由：月之暗面扔出 Kimi K3，在 Arena 前端编程榜上把 Fable 和 GPT-5.6-Sol 都挤下去了，其他跑分也咬得很紧。模型体量很大，2.8 万亿参数，支持图片输入，上下文窗口拉到 100 万 token，还定了 7 月 27 号开源权重，这几个信号都挺硬。但有个明显的坑：token 效率差。单价标得便宜，只有 Sol 的一半，实际干活却要多烧一倍的 token，算总账并不省钱。这个反差让整件事更有讨论价值，不是纯吹捧。分数没给到 85 以上，是因为正文只提了 Arena 前端编程榜这一个具体成绩，其他跑分只说“咬得很紧”，没给具体数...
Anthropic 的 Cat Wu 和 Thariq Shihipar 在 AI 工程师大会上跟 Simon Willison 聊了聊 Claude Code 团队的内部玩法。他们做的 Slack 协作工具 Claude Tag，现在包揽了团队 65% 的产品工程 PR。团队发现，给 Fable 5 和 Opus 4.8 的系统提示词里塞一堆例子或者...
推荐理由：这是 Claude Code 团队第一次公开 Claude Tag 的内部采用率（65% 产品 PR）和一个具体的 prompt 工程转向（系统提示词缩减 80%）。信息来自一场炉边谈话，没有可复现的评测或脚本，所以分数定在 82——信号很强，但还不是论文级别的证据。
这周 Moonshot 的 Kimi K3 和阿里的 Qwen 3.8 都发了，性能号称接近 Anthropic 的 Fable 5，而且模型权重马上要公开。文章算了笔账：Anthropic 自己不建数据中心也不发电，用的是租来的算力和电，所以推理成本会跟着用量涨。Fable 5 每完成一个任务，成本差不多是对手的 3 倍。开源模型追上来之后，这种高价...
推荐理由：K3 和 Qwen 3.8 发模型本身不算最大新闻，真正值钱的是那笔成本账：Fable 5 跑一次任务比对手贵三倍，而且 Anthropic 没自建机房，用的全是租来的算力和电，用量越大成本越高。文章把这个结构劣势讲得很清楚，等于给开源追上来提供了一个实打实的经济理由，不是空谈性能。我会先打个折，因为成本对比的细节正文没完全展开，但逻辑链条够硬，值得放进 featured。
作者拿自己手调过的 Rust 函数去考 Kimi K3，让它“随便怎么优化都行”。模型自己选了 SWAR 方案，把 64 位寄存器当 8 个 u8 用，15 分钟给出代码，零报错直接跑通，最终程序快了 2%。通过 OpenRouter 调用，token 费用大概 1 美元。作者觉得这表现确实摸到了前沿模型的边。
推荐理由：一次干净的第一人称实验：作者把自己调过的 Rust 函数丢给 Kimi K3，模型自己选了 SWAR 方案，15 分钟给出代码，零报错直接跑通，最终快了 2%，token 费大概 1 美元。数字和方案名都摆出来了，不是公关稿。我会先打个折——单次测试说明不了整体水平，但就这次表现来说，确实摸到了前沿模型的边。
英国 AI 安全研究所（AISI）的测试显示，开源模型在网络安全任务上与闭源前沿模型的差距已从 2025 年的 6 到 10 个月，缩短到现在的 4 到 7 个月。具体来说，GLM-5.2 在 70 项细分网络能力评估中，表现接近 4.3 个月前发布的 Claude Opus 4.6；但在需要把多种能力串起来完成完整黑客操作的长时间任务上，差距会拉大，...
推荐理由：AISI第一次公开量化开源与闭源模型在网络能力上的时间差，有具体模型和月份数字，虽然只是网络安全这一个维度，但数据本身够硬，值得从业者关注。
Cursor 重新设计了他们的 AI 智能体集群，把任务拆成树状结构：由最强模型当“规划者”负责拆解目标，便宜快速的模型当“执行者”负责具体干活。他们用这个新架构挑战了旧集群搞不定的任务——只靠文档，用 Rust 从零写一个 SQLite。结果新集群在所有模型组合下都赢了旧集群。用 Grok 4.5 时，新集群 4 小时内通过了 80% 的 SQL 测...
推荐理由：这是 Cursor 自己做的工程实验，不是公关稿。规划者-执行者的树状分工有具体数字（4 小时、80% 通过率），直接回答了 agent 架构怎么省钱又能打的问题。没给 85 以上是因为这只是单次实验，不是产品发布，而且正文没披露失败用例的具体分布和成本明细。
审批只能决定一条命令要不要开始跑，管不了包管理器启动后加载的脚本和子进程。文章顺着一次修 bug 的任务走了一遍：Agent 克隆仓库、跑 npm install、改代码、执行测试、最后推分支。这个过程中，操作系统隔离（比如 macOS 的 Seatbelt 或 Linux 的 bubblewrap）负责限制进程能碰哪些文件和网络，不管风险来自模型判断...
推荐理由：我会先打个折：文章没有给出任何性能数据或安全测试结果，更像一篇概念科普，所以重要性停在 72 分。但它的好处是把一个容易被当成「默认开启就行」的功能拆开了讲——审批只管命令启动前，管不了 npm install 之后拉进来的脚本和子进程，这个点对做 agent 安全的人有提醒价值。标题的提问方式和修 bug 的完整走读让可读性很高，三个维度都踩中了，只是深度偏浅，没到必读级别。
月之暗面（Moonshot AI）放出消息，打算在六个月内 IPO，直接原因是新模型 Kimi K2 在数学和编程跑分上追平了 OpenAI o3 和 DeepSeek V4 Pro。公司目前估值约 30 亿美元，2025 年靠 Kimi 聊天机器人的订阅和 API 费用做到了大概 1.5 亿美元收入。在哪上市、找谁承销，正文都没提。这个六个月的时间表...
