编程智能体相关 AI 资讯

8月9日

07:30

官方账号Simon Willison@simonw

精选

Simon Willison在8月8日的博客文章中讨论auto-mode。他坦言希望auto-mode能解决编码代理的提示注入风险，但认为目前还做不到。文章分析了auto-mode在对抗提示注入上的表现，并指出提示注入仍是编程智能体面临的主要威胁。

AI产品 auto-mode 提示注入编程智能体

推荐理由：Simon Willison写了篇auto-mode笔记，聊它能不能防编码代理的提示注入。他挺想相信，但觉得还不行，你看看他怎么分析的。

原文

7月23日

01:39

官方账号LangChain@LangChainAI

精选

LangChain 推出了 Eval Engineering Skill，这是一个专门帮助编程智能体（coding agents）基于仓库上下文和 agent traces 构建评估的新技能。该技能允许开发者通过自然语言描述自动生成评估用例，覆盖代码正确性、工具调用等多个维度。根据官方演示，它能够减少手动编写评估的工作量，并提升评估与项目上下文的一致性。目前该技能已在 LangChain 平台上可用。

AI产品 LangChain Eval Engineering Skill 编程智能体

推荐理由：如果你想给自己的编程智能体加上自动评估能力，LangChain 这个新技能能直接复用仓库上下文和轨迹，挺省事的。

原文

7月22日

12:57

官方账号arXiv cs.AI@Qijia He, Jiayi Cheng, Chenqian Le, Rui Wang, Xunmei Liu, Yixian Chen, Jie Mei, Zhihao Wang, Xupeng Chen, Yuhuan Chen, Tao Wang

该论文提出CodeRescue框架，用于编程智能体失败后的恢复路由决策。通过监督路由器从执行轨迹中学习，选择廉价恢复或升级到更强模型。添加Conformal Risk Control（CRC）层，无需重新训练即可适应不同预算，提供边际期望成本控制。在五个编程基准的失败案例上，校准前沿优于固定动作、仅提示路由器和二元级联基线。在GPT-5.4-nano/GPT-5.4设置下，一个CRC校准前沿点比始终升级的解决率更高，且平均恢复成本仅为其35%。

论文 CodeRescue GPT-5.4 编程智能体

推荐理由：编程智能体失败后，是再用便宜模型试试还是直接上贵的？这篇论文搞了个路由器和校准方法，在GPT-5.4-nano上省了65%的钱还保证解决率不降。

原文

7月21日

04:39

Amjad Masad@amasad

Replit 的编程智能体（coding agent）首次通过 OpenSCAD 完成 CAD 设计，制造出实体光剑支架。推文作者 Darsh 展示了完整流程：智能体生成 CAD 文件后 3D 打印得到实物。这被称作首个由编程智能体自主设计并生产的物理产品。推文获得 58 个点赞和 4 次转发。

AI产品 Replit OpenSCAD 编程智能体

推荐理由：Replit 的智能体居然能直接搞 CAD 建模还造出了实物，以后 AI 不光写代码，还能造东西了。

原文

7月4日

22:17

elvis@omarsar0

Elvis @omarsar0 在推文中分享了如何为编程智能体实现多模态提示，包含视频演示。他认为多模态提示正在改变人与智能体的交互方式。内容聚焦于具体实现方法，而非产品发布。

技巧多模态提示编程智能体视频演示

推荐理由：看看他怎么给编程智能体加多模态提示，有视频演示，很实用。

原文

7月2日

11:02

官方账号arXiv cs.AI@Zhi Chen, Zhensu Sun, Yuling Shi, David Lo, Lingxiao Jiang

该研究审查了GSO、SWE-Perf和SWE-fficiency三个代码优化基准，发现740个任务中参考补丁在不同Google Cloud机器上重复满足有效性规则的比例分别仅为39/102、11/140和411/498。SWE-Perf尤其脆弱，许多参考补丁产生接近零的运行时间变化。在8个公开提交中，9/28对提交的官方排名不一致，SWE-fficiency的评分规则将最差10个任务的权重提高到58.5%-82.8%。在450个可重复任务中，85.3%的任务至少有1个公开提交匹配或超越参考补丁，99.8%的任务优于未优化基线。该研究揭示了聚合排名掩盖的剩余性能差距。

