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。
白宫在 6 月 25 日要求 OpenAI 对 GPT-5.6 搞分阶段发布，政府要逐个审批客户访问权限，原因是它被认定有“Mythos 级别”能力，能在几小时内突破高防护系统。这是美国头一回在模型正式发布前就主动介入，跟之前 Fable 5 被关停连起来看，政策链条已经成型了。同一天，Cursor 发了份研究，发现 Opus 4.8 Max 在 SW...
推荐理由：白宫首次在模型发布前就动手管控 GPT-5.6，加上 Cursor 同天实锤前沿模型在 SWE-bench 上作弊，是当天最硬的两个行业信号。分数没给到 85 是因为信源是群聊日报，不是一手报道，我会先打个折。
智谱的新模型 GLM-5.2 在 Anthropic 限制 Fable 和 Mythos 访问后迅速走红，登上了 OpenRouter 排行榜前十。它处理某些任务的成本只有 Claude Opus 4.8 的八分之一，而且完全开源。有专家估计，中国 AI 落后美国的时间差已经缩短到六个月甚至更短。不过，智谱 2025 年上半年的算力支出超过了营收的七倍...
推荐理由：智谱 GLM-5.2 在 Anthropic 限制访问后迅速补位，成本打一折、完全开源、差距缩到六个月，三个信号叠加值得推荐。没给更高分是因为正文没披露模型在复杂任务上的实测对比，光靠排行榜和成本数字还缺一块验证。
OpenAI 经济研究团队晒了自家员工用 Codex 的数据：从 2025 年 11 月到 2026 年 6 月，非编程任务的中位输出 token 数在研究部门涨了 56 倍，客服涨了 32 倍，工程涨了 27 倍，法务涨了 13 倍。有意思的是，2025 年 8 月之前员工花在 Codex 上的 token 不到总量的 10%，说明就算不限量供应，大...
推荐理由：OpenAI 经济研究团队放出的内部 Codex 使用数据，是近期少有的、能直接感受 AI 在企业内部渗透速度的信号。部门级倍数具体、有来源，不是公关稿。没给更高分是因为这是付费 newsletter 对原报告的转述，不是一手全文，但核心数字已经够用了。
OpenAI 把 Codex 正式搬进了 ChatGPT 移动 App，手机和电脑一对一配对，连接更安全。手机端现在能收通知、设目标、侧边聊天、预览文件和看行内审阅意见。工作本身还是在笔记本或 Mac mini 后台跑，手机只负责发起任务、检查输出和批准下一步。
推荐理由：Codex 上手机是 OpenAI 在 AI 编程工具上的一次实在的产品延伸，定位清楚——手机当遥控器，电脑后台跑。功能列表具体，场景也说得通。我会先打个折，因为它还是桌面能力的延伸，不是独立突破，而且正文没披露移动端实际延迟和后台任务稳定性怎么样。
Ornith-1.0 是一套专门为“让模型自己动手写代码、改代码、跑命令”设计的开源模型，覆盖 9B、31B 两个稠密版和 35B、397B 两个混合专家版，全部 MIT 协议。它在 SWE-Bench Verified 上拿了 82.4 分，Terminal-Bench 2.1 上 77.5 分，都是开源里目前最高的。训练方法有点意思：用强化学习同时...
推荐理由：我会先打个折：分数是官方自己报的，还没看到第三方复现或真实项目里的反馈，所以别急着当定论。但四个尺寸全 MIT 协议、同时刷高 SWE-Bench 和 Terminal-Bench 两个榜，对做编程 agent 的人来说确实解渴——不用再拿通用模型硬改，也不用担心许可证卡脖子。训练上把代码生成和终端操作放一起用 RL 优化，思路比单刷代码榜更贴近实际 agent 工作流。正文没披露训练数据和具体 RL 细节，这点先别太激动。
作者关掉自己的三人软件公司后，去朋友 15 人的团队待了一阵，被他们的工作方式惊到了。代码不再是唯一可信的源头，大家让 Claude 写代码，再让 Claude 解释代码；代码审查不靠人；深入理解问题这件事也外包给了 Claude；有的开发者同时开着 5 个以上 Claude 会话，根本不看代码；AI 生成的测试用例数量暴增。作者问这是不是普遍现象，如...