推荐理由：月之暗面放出六个月内 IPO 的消息，直接原因是 Kimi K2 跑分追平了 o3 和 DeepSeek V4 Pro，技术对标一线后立刻推商业化节点。估值约 30 亿美元，2025 年收入约 1.5 亿美元，数字摆出来了。不过在哪上市、找谁承销正文都没提，六个月时间表能不能兑现还得看后续。Bloomberg 独家，信源靠谱，但关键信息有缺口，所以重要性先打个折，给 82 分。
xAI 把 Grok Build 在本地管理文件、命令和权限的客户端 harness 用 Apache-2.0 协议公开了，代码可以看、可以自己编译。但 Grok 模型、云端服务以及官方安装包的构建链还是闭源的。仓库不接受外部 PR，官方二进制用的内部 commit 也不在公开历史里，所以下载到的程序不一定对应公开的源码。7 月初的上传争议发生在旧版，...
推荐理由：xAI 把 Grok Build 的客户端 harness 用 Apache-2.0 放出来，支持无头模式和 ACP，不算纯作秀。但模型和构建链还是闭源，仓库也不接外部 PR，所以上限到不了 85。三个 HKR 维度都踩中了，放 featured 合适。
作者把 Kimi K3 和 Claude 放在日常写代码里对比，发现输出质量和消耗的 token 数几乎一样，分不出区别。但价格差很远：K3 API 每百万输入/输出 token 收 3 美元和 15 美元，Claude 是 10 美元和 50 美元。订阅更夸张，Kimi 39 美元的编程套餐比 Claude 同价位大方得多，而 Claude 20 美...
推荐理由：一个开发者拿 Kimi K3 和 Claude 在日常写代码里实测，结论是输出质量和 token 消耗几乎没区别，但价格差了三倍多。还顺手扒了 Claude 订阅缩水的事，信息量扎实。因为是个人博客而非官方公告，分数压在 85 以下。
作者拿一个未公开的 NP-hard 光纤网络优化问题，让 Claude Fable 5 和 GPT-5.6 Sol 各跑了三轮 30 分钟测试，对比普通模式和 /goal 模式。Fable 5 的普通模式平均得分 32,386，比 Sol 的 34,261 低了 1,875 分（分数越低越好），而且三次普通跑分只差了 319 分，稳得离谱。/goal ...
推荐理由：作者自己动手跑了一个未公开的光纤网络优化问题，三轮 30 分钟测试，数字摆得很清楚。Fable 5 普通模式稳得离谱但分数略输 Sol，开了 /goal 反而崩了，这个反直觉的点是全文最有价值的地方。扣一点分是因为问题领域窄，且来源是个人博客而非官方发布，但实验设计和结论对从业者有参考意义。
作者从自己放弃 DSL 的经历说起，指出 AI 大幅降低了设计语言、写解析器和准备示例的成本，让团队可以先建领域边界，再根据实际使用决定它的寿命。核心思路是把 FastAPI 当作原子操作层，DSL 负责描述完整计划，上下文基础设施保存过去的判断和纠正。文章引用了 Unmesh Joshi 的 DSL 文章和 Tickloom 演示，但指出 Tickl...
推荐理由：标题角度新鲜，架构思路具体，直击 agent 工程的核心痛点，三条 HKR 都踩中了。分数定在 72 是因为它来自个人博客的观点文章，没有可复现的实验或生产环境案例，思考质量高但不是硬实证，所以不往上调。
Cursor 的评估负责人 Nate Schmidt 在 Anthropic 博客里讲了他们怎么判断 Claude Fable 5 能打。核心数字是 CursorBench 上 72.9% 的得分，比上一代跳了一大截。这个测试不是刷通用榜，专挑那些连真人都头疼的长尾编程问题。不过正文没公布上一代的基线分、测试集大小和具体题目，所以 72.9% 只能当个...
推荐理由：Cursor 的评估负责人跑到 Anthropic 博客上发文章，本身就是一个信号。72.9% 的 CursorBench 分数是实打实的数字，而且测试设计针对的是连真人都头疼的长尾编程问题，不是那种刷分的通用榜。我会先打个折：正文没披露上一代的基线分、测试集大小和具体题目，所以这个 72.9% 只能当个相对进步的参考，不能直接换算成绝对能力。但考虑到是第一手工程评估，对日常重度依赖 Cursor 的开发者来说，这条信息比一般的模型发布博文更有实际意义，给 82 分合理。
Google DeepMind 发布 Gemini 3.5 Flash Cyber，基于 3.5 Flash 微调，用于快速发现、验证和修补漏洞，在 CyberGym 等基准上以多次调用取得接近更大模型的成绩。
推荐理由：原文给出轻量安全模型在多个基准和 Google 内部代码库的实测结果，可据此判断专用小模型在漏洞发现上的性价比。
Olaf Alders 发现 Claude Code v2.1.198 在 7 月 1 日悄悄塞进一个行为：当 agent 向你要指令时，如果你 60 秒内没回复，它就自己拿主意继续跑。这个改动没出现在更新日志里，也没有独立的开关能关掉。作者用 Claude 自己去反编译压缩后的 JS 代码，确认逻辑就埋在里头，没有单独的功能标记。Anthropic ...
推荐理由：一篇扎实的逆向工程博客：作者定位到 Claude Code v2.1.198 在 7 月 1 日静默加入的 60 秒超时自动执行逻辑，更新日志没提，也没有独立开关。H、K、R 全中，但毕竟只是个人博客而非官方公告，上限给到 78 分。