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。
北海道农民富安弘毅把 ChatGPT 和 Codex 当工程师用，做了 8 件事：拍照识别西兰花病害、用卫星 NDVI 数据看作物长势、拿 ESP32 加 LINE 机器人远程开关温室卷帘、给农场群聊写了个管温度和排期的机器人、从聊天记录里自动统计播种数量、研究 RTK-GPS 自动转向原理并算了自建要花多少钱、用 Airtable 搭了农场管理数据库...
推荐理由：我会先打个折：全文只有一个人、一个农场，没有产量对比或省了多少工时的数字，所以不能当行业证据用。但它的价值不在严谨，而在把 AI 写代码这件事从屏幕拉到了泥地里——一个农民没找外包、没学编程，直接用 Codex 做出了 8 个能跑的工具。这种'非程序员用 AI 写代码干物理世界的活'的案例现在还很少，对国内做 agent 和 coding 方向的人是个挺新鲜的参照。
Anthropic 联合创始人 Jack Clark 公开说，Claude 目前产出了公司里 80% 被合并进主干的代码，他预计两年内这个比例会到 100%。另外文章提到，2026 年第二季度 Anthropic 工程师人均每天合并的代码量是 2024 年的 8 倍。不过原文因为微信环境验证问题，正文没抓到，这些数字的具体口径和统计方式没法核实，先打个折看。
推荐理由：HKR 三项都成立：Jack Clark 亲口说的代码占比数字是个硬钩子，事实点够具体，而且对从业者的职业焦虑和效率想象都有触动。这不是模型发布或重大产品更新，所以分数留在 78–84 区间合理。正文没抓到，统计口径没法核实，我会先打个折看。
这篇 ICML 2026 的论文提出了一种叫 FusionRoute 的多模型协作方法。它不直接合并模型，而是冻结住几个专家模型不动，只训练一个轻量的路由器。这个路由器会在生成文本的每一个 token（词或子词）时，实时挑选一个最合适的专家模型来输出，同时把路由器的判断分数和专家模型的输出分数揉在一起，让最终选择更准。论文在 GSM8K、MATH-50...
推荐理由：这篇 ICML 2026 的 FusionRoute 论文，核心是让几个冻住的专家模型在生成每个 token 时都能被一个轻量路由器实时挑选，还加了自我修正来纠错。思路确实有意思，但文章没给出具体的性能提升数字、代码链接和实际部署成本，所以我会先打个折，放在 featured 里偏低的档位。
Cohere 的员工 Nick Frosst 在 Reddit 上给 LocalLLaMA 社区开了个后门，提前放出还没正式发布的编程模型 BLS-Mini-Code-1.0，权重已经挂在 Hugging Face 上了。这个模型总参数量 30B，但每次推理只激活 3B 参数，属于稀疏模型，跑起来对硬件要求会低一些。Cohere 说它的 token 输...
推荐理由：HKR 三项都踩中了：Cohere 员工私下给社区塞未发布模型，这事本身就有点独家；30B 总参数只激活 3B 的稀疏设计，对本地跑模型的人很友好，硬件要求直接打折。不过信息来自 Reddit 帖子，正文没披露评测成绩、许可证和训练细节，所以先别太激动，给个低 featured 档位刚好。
GitHub 把 Spec Kit 开源了，专门解决 AI 编程里一个常见毛病：需求还没说清楚，模型就开始写代码，结果边界漏了、反复返工。这个工具包把流程倒过来——先写产品功能规范，再让 AI 根据规范去澄清差距、做技术计划、拆任务，最后交给 agent 执行。规范本身成了可执行的开发合约，不是一份看完就扔的文档。目前支持 Copilot、Claude...
推荐理由：我会先打个折：正文没披露这套流程在实际项目里能省多少返工时间，也没给出和直接让 Copilot 写代码的对比数据。但故事本身够硬——GitHub 把“先写规范再写代码”这个老规矩做成 AI 编码的入口，规范不再是看完就扔的文档，而是驱动 agent 执行的合约。支持 Copilot、Claude 等多模型，109K+ 星说明开发者对这套思路的认可度不低。这点先别太激动，但方向对，值得跟。
这篇 Reddit 帖子正文被屏蔽了，只能从标题和摘要反推。作者拿一个 Laravel 12 + Livewire 的端到端测试任务，比了五套写代码的 agent 配置。Claude Opus 4.7 配 1M 上下文窗口，一口气生成了 203 个测试；本地最强的方案是 OpenCode 跑在一张 24GB 显存的 RTX 4090 上，产出 140 ...