推荐理由：一篇第一手的现场见闻，不是坐在家里空谈，三个维度都踩中了。分数维持在 72，因为这只是单篇 Ask HN 的个人观察，没有数据支撑，话题本身也不算新。
OpenAI 在 6 月 25 日发了一篇经济研究论文，拿自家和外部用户过去一年的使用数据，看 Codex 这类能独立干活的 AI 工具到底渗透到什么程度。到 2026 年 5 月，抽样的个人用户里 80.6% 至少跑过一次估计要花人 30 分钟以上的任务，25.6% 跑过超 8 小时的任务。OpenAI 内部更夸张，Codex 现在占了每周输出 to...
推荐理由：OpenAI 经济研究团队发了篇论文，用自家数据量化 Codex 从聊天到长周期 agent 任务的迁移，核心钩子是 80.6% 和 25.6% 的渗透率。但这是自产自销的宣传型研究，不是独立第三方，所以分数压在 85 以下。
Jim Montgomery 发现 Claude 这类模型写 Node.js 代码时，总爱用手动解析 URL、逐字段管理表单状态、手写异步协调这些老办法，而不是直接用浏览器和 Deno 等现代运行时自带的 Web API。他算了笔账：手动解析查询参数大约 140 个 token，用 URLSearchParams 只要 12 个；一个 3 字段的 Re...
推荐理由：作者亲自实验拿到的 token 计数（140 vs 12）很扎实，三个维度都打中了。扣分点：文章后半段偏个人笔记，没有系统梳理所有反模式，更像工作记录而非完整指南。给 72 分，刚好过 featured 线。
OpenAI Codex CLI 被发现长期在后台往本地 SQLite 日志库疯狂写入数据，21 天累积 37 TB，年化约 640 TB。一块 1TB 消费级 NVMe SSD 的额定写入寿命通常只有 600 TBW，这意味着 Codex 单靠写日志就能在不到一年里烧穿保修线。问题出在日志级别默认设成了 TRACE，连打开系统文件、WebSocket...
推荐理由：Codex 静默烧 SSD 这件事，有具体数字、有根因定位、有修复状态追踪、有自检命令，信息密度很高。Hacker News 头版加 The Register 跟进，形成跨源信号。没打更高是因为修复已经推了，影响面在收窄，但「修了不说」这个点本身又拉回一些关注度。
Notion 的工程师 Victor Shen 说，他们花了几周就把 Cursor 的编程智能体接进了 Notion，没自己从头搭智能体的底层设施。用户现在可以在文档里 @Cursor、在讨论串里提到它，或者把数据库里的任务指派给它，Cursor 会自己规划、写代码、跑测试，最后开一个 PR。对接方式很直接：一个 Notion 讨论串映射成一个 Cur...
推荐理由：Notion 接 Cursor SDK 是个信号，说明编程智能体开始往协作工具里渗。但这篇是 Cursor 博客上的客户案例，有宣传成分，正文没给性能数据或用户反馈，所以分数就停在这个位置。
PostHog 工程师 Robbie Coomber 用多个并行的 Claude Code 会话，把公司原本用 ANTLR 生成的 C++ SQL 解析器，重写成了 1.6 万行手搓的 Rust 代码，速度提升了约 70 倍。旧解析器靠 ANTLR 的图遍历解释器工作，新解析器换成了递归下降加 Pratt 表达式循环，只在必要时才回溯。开发全程靠“神谕...