论文 GSO SWE-Perf SWE-fficiency

推荐理由：这篇论文告诉你那些牛逼的编程智能体排行榜可能不靠谱——参考补丁在不同机器上结果都不一样，排名还受评分规则摆布。做相关研究的人必读。

原文

6月30日

21:30

21:30IT之家（博客/媒体）

OpenAI修复了旗下编程智能体Codex的额度消耗异常故障，原因是后台运算量超出预设导致多扣算力。上周末多名用户反馈额度消耗加快，有用户称200美元套餐原本一周用量在两天内耗尽。修复后OpenAI重置了所有用户额度，并新增更细化的监控机制。同时Anthropic等公司也在调整额度上限，行业趋向收紧不限量使用模式。

AI产品 OpenAI Codex 编程智能体

事件专题

推荐理由：OpenAI修好了Codex额度bug，还全量重置了额度，之前被多扣的朋友可以放心用了。

原文

6月16日

20:25

shao__meng@shao__meng

精选72°

LandingAI 将 Agentic Document Extraction 升级为两个 Agent Skills：document-extraction 提供 Markdown 结构化、JSON Schema 字段抽取、按文档类型拆分、按页分类等原子操作，document-workflows 则支持并行批处理、混合文档流水线、RAG 准备及 Snowflake 导出等功能。这些技能可被 Claude Code、Codex、Cursor 等编程智能体在对话中直接调用，无需手写脚本。其中大文件处理能力达约 1GB / 6000 页，并支持元素级坐标与置信度。

AI产品 LandingAI Agent Skills 文档处理

事件专题

推荐理由：LandingAI 搞了两个 Agent Skills，装上后让 Claude Code 这类编程智能体直接对话里就能搭文档处理流水线，省掉你手写 API 脚本的功夫。

原文

6月12日

21:56

官方账号vLLM@vllm_project

Kimi 发布 K2.7-Code，一个专注于编程的智能体模型，基于 K2.6 构建。该模型采用 1T 参数的混合专家架构，每次推理仅激活 32B 参数，配备 MLA 注意力机制和 256K 上下文窗口。相比 K2.6，K2.7-Code 的思考 token 减少了约 30%，推理更高效。该模型已获 vLLM 支持，可直接复用 K2.6 的部署配置，降低了迁移成本。

AI模型编程智能体 MoE/混合专家 Kimi

推荐理由：编程智能体模型终于有了更高效的选择——K2.7-Code 在保持 1T 参数规模的同时，将激活参数压缩到 32B，做代码生成和推理的开发者可以直接在 vLLM 上复用现有部署，值得一试。

原文

15:09

官方账号Artificial Analysis@ArtificialAnlys

73°

Artificial Analysis 更新了其编程智能体指数，用 Datacurve 的 DeepSWE 基准测试取代了 SWE-Bench Pro。DeepSWE 从零编写任务，避免模型从公开 GitHub 问题或 PR 中记忆答案，解决了原基准可被游戏化的问题。更新后，Codex with GPT-5.5 (xhigh) 得分从 65 升至 76，超越 Claude Code with Opus 4.8 (max) 的 73 分；新发布的 Claude Fable 5 (max) 在 Claude Code 中以 77 分位居榜首。这一变化揭示了原基准对某些模型组合的偏差。

AI产品编程智能体基准测试 Claude Fable 5

事件专题

推荐理由：基准测试更新直接影响了主流编程智能体的排名，做 AI 编程工具选型或评估模型能力的开发者值得关注——Claude Fable 5 新登顶，Codex 也大幅提升，建议点开看具体得分和对比。

原文

6月11日

18:02

官方账号Simon Willison@simonw

Simon Willison回顾了三年前ChatGPT Code Interpreter刚推出时的Twitter讨论，认为这是编程智能体的首次亮相。当时人们还未意识到这是智能体的雏形，但如今回看，它预示了AI编程的重大变革。Willison提醒程序员不应忽视这一技术，尽管存在过度炒作，但它是职业发展中不可回避的趋势。

AI产品 ChatGPT Code Interpreter 编程智能体

推荐理由：程序员若还在怀疑AI编程的价值，这条回顾会颠覆你的认知——三年前的Code Interpreter已埋下智能体种子，现在不关注可能错过职业转型窗口。

原文

11:56

官方账号arXiv cs.LG@Mengyu Zheng, Kai Han, Boxun Li, Haiyang Xu, Yuchuan Tian, Wei He, Hang Zhou, Jianyuan Guo, Hailin Hu, Lin Ma, Chao Xu, Guohao Dai, Lixue Xia, Yunchao Wei, Yunhe Wang, Yu Wang

