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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
Trail of Bits 在审计 Miden zkVM 之前，花了六个月让 AI agent 从零搭建了一套工具链，包括一个 LSP 服务器（让代码能跳转、看文档）、一个反编译器、一个静态分析引擎，以及一套 Lean 形式化模型。这些工具发现了真实漏洞，比如一个未校验的输入能让恶意证明者伪造 Falcon 签名、偷走账户资金。Lean 那边产出了 9...
推荐理由：Trail of Bits 花了六个月让 AI agent 从零搭了一套审计工具链，还挖出了能偷钱的真实漏洞，这是 AI 辅助安全审计里少见的硬核案例。三条 HKR 都踩中了，但安全垂直领域太专，普通读者门槛偏高，扣 3 分。