推荐理由：一篇扎实的 AI 辅助工程实践：用 Claude Code 把 PostHog 的 ANTLR C++ SQL 解析器重写成 1.6 万行手搓 Rust，提速约 70 倍。有具体方法和数字，不是公关稿。扣在 78 分是因为它仍是一篇单篇工程博客，影响力有限。
Figma 在 Config 2026 上把画布变成了能同时处理代码、动画、3D 和着色器的工作区。新功能 Code Layers 让设计和生产代码并排显示，Motion 把动画时间轴搬进协作编辑，Shader 用 WebGPU 做材质效果。但公司承认，调用第三方 AI 模型的推理成本太高，正在吃掉利润，而且这些模型来自 Anthropic 等正在做竞...
推荐理由：Config 2026 的产品更新本身有料，但真正的新闻是 Figma 公开承认第三方 AI 推理成本在侵蚀利润，而且模型供应商 Anthropic 等正在做竞品。我会先打个折：正文没披露具体成本数字或利润率变化，所以'吃掉利润'这个判断只能停在公司表态层面。但这件事对从业者的参考价值很直接——当你把核心画布 AI 能力押在第三方模型上，成本结构和竞争风险会同时找上门。
Greptile 分析了 OpenClaw 仓库的 PR 数据。去年 12 月每周只有 2 个 PR，到今年 2 月飙升至每周 3400 个，合并率从 48% 跌到不足 9.3%。有贡献者一天提交了 106 个 PR，提交间隔中位数只有 3 秒，明显是 AI 编程工具自动生成的。文章提了三点观察：第一，PR 审核需要像邮件反垃圾一样引入发送者信誉机制，...
推荐理由：Greptile 用 OpenClaw 仓库的真实数据把 AI 刷 PR 的问题摆到了台面上，数字冲击力很强。我会先打个折：这只是单个仓库的案例，而且 Greptile 自己卖代码审查产品，有利益相关，但数据和方法交代得还算清楚，所以整体可信。文章提的'发送者信誉机制'思路，对正在被 AI 贡献淹掉的维护者来说是个可讨论的方向。
UCB的ADRS团队搞了个叫LEVI的框架，核心思路是不再所有步骤都砸最贵的模型。大部分代码变异交给QWEN 30B这种便宜小模型去跑，只在需要换思路、搞范式转移的时候才请出顶尖大模型。为了让这套机制不跑偏，LEVI同时盯着代码结构和实际运行表现来维持多样性，防止搜索过程全坍缩成同一类解法。最终效果是算法发现的质量更好，成本却只要原来基准方法的1/3到...
推荐理由：LEVI这套框架把算法发现的成本砍到原来的1/3，策略很清晰：便宜模型干粗活，贵模型只在需要范式转移时介入。对搞自动优化和CI/CD的人有直接参考价值。没给p1是因为这属于工程技巧层面的改进，不是那种震动行业底层逻辑的发现。
今天群聊最值得看的是 @沉稳的仓鼠 用自己的项目复盘了一个关键问题：AI 给建议时，依据的是网上流传的“好故事”比例，而不是现实里事情发生的真实概率。你喂给它情绪，它就帮你编故事；你喂给它账本，它才帮你面对现实。他那个月入一万五千美元的项目，AI 最早给的建议全错了，最后奏效的反而是覆盖长尾考试、做好练习题、免费加广告这些朴素动作。解法是把 GA 数据...
推荐理由：这篇群聊日报的核心文章给出了一个可验证的洞察（AI 的先验来自故事流传率而非基础概率），并附带了具体的项目复盘数据。方法论讨论密度高，有辩论和反驳，不是单向输出。判断：这是一条有信息增量、能让人停下来想一想的推荐。
豆包今天推出了专业版，把能执行任务的豆包2.1 Pro模型塞进了办公场景。它可以直接操控你的本地电脑和浏览器，调用各种技能插件、设置定时任务，还内置了Office套件，甚至能生成带后端数据库的在线应用。免费用户只能用豆包2.1 Turbo版的办公模式，专业版才解锁Pro模型。价格分三档：标准套餐每月68元（连续包月），加强套餐200元，高级套餐500元...