精选

通用智能体（如OpenClaw）在编程任务上的表现难以用现有SWE-bench准确衡量，因为其不满足Docker工作区、补丁和预测合约要求。为此，研究者推出了Claw-SWE-Bench，一个多语言基准测试和适配器协议，能在固定提示、预算、工作区等公平条件下比较不同智能体框架。该基准包含350个GitHub问题实例，覆盖8种语言和43个仓库，并提供了80实例的轻量版Lite用于快速验证。实验显示，OpenClaw在直接适配器下仅得19.1% Pass@1，而完整适配器可达73.4%，表明适配器设计对编程任务至关重要。该基准将框架和成本作为评估核心维度，数据已开源。

论文基准测试编程智能体 OpenClaw

事件专题

推荐理由：做智能体编程评估的团队终于有了公平比较的基准——Claw-SWE-Bench解决了不同框架无法直接对比的痛点，建议做Agent评估的开发者直接用它来测试自己的适配器设计。

原文

6月10日

23:46

elvis@omarsar0

Elvis 在推文中警告，未来几周将发布超级强大的 AI 模型，可能带来能力阶跃变化。他建议不要锁定单一供应商，而应从工程角度考虑如何组合使用多种模型（包括开源模型），以便随时切换并利用各自优势。对于编程智能体，开源模型已与前沿模型相当。他推荐将 AI 模型路由作为工程重点，以高效分配任务。

行业 AI模型模型路由开源模型

推荐理由：Elvis 点出了 AI 模型即将爆发的关键节点，做 AI 工程和智能体开发的团队应该立刻开始规划模型路由策略，避免被单一供应商绑定。

原文

13:02

官方账号arXiv cs.AI@Aman Sharma, Sushrut Thorat, Paras Chopra

精选72°

一项新研究评估了六个当代编程智能体在四种冷门编程语言（如 Brainfuck 和 Befunge-98）上的表现，发现最强智能体（Claude Opus 4.6 和 GPT-5.4 xhigh）会采用元编程策略——先写 Python 程序生成目标语言代码并本地调试，而非直接写目标语言。禁止这种策略会导致性能大幅下降。研究还发现，从强模型提炼的文本指导对弱模型帮助有限，但提供 Python 辅助代码能显著提升 Sonnet 4.6 和 GPT-5.4 mini 的表现。这表明强智能体通过工具、反馈和工作区状态构建目标语言的工作模型来适应陌生环境，元编程只是最明显的例子。

论文编程智能体元编程 Claude Opus 4.6

推荐理由：做 AI 编程智能体或评估基准的团队，这篇论文揭示了主流基准（如 SWE-Bench）掩盖的能力差距——强智能体在陌生语言上的元编程策略值得借鉴，建议点开看具体实现方法。

原文

6月8日

09:44

官方账号Greg Brockman@gdb

Ben Holmes 在 X 上发起调查，询问开发者当前如何使用编程智能体。该推文获得 19 条回复、2 次转发、115 个赞和 17431 次查看，引发社区讨论。这反映了开发者对 AI 编程工具实际应用模式的关注。

行业编程智能体开发者社区 AI 编程

事件专题

推荐理由：了解同行如何用编程智能体，能帮你找到更高效的开发方式，做 AI 编程的开发者值得关注讨论。

原文

08:42

elvis@omarsar0

AI专家警告，未来几周将有超级强大的AI模型发布，模型能力可能迎来阶跃式变化。最大的错误是锁定单一供应商，应从成本和工程角度考虑组合使用多种模型（包括开源模型）。对于编程智能体，开源模型已与前沿模型相当。建议提前规划任务路由策略，AI模型路由是高回报的工程方向。

行业 AI模型模型路由开源模型

推荐理由：AI能力即将跃升，锁定单一供应商是最大风险——做AI工程和智能体开发的团队，现在就该规划模型路由策略，建议点开看看具体怎么准备。

原文

6月4日

21:28

Julien Chaumond@julien_c

Julien C 发布新项目 SynthTraces，这是一个最小化代码库，用于生成合成编程智能体会话轨迹。它让一个开放模型（通过 Hugging Face Inference Providers 服务）扮演编程智能体，另一个小模型（llama.cpp）扮演人类用户，在真实开源代码库（HuggingFace OSS 项目）上进行交互。最终生成了超过 2000 条 Pi 会话轨迹，可用于训练或微调 LLM，并针对 Pi 进行优化。所有数据已发布在 Hugging Face 上。

