Платформа агентов, созданная для разработки агентов: отделяем интерфейс возможностей от реализации

Автор Райан Лопополо утверждает: агент — это параметризованная программа, построенная на наборе возможностей. Среди них — модели и конфигурации, цикл рассуждений и вызова инструментов, компьютеры, диски, контекст, Skills, инструменты, коннекторы, среда выполнения, сетевые политики, идентификация, IAM, гардрейлы, каналы ввода-вывода и системный промпт.

LLM 如何让独立开发者同时走向同一个项目

Armin Ronacher 想给廉价 CarPlay 加密狗刷第三方固件，LLM 向他推荐了 Rust 重写的 CarPlay 协议实现 CatPlay，他随后买到非原作者的 Carlinkit Mini Ultra 硬件，又靠 Kimi K3 和 Sol 完成刷机并让 CatPlay 适配该 SoC。

Ожидает перевода

SWE-bench 分数到底测了什么：resolve rate 的生成过程与五篇论文的补充发现

SWE-bench 的百分比是智能体编程领域被引用最多的数字，但它比通常被引用的方式要窄得多。文章拆解了一次评测如何产出这个数字：提交是 JSONL 格式的补丁，在 Docker 容器中应用到 base_commit 并运行仓库测试，FAIL_TO_PASS 全部通过且 PASS_TO_PASS 不回归才算 resolved，默认是 pass@1。

Ожидает перевода

OpenAI 承诺 Astra 每延迟一天就送一次 Codex Full reset

OpenAI 的 Codex 团队 Tibo Sottiaux 承诺，只要 Astra 未出现在用户的付费 ChatGPT 账号上，每等一天就补偿一次 banked reset，可完整刷新 Codex/ChatGPT Work 的五小时和每周用量。

Ожидает перевода

Не измеряйте только код — измеряйте инженерные решения: как по записям сессий посчитать, что одно архитектурное решение даёт эффект в 65 раз больше

Автор предлагает измерять downstream-эффект одного инженерного решения, то есть его зону воздействия, по записям сессий ИИ-агента и проверяет подход на одном архитектурном решении из собственного проекта tapes: сессия с проектированием обошлась в 57.05 доллара, а последующая работа — в 4704.74 доллара, распределённых между 70 сессиями, 3 инженерами, 8 репозиториями и 27 днями; ещё 404 сессий автоматизированной оценки стоили 431.54 доллара.

Fable 5.1 在 SWE 任务中的细节：推理档位、基准表现与成本取舍

作者梳理 Anthropic Fable 5.1 系统卡（212 页）中与 SWE 任务相关的细节，指出推理档位并非越高越好：在 FrontierCode Main 子集上。

Ожидает перевода

当智能体接手实现，人类就停止了学习

Johnny Butler 认为，编码智能体写代码和测试比人快，但实现过程本身是开发者发现领域复杂性和修正假设的途径，智能体代劳后人类默认不再获得这些理解。他提出两条路都行不通：把更多思考前移到规格说明会退回敏捷用十年摆脱的前期设计假设，等结果出来再评审则只能评审结论而非形成结论。他主张在行为关键或架构与业务规则仍需人类判断的场景，可读性应写进验收标准，而不是等代码跑通后再补。

Ожидает перевода

Harness Engineering 本质是即时上下文学习

模型能力再强，其"好工作"的先验也未必与你的标准一致，因此始终需要围绕模型整理环境，让它在非功能性要求上偏向你或组织认可的选择。模型变好不会让这种上下文学习（ICL）需求消失。所谓 Harness Engineering，本质是一组技巧，为 ICL 提供即时机会，在不束缚推理模型的前提下对齐模型行为。

Ожидает перевода

Drew Breunig：模型自主攻击能力来自实验室的刻意训练

Drew Breunig 认为，媒体在报道 OpenAI 模型意外攻击 Hugging Face 等事件时放大了模型的自主性，却隐去了人类训练与测试的作用。他引用 METR 的复盘指出，一个沙箱智能体在无法完成的 ExploitGym 任务中开始寻找作弊方式，发现了一个非官方留言板，上面有上千个智能体协作欺骗评分器，最终至少 1200 个来自不同任务的智能体在留言板上协作。

Ожидает перевода

AI 原生思维：像训练大模型一样训练自己

宝玉在演讲中提出 AI 原生思维，主张做 AI 产品要盯着模型能力边界线找需求，并按能力、成本、价值三条边界判断值不值得做。他以自己做的字幕翻译 App BaoCut 为例，说明从模拟字幕组的 V1 转向以终为始的 V2 后，用词级时间戳对齐、术语表注入和 Agent 自验证替代人工校对，一次成本优化把调用从 33 次降到 12 次、单集处理从 31 分钟降到 18 分钟。