推荐理由：正文被屏蔽了，只能从标题和摘要反推。作者拿一个 Laravel 12 + Livewire 的端到端测试任务，比了五套写代码 agent。Claude Opus 4.7 配 1M 上下文窗口一口气生成 203 个测试；本地最强方案 OpenCode 跑在 24GB 显存的 RTX 4090 上，产出 140 个，中间还压了 4 次上下文。差距摆在那，但本地方案不用把代码往外传，这点对隐私敏感的场景有吸引力。帖子本身是一次个人实验，不是标准化基准测试，结论别直接当采购依据。
Anthropic 通过 Snorkel 的 Marlin 项目招募了约 1000 名软件工程师，专门审查 Claude 写的代码。每完成一单任务给 280 美元，工作流包括在 GitHub 仓库里提 Pull Request、对 AI 生成的两版代码做 A/B 对比，然后从正确性、安全性、可靠性和可维护性四个维度打分。正文没披露这些工程师的资历门槛、...
推荐理由：HKR 三项都成立：价格和人数有传播力，流程和评估维度够细，对做代码 Agent 的团队有参考价值。放在 featured 合适，但不到 p1，因为这不是新模型或新能力发布，更像一次数据标注合作的具体披露。正文没披露工程师资历门槛和任务一致性控制，这点先别太激动。
普林斯顿的研究员搞了一套叫 Goedel-Architect 的智能体系统，专门让模型在 Lean 这种形式化证明语言里自动做数学题。他们拿 DeepSeek-V4-Flash 跑 PutnamBench 数学竞赛题，672 道题里正确率到了 75.6%，API 调用费总共才花了 294 美元。对比之前 Hilbert 系统用别的模型达到 70.0% ...
推荐理由：普林斯顿团队搞了个叫Goedel-Architect的智能体系统，让DeepSeek-V4-Flash在形式化证明语言Lean里自动做数学题。PutnamBench 672道题正确率75.6%，API调用费总共294美元，对比之前Hilbert系统用别的模型达到70.0%却花了约17万美元，成本差了近500倍。这个对比很直观，数字也扎实，但正文没详细拆解294美元是怎么算出来的，也没说Hilbert那17万是不是包含了大量试错和人工调参。所以“500倍”这个说法可以先打个折看，不过即使有水分，成本优势依然明显。整体还是偏学术研究，离工程落地有距离，...
Reddit 上有人吐槽微软应该发类似 Qwen3.6-27B 或 Gemma-4-31B 这种中等体量的开源模型，结果他们放出来的是七个 MAI 模型。其中 MAI-Thinking-1 参数规模标的是 1T A35B，上下文窗口 256K；MAI-Code-1-Flash 是 137B A5B，同样 256K 窗口。帖子正文被网络策略挡了，看不到更...
推荐理由：微软一口气放出 7 个 MAI 模型，带推理和代码变体，256K 上下文窗口，信息量够得上 HKR-K 和 R。帖子拿 Qwen3.6 和 Gemma-4 当参照物，说微软早该发这类中型模型，这个追赶角度撑起了 H。不过来源是 Reddit 吐槽帖，正文还被网络策略挡了，缺基准测试、许可证和定价细节，所以停在 featured 档，上不了 P1。
这篇文章本身因为微信环境验证没抓到正文，只能根据已有的英文标题和摘要来还原。核心信息是两条：一是 Yann Dubois 在采访里说 OpenAI 大概在去年 12 月跨过了一个“可靠性阈值”，具体指什么、怎么验证的，正文没披露；二是 Anthropic 内部数据显示，到 2026 年第二季度，公司里每人每季度的代码贡献量已经是 2024 年第一季度的...