AI产品编程智能体合成数据 Pi

推荐理由：做智能体训练或微调的开发者终于有了大规模合成轨迹数据源——SynthTraces 用双模型对话自动生成 2000+ 条真实代码库交互轨迹，比手动标注高效太多，做 LLM 对齐或 Pi 优化的团队可以直接用。

原文

6月3日

00:43

Guillermo Rauch@rauchg

Vercel 的 Conductor 是一款专为编程智能体设计的 IDE（或称 ADE），它让并行编码智能体从本地运行扩展到 Vercel 的远程沙箱。对于大型敏感组织而言，“本地”开发并不现实，而 Conductor 通过 Vercel 的快速沙箱实现了远程开发的无缝体验，用户几乎感觉不到差异。这标志着远程开发即将成为主流，尤其适合需要安全、可扩展开发环境的企业团队。

AI产品编程智能体远程开发 Vercel

推荐理由：Conductor 解决了大型组织无法本地开发的痛点，做企业级开发或安全敏感项目的团队可以直接用 Vercel 沙箱体验远程智能体编程，建议点开看看。

原文

6月1日

04:14

官方账号Simon Willison@simonw

精选

Simon Willison 在推文中指出，当使用编程智能体（coding agents）工作时，对话记录（transcript）成为最重要的工件之一。他认为记录这些对话对于追踪决策过程，其重要性甚至超过维护良好的提交信息和 issue。这一观点强调了在 AI 辅助编程时代，对话记录作为知识管理工具的价值。对于使用 AI 编程助手的开发者来说，这提供了一个新的工作流优化方向。

技巧编程智能体工作流优化知识管理

推荐理由：Simon Willison 点出了 AI 编程时代被忽视的关键——对话记录比 Git 提交更有价值，做 AI 辅助开发的团队建议立即调整工作流。

原文

5月30日

05:27

官方一手marktechpost@Asif Razzaq

StepFun 发布了 Step 3.7 Flash，一个 198B 参数的 MoE（混合专家）视觉语言模型，原生支持视觉理解、256k 上下文窗口和 Advisor Mode（顾问模式）。该模型针对编程智能体和搜索工作流进行了优化，能够在复杂任务中提供高效推理和代码生成能力。Step 3.7 Flash 的发布标志着多模态大模型在专业领域应用的重要进展，尤其适合需要长上下文理解和视觉-语言联合推理的场景。

AI模型 Step 3.7 Flash MoE 视觉语言模型

推荐理由：做 AI 编程智能体或搜索应用的团队可以直接用上 256k 上下文和视觉能力，Step 3.7 Flash 的 Advisor Mode 能显著提升复杂任务处理效率，值得关注。

原文

5月29日

10:13

elvis@omarsar0

精选

开发者omar指出，其实现深受RLM（推理语言模型）论文启发。Claude Code中的Opus 4.8模型结合动态工作流，被认为是首个经过严格训练成为RLM的前沿模型。动态工作流能显著提升编程智能体的灵活性和效率，有望在一年内成为几乎所有编程智能体交互的标准方式。该趋势将深刻影响AI编程工具的发展方向。

AI产品 RLM/推理语言模型 Claude Code 动态工作流

推荐理由：RLM论文正在重塑编程智能体的工作方式，做AI编程工具或智能体开发的团队值得关注这一趋势，Claude Code的实践已证明其可行性。

原文

5月28日

10:30

Martin Fowler@martinfowler

精选

Birgitta Böckeler 在关于编程智能体传感器的系列文章中，重点探讨了测试套件作为回归传感器的作用，并深入分析了变异测试在此场景中的价值。文章指出，变异测试能更精准地检测代码变更是否破坏了原有功能，从而提升智能体编程的可靠性。这对于依赖自动化测试的 AI 编程工具和开发者具有重要参考意义。