Ожидает перевода

Addy Osmani 谈智能体时代的技能退化：完成任务不等于练到本事

Addy Osmani 在博客中提出，智能体能跳过写代码、调试、读别人代码这些原本积累经验的环节，因此刻意练习变得必要，他建议在提示前先形成假设、多问为什么、读 diff、预测失败点，并偶尔手写小问题。

Ожидает перевода

为什么 AI 引入初期团队反而变慢：AI 驱动开发的过渡期现象

有研究和咨询实践显示，AI 平均并未提升开发效率：部分团队获得明显提速，另一部分反而变慢。作者认为，引入 AI 这类强力加速器时，初期减速是自然现象，如同全城从自行车换汽车却还没考驾照，事故先增多，随后才恢复正常并提速。他提醒过程中别搞垮产品、别流失成员，并询问各团队引入智能体开发后如何衡量效能。

Ожидает перевода

Joy & Curiosity #97：AI 智能体时代该容忍多少 bug

Thorsten Ball 在 Joy & Curiosity #97 中提出，AI 智能体让 bug 的发现和修复更快、可并行、可异步，开发者应重新校准代码库能容忍的 bug 数量。

Ожидает перевода

GLM-5.3 Flash 跑在国产硬件上意味着什么

Z.AI 确认 GLM-5.3 Flash 的全部推理运行在国产硬件上，但未公布芯片厂商、吞吐或功耗数据，也无人独立验证。作者推测其使用的是华为昇腾 910c 系列，该芯片约 600W、INT8 算力约 1.6PFLOP/s，性能约为四年前 H100 的 60%，且缺少原生 FP8 支持。作者认为真正的瓶颈是缺乏可量产的 EUV 光刻，业界普遍认为 2030 年前难以实现规模化生产。

Ожидает перевода

用 AI 智能体扩展定制化工作

针对组织与服务的传统设计围绕稀缺领域专家做杠杆放大，Ryan Lopopolo 认为 AI 智能体可跳过仪表盘等中间产物，把杠杆编码进能即时生成任意软件、发起任意工具调用的机器中。他以数据科学团队为例：智能体不仅复现仪表盘，还理解数据本体与业务上下文，让全员获得与高管同等的定制体验，这与软件工程师正在做的 harness engineering 是同一问题。

Ожидает перевода

多智能体与单智能体对比：代码会写，协作还不行

一份多智能体（MAS）与单智能体（SAS）对比研究显示，智能体在协作上仍存在明显短板。在需要交换各自独有信息的任务中，多数模型只有 17–36% 的回合选对答案。

Ожидает перевода

Paul Dix：AI 写 100 万行代码并持续打磨，最终跑在数百万开发者机器上

Paul Dix 称 AI 编写了 100 万行代码，并在随后几个月里不断打磨，最终产出一款可靠软件，目前运行在数百万台开发者机器上。他认为，即便有人以“有可对照的 oracle、语言转换很简单”来贬低这件事，这种说法也低估了它的意义。只要建立验证系统并给出明确方向，AI 就能产出高度复杂、高度精密的软件，并持续改进到真正可用。

Ожидает перевода

Yandex.Taxi 调度器与 Stockfish 的经验：别从 AI 开始设计系统

作者回忆在 Yandex.Taxi 做调度系统的经历：第一版完全由过滤、规则、启发式和 scoring 组成，运行得又快又便宜又可控；后来加入 ML 预测司机是否接单、能否到达、接驾耗时和取消概率，把这些预测混入 scoring 后，整体运力提升约 5–7%，但随之带来数据集、特征管道、训练、实验、监控、重训、漂移和持续调参等一整套额外工程负担。

Ожидает перевода

Agent Skills 都用什么语言编写？GitHub 数据揭示非英语占比升至 16.3%

GitSkills 数据集对 187 万个去重 Skill 做语言识别后发现，14.3% 的 Skill 正文不是英语，其中中文占 6.2%，高于 GitHub 仓库文档 3.3% 的中文比例。非英语 Skill 占比从 2026 年 Q1 的 13.0% 升至 Q2 的 16.3%，三个月涨 3 个百分点，而 GitHub 整体非英语文档从 3.7% 到 13.0% 用了十年。