推荐理由：我会先打个折，因为这是二手采访分析，不是官方发布或可复现的测试。但三条理由都站得住：标题里的“可靠性阈值”是个悬念钩子，正文抛出了两个带时间或倍数的具体说法，而且讨论的是中美从业者都在盯的算力差距和效率竞赛。所以给到 82 分，放在 featured 位置，不往上拔了。
作者 Giovanni Gatti 挑了 20 个真实世界的 Python 安全漏洞（CVE），让 5 个前沿模型在沙盒里修。最好成绩是 300 次运行里修好一半，最贵的模型和最便宜的模型在修漏洞这件事上拉不开差距，但成本能差到 12 倍。更麻烦的是失败方式：模型经常改对了文件、跑通了所有测试，但漏洞原封不动——这种“看起来修好了”的假象，在规模化部署...
推荐理由：H/K/R 全中：测试对象是真实漏洞，规模够大，还踩中了模型能不能在生产环境修代码的争议点。但这是个人 Show HN 的基准测试，不是实验室或厂商的正式发布，所以放在 featured 下沿。
汤道生在腾讯云 AI 大会上说，今年腾讯大部分代码都由 AI 生成，工程师主要精力放在架构设计，定期指导、修正 AI 的输出。这个“大部分”具体指什么口径（行数、提交次数还是项目占比），正文没披露，所以先打个折听。另外，腾讯去年在 AI 新产品上投了 180 亿元，总裁刘炽平说今年投入至少翻倍，同时 Q1 财报提到他们重构了 AI 基础设施，搭了 Hy...
推荐理由：HKR 三项都过：有明确的访问对象和事件，有 180 亿投入和翻倍计划这两个硬数字，话题也踩在从业者关心的中美算力效率竞赛上。但“大部分代码”的口径没公开，属于高管自述，不是产品发布或独立评测，所以卡在 featured 门槛上方，不给更高。
xAI 在 2026 年 5 月推出了编程 agent Grok Build 0.1，CLI 和 API 先后上线。它跟 Claude Code 走的是两条路：Claude 靠单个深度 agent 加 1M 上下文窗口死磕复杂重构，Grok Build 则用 8 个并行子 agent 各干各的，靠速度（100+ tokens/秒）和广度抢活。定价是 A...
推荐理由：xAI 的 Grok Build 0.1 走了一条和 Claude Code 完全不同的路：不拼单 agent 的深度和超长上下文，而是用 8 个子 agent 并行干活，靠推理速度抢时间。这个思路本身有信息量，但文章没给基准测试结果，也没说清楚并行方案在实际项目里到底省不省钱、会不会互相踩脚。定价只提了 A 开头，后面断了，隐私条款也没展开。所以先放 featured，等有实测数据或者成本细节再往上调。
Ethan Mollick 宣布新书《Co-Existence》将于 10 月 20 日出版。他认为过去那种把 AI 当聊天机器人、你来我往的“协同智能”正在过时。AI 公司的目标一直是造出能自己干活的智能体，而 2025 年底出现的编程智能体让这个目标变近了。他引用了两项数据：一项研究显示代码产出量翻了 17 倍，Anthropic 也声称自家 80...
推荐理由：Mollick 这篇更像一篇立场文章加新书预告，不是模型发布或可复现实验。他引的两组数据——代码产出 17 倍和 Anthropic 的 80%——都来自外部或厂商自述，原文没给出验证细节。判断“协同智能过时”主要挂在他对 2025 年底编程智能体的观察上，但法案文本和执行时间表都缺失，所以冲击力强但信息有缺口，放在 featured 合适。
Anthropic 在 GitHub 上放出了一个叫 defending-code-reference-harness 的开源项目，把威胁建模、代码扫描、漏洞分类和打补丁这些安全活儿打包成一套可定制的自动化流程。项目页面上说你可以把它当成一个“自主扫描引擎”来用，但正文没披露这套东西在真实漏洞挖掘上的准确率、误报率，也没给出跟现有扫描工具的对比数据。目...
