11:24AI Will@FinanceYF5MIT 一项新研究发现,自主 AI 编程代理虽然将代码提交量提升了 180%,但实际软件发布量仅增长了 30%。研究指出,软件生产存在薄弱环节——当人类仍需审查、连接、测试、打包和交付时,更快的代码编写帮助有限。这揭示了 AI 在软件开发中的真实效率瓶颈,提醒团队不要被代码量增长迷惑。行业AI编程效率瓶颈软件开发MIT研究代码量推荐理由:做软件开发的团队别被代码量增长骗了——MIT 这篇研究戳穿了 AI 编程的产出幻觉,建议所有用 AI 写代码的团队点开看看,避免把效率浪费在无效代码上。原文
07:14rohanpaul_ai@rohanpaul_ai76°MIT 一项新研究发现,AI 编码工具虽大幅提升代码提交量,但实际软件发布量增长有限。自主 AI 编码代理使提交量增加 180%,但发布量仅增 30%。研究指出,软件生产存在薄弱环节,人类仍需负责审查、连接、测试、打包和交付工作。市场数据显示,新应用数量增加,但总使用量未提升,表明用户并未更多采纳新软件。研究估计 AI 与人类工作的替代弹性仅为 0.25,即 AI 效能大幅提升时,仅能替代少量人类工作。论文AI 编码生产力研究MIT软件开发自动化推荐理由:做软件开发或管理团队的读者会看到 AI 编码的真实瓶颈——写代码快不等于交付快,建议点开看看如何优化流程而非只堆工具。原文
17:57Decoder@Matthias Bastian精选著名程序员 George Hotz 在测试 AI 编程智能体六个月后发出警告,认为它们将成为软件开发行业最昂贵的错误之一。他指出,LLM 能快速生成原型,但在细节上漏洞百出,产生的错误越来越难以发现。这一观点反映了 AI 社区在 LLM 角色问题上存在的深刻分歧。Hotz 的批评提醒开发者,在依赖 AI 编程工具时需谨慎评估其长期影响。行业AI 编程智能体LLM软件开发George Hotz推荐理由:Hotz 的警告戳中了 AI 编程工具的痛点——快速原型掩盖了难以调试的细节错误,做软件开发的团队在引入 AI 智能体前值得认真读一读。原文
13:46Greg Brockman@gdb72°Peter Steinberger 在 X 上分享了他如何在 OpenClaw 项目中大规模使用 AI 自动化。他每天在云端运行约 100 个 Codex 实例,覆盖代码审查、安全扫描、问题去重、自动修复、性能基准测试、会议监听等场景。这种模式让团队能以极精简的人力高效运作,展示了未来软件开发的趋势——当 token 成本不再成为瓶颈时,AI 可以深度嵌入开发流程的每个环节。AI产品CodexAI 自动化软件开发开源项目安全审查5 个信源在谈推荐理由:这展示了 AI 在软件开发中的极致自动化实践,做开源项目或小团队开发的可以直接参考——100 个 Codex 实例帮你搞定 PR 审查、安全扫描、问题自动修复,省下大量人力。原文