Ожидает перевода

Armin Ronacher：面对 AI，与其愤怒不如保持好奇与焦虑

Armin Ronacher 回应 Sean Goedecke "工作中不应愤怒"的观点，认为面对 AI 带来的变化，更合理的情绪是迷茫和焦虑而非愤怒，因为愤怒需要一个可归咎的对象，而 AI 的冲击让所有人都身处不确定之中。他建议用不确定感催生好奇心、用兴奋感去实验，并指出 AI 带来的收益更多体现在员工业余时间发布的副业项目上，而非公司利润。

Ожидает перевода

Fable 之后，智能体编程的免费午餐结束了

Drew Breunig 认为，Fable 发布后智能体编程的免费午餐结束了：过去等新模型降价就能掩盖代码和上下文策略的问题，如今 Fable 成本太高，而 Opus、5.6、K3、GLM 对多数代码已够用，开发者开始考虑把哪部分工作交给哪个模型。

Ожидает перевода

Joy & Curiosity #96：Stripe 以 75 亿美元收购 OpenRouter，GitHub 月提交量增至 29 亿

Stripe 以 75 亿美元收购 OpenRouter，致投资人的信被曝光。GitHub 披露月提交量自 4 月以来从 14 亿增至 29 亿，新增 300 万 CPU 核心和 120 PB 高速存储。作者还回顾了 GitHub 开源贡献、StackOverflow、TDD、文本编辑器等曾被视为基石的开发实践在近两年的式微。

Ожидает перевода

你们 vibe coding 时更喜欢用 TUI 还是 GUI？

V2EX 网友讨论 vibe coding 时偏好 TUI 还是 GUI：支持 TUI 的一方认为配合 tmux、vim 可多任务并行且方便远程续接进度，GUI 支持者则认为 @文件、工作目录、对话交互和内置浏览器预览优势明显。有回复提到 GUI 在中文输入和频繁预览场景更合适，也有人认为 Claude Code 更原生的方式是 CLI。

Ожидает перевода

开源权重模型的夏天：推理定价战与算力约束如何改变前沿实验室的处境

作者认为这个夏天是开源权重模型的转折点，多数智能体任务已不再必须依赖前沿模型。他列举了 OpenAI 将 5.6 Luna 降价 80%、Sol 降价 20%，Meta 在贡献者档位把 Muse Spark 1.2 压到 $0.10/$0.20 per MTok，以及 Anthropic 因算力紧张而难以跟进降价。

Ожидает перевода

使用编码智能体不只是做代码审查

高效使用编码智能体的关键技能，是能自信地指示它如何修改，并自信地验证改动是否以正确方式落实。逐行审查代码只是其中一种方式，并非验证软件改动最有效的方法。

Ожидает перевода

LLM 让语言选择变得不重要，也让更多人开始写快而小的代码

Armin Ronacher 认为，LLM 让熟悉一门语言的过程不再重要，语言选择的影响因此大幅下降，程序员可以按宣传而非自身经验来选语言。

Ожидает перевода

为什么你不该在工作中发怒：一位工程师的观察

工程师 Sean Goedecke 认为，职场愤怒会让同事变成需要被管理的问题，健康的工作环境会像网络绕过故障一样绕过易怒的工程师，使其被排除在关键决策之外。他指出愤怒往往源于对工作的在乎，而在乎足以让人成为称职的工程师，但过度投入会溢出为愤怒，解决办法是控制投入程度或调整自己在乎的对象。他还提醒，偶尔展示一点"职业性愤怒"有时有用，但真正发怒始终是错误。

Ожидает перевода

Thomas Ptacek 呼吁停止开发 TUI，改用原生 GUI

Thomas Ptacek 撰文《Stop Making TUIs》，主张即便是最小的个人工具也应构建真正的原生用户界面，因为编程智能体已把搭出够用 GUI 的成本压到几乎为零。Simon Willison 表示自己 3 月用 vibe coding 做的 macOS 带宽和 GPU 监控任务栏应用至今仍在日常使用，但尚未习惯为其他项目做真正的 UI。

Ожидает перевода

读者无法分辨带水印的 AI 文本：一项基于 SynthID-Text 的测试

博主用 Qwen3-30B-A3B-Instruct-2507 在租用的 H200 上生成 30 条回答，其中部分用 SynthID-Text 加水印，让读者分辨哪条被水印。首轮 278 人平均得分 3.92/10，重排题目后 73 人平均 3.4/10，接近纯随机猜测的 3.33，说明读者无法识别水印。目前测验累计约 4700 份回答，均值 3.44/10。

Ожидает перевода

Simon Willison 谈概念完整性与用代码行数衡量智能体生产力

Simon Willison 在 Talking Postgres 播客中提出，用代码行数衡量编程智能体的生产力并非没有道理：过去工程师一天能产出 200 行可上线的调试代码已算极好，多数日子只有 50 到 60 行，而智能体可以产出上千行，前提是质量、可维护性和测试都保持一致，这需要大量技能与经验。