推荐理由：Anthropic 的招牌加上一个实打实的 GitHub 仓库，让 HKR 的 H 和 R 都站得住。但文章本质上是一封公开信和政策呼吁，不是已经落地的法律或产品，框架的实际效果、基准测试全都没给，所以 K 不成立。话题分量够上 featured，但信息缺口把它卡在 72–77 这个区间，74 分合理。
FT 这篇报道的标题说美国国家安全局在用 Anthropic 的 Mythos 模型发动网络攻击。不过点进去只看到 403 报错，正文完全没加载出来，RSS 片段也只提到 Anthropic 正跟五角大楼就 Claude 模型打官司，没披露具体部署范围。所以 Mythos 到底是什么、NSA 怎么用的、用在哪些攻击里，这些关键信息目前都看不到。
推荐理由：单篇 FT 报道，HKR 的 H 和 R 都拉满，K 虽然提到了 Mythos 和五角大楼纠纷，但正文 403 没加载出来，部署细节和执行时间表全是空白，所以知识增量有限。82 分放在 featured 合理，再高就缺实锤了。
OpenAI 给 Codex 接入了 Build iOS Apps 插件，现在你可以在 Codex 的内置浏览器里直接跑 iOS 应用、打开 SwiftUI 预览，改完代码也能热重载，不用来回切换工具。正文没提这个插件是官方做的还是第三方贡献的，也没说支持哪些 iOS 版本或设备型号。
推荐理由：HKR 三项都过：钩子是 Codex 直接处理 iOS 应用测试，有 SwiftUI 预览和热重载这些具体细节。但这是一封公开信和政策呼吁，不是已生效的法律，正文也没给出法案文本和执行时间表，所以放在 featured 而不是更高。
Infracost 发布了 Cost.dev，一个本地命令行工具，可以嵌进 Claude Code、Cursor 这类编程助手的流程里。它的核心作用是：在你让 AI 写云资源代码（比如 Terraform）的时候，实时告诉你这套配置每个月要花多少钱，并给出省钱建议。他们拿裸用 Claude 做基准测试，结果显示这个工具能让模型输出的 token 量减少...
推荐理由：Infracost 发了个本地命令行工具 Cost.dev，专门给写代码的 Agent 做云成本估算，核心卖点是让模型输出更省 token、调用更省钱。他们给出的数字挺好看：Claude 输出 token 最多降 79%，API 成本最多降 67%。我会先打个折——这是厂商自己的数据，没有第三方验证，实际效果得看具体场景和 Agent 的实现方式。但思路本身是实用的，直接在本地跑，不依赖外部服务，对控制 Agent 的 API 支出和云资源浪费有直接帮助。正文没披露支持哪些云平台、和现有 CI/CD 流程怎么集成，这些信息缺口让实用性打了一点折扣。...
MiniMax 的新模型 M3 在第三方评测平台 Artificial Analysis 的开源榜单上排到了第一。文章说它支持一次性处理 100 万 token 的上下文，预训练用了百 T 级别的数据，并承诺在 10 天内开源模型权重和完整技术报告。不过，这篇微信文章本身因为环境验证问题无法看到正文，所以具体的评测细节、中文社区到底在吵什么、以及硅谷 ...
推荐理由：MiniMax M3在Artificial Analysis上冲到了开源模型第一，但中文社区对评测含金量吵得很凶。我会先打个折：权重和完整报告还没放出来，现在只能看官方给的数据。1M上下文和100T预训练规模听着挺猛，但正文没披露具体架构和训练成本，这点先别太激动。10天内开源这个承诺如果兑现，对开发者是实打实的利好；如果跳票，那现在的排名就先当个热闹看。
Together AI 和悉尼大学、UIUC 搞了个叫 OSCAR 的 2-bit KV Cache 压缩方案，每个 KV 元素实际只占约 2.28 bit，在 Qwen3-4B-Thinking 上跑分 71.86，比 TurboQuant 高出 40.1 分。简单说就是把模型推理时占显存的大头——键值缓存——压到极低精度，还尽量不丢性能。正文没披露...
推荐理由：HKR 三项都站得住：OSCAR 把 2-bit KV Cache 从纸面推到线上，还给了实打实的分数和对比。不过话题本身还是底层推理优化，放 featured 比放头条更合适，做推理基建的人会点进去看。