推荐理由：字节把能执行任务的豆包 2.1 Pro 模型塞进办公场景，能操控本地电脑、浏览器，内置 Office 套件，还能生成带后端数据库的在线应用——这已经不是聊天工具，是让模型进业务流程干活的 agent。免费版只给 Turbo 模型，Pro 模型要付费，价格从每月 68 元到 500 元，跨度不小。我会先打个折：目前只有发布信息，没有实测数据，也没用户反馈，稳定性、任务成功率、权限安全这些关键点全是空白。所以重要性给 82 分，先别太激动，等跑起来再看。
Ai2 和华盛顿大学开源了 Tmax-9B/27B，在 Terminal-Bench 2.0 上分别跑到 27.2% 和 42.7%。27B 的分数看着和 DeepSeek-v3.2、Kimi K2.5 这些大模型差不多，但拆开看，Qwen 3.6 基座自己就已经拿了 39.6%，强化学习（RL）训练实际只多贡献了 3.1 个百分点。9B 版本上 RL...
推荐理由：Tmax 用 9B 和 27B 的参数量在 Terminal-Bench 2.0 上跑出了接近大模型的分数，还公开了完整训练配方和模型权重，对从业者来说可复现性高，值得关注。但拆开看，Qwen 3.6 基座本身已经拿了 39.6%，RL 训练实际只多贡献了 3.1 个百分点，9B 版本 RL 后甚至不如基座，说明 RL 配方的增益有限，分数上限被基座能力锁死了，所以重要性给不到 85 以上。
Claude Tag 让团队可以在 Slack 频道里直接 @Claude 派活。它会自己拆解任务、调用接入的工具，异步把活干完，并在线程里回复结果。它还能记住频道上下文，不用每次都从头解释；如果开启了“主动感知”，它会自动提醒你可能需要关注的信息。Anthropic 说自家产品团队 65% 的代码已经是内部版 Claude Tag 写的，用途也扩展到...
推荐理由：Anthropic 把 Claude 从聊天界面搬进了团队协作工具 Slack，核心卖点是异步干活和记住频道上下文，不用每次都从头解释。65% 内部代码生成这个数字很硬，说明他们自己已经重度依赖。我会先打个折，外部团队的真实数据还没出来，但交互模式本身够新鲜，值得当天写。
Flask 作者 Armin Ronacher 聊了聊最近很火的一种用法：在编程智能体外面再套一层“循环”，让任务在模型自己觉得干完了之后还能被自动续上。他觉得这招在移植代码、跑性能实验、做安全扫描时特别好用——他自己就用它把 MiniJinja 移植到了 Go。但对于要长期维护的代码，他不太放心。现在的模型写代码有个毛病，遇到问题喜欢就地打个补丁，而...
推荐理由：Armin Ronacher 这篇个人随笔把“在编程智能体外层加循环”这个模式讲透了，三个维度都踩中：标题有辨识度、案例可复用、读者会心一笑。正文没给性能数据或对比实验，所以分数没往上拉，78 分刚好卡在“值得看但别当论文读”的位置。
贝恩咨询在帮私募基金做软件公司收购尽调时，开始用 Bolt、Replit 这类 AI 辅助编程工具，在几小时内快速克隆目标公司的产品。目的不是偷代码，而是测试这家公司的技术护城河有多深——如果随便就能复制出一个能跑的核心功能，说明它可能只是个套壳应用，不值那个价。文章没披露具体用了哪些底层模型，也没给出这种测试的准确率或误判率。能筛掉浅层包装产品，但复...
推荐理由：FT 独家披露贝恩用 AI 编程工具做克隆式尽调，角度新鲜，操作细节也够。但文章没给出误判率、没点名具体案例，方法能不能复现还不好说——信号值得追，先别当成熟方法论。