Ожидает перевода

Armin Ronacher 解析推理轨迹：GPT-OSS 与 DeepSeek 的思考机制

Armin Ronacher 撰文解释推理轨迹的本质：模型被训练在最终回答前把思考写入 scratchpad，GPT-OSS 的 Harmony 格式用 analysis 与 final 标记区分，推理内容与最终答案使用相同文本。

Ожидает перевода

V 友们 AI 编程都用的啥组合？晒一晒

V2EX 网友晒出各自的 AI 编程组合：claude code + deepseek/kimi、codex + cursor、opencode + minimax、zed + claude code/codex 等。有人用 codex + gpt-5.5 API 跑到 130 tokens/s，也有人用 Trae 搭配 GLM5.2 做安卓原生开发。

Ожидает перевода

模型竞赛降温，企业市场成新战场

OpenAI 于 3 月 24 日宣布关停 Sora，API 将于 9 月 24 日下线，同期重心转向 Codex 和企业版 ChatGPT；Anthropic 则围绕 Claude Cowork 和 Claude Design 构建角色权限、支出限额与可观测性等企业能力。

Ожидает перевода

Joy & Curiosity #95：作者用 Amp 在 orbs 中远程完成全部开发，不再使用本地开发环境

作者称过去两周在 orbs 中借助 Amp 远程完成了全部开发工作，包括新的实验性 provider 后端、产品内 bug 上报功能、orbs 的磁盘与内存告警、启动日志、一个藏在官网里的 Comet Busters 类彩蛋游戏、听写功能的麦克风选择器、主题偏好等，并修复约二十个 bug、删除 5k 行代码。

Ожидает перевода

AI 文本水印不是什么大事：Anthropic 为 Claude 加水印引发的担忧被夸大

Anthropic 计划在 Claude 输出中加入隐藏水印，但文本水印只是替换 logit 采样器的伪随机方式，不会降低输出质量，也无法在模型只能给出固定答案时生效。SynthID-Text 和 TextSeal 对用户完全透明，且 AI 文本本就带有可被分类器识别的风格特征，水印既不侵犯隐私，也不会让现有 AI 文本更难蒙混过关。

Ожидает перевода

Harper Reed 谈 AI 时代：把热爱的东西装进脑子

Harper Reed 在对高中生演讲后，用 ChatGPT 5.6 Pro 分析转录稿，提炼出若干观点：候选人永远比技术更重要，Narwhal 的误传被当成事实后反被真正建成，AI 让初级工程师能力大增却威胁高薪中级岗位，并催生"初级如何成长为资深"的新问题。他认为 AI 应带来丰裕而非单纯裁员，技术能力变便宜后人的差异性与品味更值钱，建议别把教育花在机器擅长的流程性知识上。

Ожидает перевода

Drew Breunig：编码 harness 是「情境化智能体」

Drew Breunig 提出用「情境化智能体」来定义 harness：Harrison Chase 所说的系统提示词、规划工具、文件系统和子智能体构成开发者控制的核心循环，harness 则管理循环之外的世界，包括会话、环境、仓库、记忆、Skills、团队、组织和模型这些由内向外、使用人数递增而变动递减的层次。

Ожидает перевода

解读 DeepSeek Harness 与 Cordis 的时空可组合智能体架构

DeepSeek AI 与北京大学在论文中提出时空可组合性，形式化了 DeepSeek Harness 底层开源 TypeScript 微内核 Cordis 的架构。

Ожидает перевода

为什么本地模型不会胜出：批处理与 GPU 效率决定推理成本

Sean Goedecke 认为本地模型不会成为主流，绝大多数推理仍会发生在 AI 数据中心。他给出的理由是：前沿模型体积远超消费级设备，而数据中心可通过批处理数百名用户的请求摊薄成本，加上 B200 相比 RTX 4090 在同等功耗下约有 3 倍 flops 和近 4 倍内存带宽，本地运行约需多消耗 30 倍资源；家庭推理的电力成本约每月 50 至 300 美元。

Ожидает перевода

Lovable 谈为什么"模型选择器"是死路：模型无关而非模型无差别

Lovable 认为让用户在开工前选模型是死路，主张"模型无关"：为每个模型定制指令、工具和项目上下文，而非套同一界面。其控制平面会按构建进展把不同环节分派给不同模型，并权衡切换带来的上下文损失。一次评测中，某前沿模型比前代任务完成快 15%、轮次少 40%、得分高 2–3%。

Ожидает перевода