论文编程智能体变异测试回归测试

推荐理由：做 AI 编程工具或智能体开发的团队，这篇文章帮你理解如何用变异测试提升代码质量，值得一读。

原文

5月22日

19:05

岚叔@lufzzliz

83°

阿里通义千问发布 Qwen3.7-Max，在第三方 Arena 全球大模型盲测总榜中超越 Kimi-K2.6、DeepSeek-v4-pro、GLM-5.1，位列国产第一，与 GPT、Claude、Gemini 最强模型接近。在编程智能体方面，SWE-Pro、SWE-Multilingual 等测评领先，Terminal Bench 2.0 得分 69.7。通用智能体能力显著提升，在 MCP-Atlas、MCP-Mark 等现实测试中创国产新高。新增 preserve_thinking 参数，保留前序思维内容以增强 Agent 决策一致性，减少重复推理 Token 消耗，默认关闭。实测在 Claude Code 下跨框架泛化能力不错，但需要更精准的提示词和多轮迭代。

AI模型 Qwen3.7-Max 国产模型编程智能体

事件专题

推荐理由：Qwen3.7-Max 在多项基准上追平国际顶尖模型，做 Agent 和编程自动化的开发者可以直接拿来替代闭源方案，尤其是 preserve_thinking 参数对长周期任务很有用，值得一试。

原文

06:20

官方账号阿里通义 Qwen@Alibaba_Qwen

76°

阿里通义千问团队发布了 Qwen3.7-Max 模型，在编程智能体基准测试中表现强劲，同时在通用智能体能力上也有大幅提升。该模型在最具挑战性的推理基准测试中展现出卓越实力，并在通用能力和多语言处理方面脱颖而出。这标志着国产大模型在智能体领域的重要进展。

AI模型 Qwen3.7-Max 编程智能体推理模型

推荐理由：Qwen3.7-Max 在编程和通用智能体任务上的大幅提升，对做 AI 编程工具和智能体应用的开发者是直接利好，建议关注其实际效果。

原文

5月21日

10:14

官方一手Pandaily@contact@pandaily.com (Pandaily)

83°

据知情人士透露，中国 AI 实验室 DeepSeek 正在组建一个名为 Harness 的新团队，专注于开发编程智能体产品，直接与 Anthropic 的 Claude Code 竞争。该团队目前在北京开放招聘岗位。此举表明 DeepSeek 正加速布局 AI 编程工具领域，意图在开发者市场中占据一席之地。Claude Code 是 Anthropic 推出的 AI 编程助手，能够理解代码库并自动生成代码，而 DeepSeek 的 Harness 团队将开发类似产品。

AI产品编程智能体 DeepSeek Claude Code

事件专题

推荐理由：DeepSeek 正式入局 AI 编程智能体赛道，做开发工具或使用 Claude Code 的团队值得关注——这可能会带来新的选择或竞争格局变化。

原文

5月19日

00:12

官方账号François Chollet@fchollet

精选

Google AI 研究员 François Chollet 提出一个关于编程智能体的心智模型：它们就像在迷宫中乱撞的盲松鼠，需要你精心放置“墙壁”（可验证的约束）来引导它们到达目标区域。这个比喻强调了在 AI 编程中，开发者应专注于设置清晰的约束条件而非直接指导每一步，从而让智能体自主探索并找到解决方案。Chollet 的观点对理解当前 AI 编程工具（如 Copilot、Claude Code）的局限性和正确使用方式具有启发意义。

技巧编程智能体心智模型约束引导

推荐理由：Chollet 用一个生动的比喻点破了编程智能体的本质——不是万能助手，而是需要你设计约束的探索者。做 AI 编程的开发者看完会重新思考如何更有效地使用这些工具，建议点开。

原文

5月15日

10:35

10:35IT之家（博客/媒体）

xAI 于 5 月 14 日发布了 Grok Build 的早期测试版，这是一个专为软件工程和复杂编程设计的编程智能体。该工具目前仅限 SuperGrok 订阅用户使用，可直接在终端内运行。Grok Build 提供“规划模式”，允许用户审核、修改或重写执行计划，所有改动以 Diff 形式展示。它还支持 AGENTS.md 文件、插件、hooks、skills 及 MCP 服务，兼容无头模式，并具备完整的 ACP 支持，方便构建机器人和智能体编排应用。

AI产品编程智能体 Grok Build xAI

推荐理由：Grok Build 的规划模式和 Diff 展示解决了复杂编程任务中计划审核与修改的痛点，做自动化脚本和智能体编排的开发者可以直接在终端里试。

原文

5月13日

18:51

官方账号百度 AI Baidu@Baidu_Inc

AI产品编程智能体百度秒哒

推荐理由：百度秒哒用自身证明了AI编程的可行性——90%代码自生成，服务千万用户，做应用开发的团队值得关注这个新工具。

原文