GitHub 与 Microsoft 开放 ReviewBench 评测 AI 代码评审

GitHub 和 Microsoft 于 2026 年 10 月 5 日开放研究预览版 ReviewBench，用于评测 AI 代码评审智能体。该基准包含来自 187 个公开仓库、19 种语言的 219 个 pull request，语言和仓库规模分布基于对 GitHub 上 1.039 亿个 pull request 的分析，并刻意提高了实质性改动的占比。

对 78 个注册表 MCP 服务器的匿名健康探测：51.3% 能走通完整调用

Pennyforge 对某公开 MCP 注册表 a–b 切片中 186 个端点里能响应 initialize 的 78 个服务器做了匿名健康探测，只有 40 个（51.3%）能走通 initialize→tools/list→一次安全 tools/call 的完整流程。

GitHub 发布 AI 代码评审开放基准 ReviewBench

GitHub 发布代码评审离线基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集，并公开数据集、评分规则与 LLM 评审模型配置。

微软 Agensh 用 1024 个 Agent 无编排器协作重建 pandoc

微软论文《Agensh》提出去掉中心编排器的多智能体方案，1024 个 agent 靠五步协作循环和三件开源基础设施自组织分工，6 小时断网从零重建 pandoc，测试通过率从单 agent 的 33.89% 提升到 55.06%。

微软与 UCSB 提出 ScholarEvolve：用论文进化 Agent Harness

微软与加州大学圣巴巴拉分校研究者公开论文 ScholarEvolve，从已发表的 Agent 研究中寻找改进思路，写进 Harness 后用真实任务检验，执行任务的模型保持不变。

统计 557 个 Cursor 规则文件：项目如何写 .mdc 规则

作者统计了公开 GitHub 仓库中 557 个 Cursor 规则文件，其中 510 个是 .cursor/rules 下的 .mdc 文件，47 个是旧的 .cursorrules 文件。

V-Rubrics 用 35 万条细粒度准则细化多模态强化学习奖励

南洋理工大学 S-Lab、A*STAR 和 UIUC 团队提出 V-Rubrics，将 50,248 个视觉样本拆成 352,938 条可逐项检查的准则，让视觉事实、推理步骤和任务要求分别参与奖励计算。

宝玉@doteyAI 评分6262

剑桥大学 AI 科学与政策项目（CASP）9 月发布一篇论文，Hinton、Bengio 等 20 多位研究者联名讨论 AI 研发被自动化后是否会引发智能爆炸，Hinton 在 X 上推荐了该论文。

编码智能体 harness 设计的实证研究：规划、动作空间与上下文管理如何影响表现

一项实证研究用固定执行循环的轻量编码 harness，在 SWE-Bench Verified 和 Terminal-Bench 2.1 上对四个模型评测 176 组匹配设置，变量为规划、动作空间和上下文管理。

Stolen Thoughts 研究：加密 reasoning block 可被跨模型解密，泄露 API key 与密码

Stolen Thoughts 研究发现 OpenAI、Anthropic 和 Google 的 reasoning API 存在漏洞：加密 reasoning block 未与具体模型、会话和用户充分绑定，把强模型的加密 reasoning 传给同厂商弱模型并越狱后，弱模型会以明文输出强模型的推理内容。

SWE-agent 的 ACI 论文与仓库：从十五个工具包到 100 行的 mini-swe-agent

SWE-agent 论文（arXiv:2405.15793）提出 agent-computer interface（ACI），主张为语言模型智能体设计专用接口，在 SWE-bench 和 HumanEvalFix 上分别取得 12.5% 和 87.7% 的 pass@1。

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。

实测对比 grep 与 LSP：编码智能体为何弃用更精确的检索工具

作者用三款 Claude 模型在多个 Python 和 TypeScript 仓库上对比 grep 词法检索与 LSP 语义导航，发现简单代码定位任务中模型只有 0% 到 6% 会选择语义工具，强制走语义路径反而让成功率从 100% 降到 89%。

实测 1.7 万次运行：Claude Code、Codex 和 Cursor 分别选哪些工具

一项实验在 75 个仓库、1163 个提示变体上运行了 16893 次会话，让 Claude Code、Codex 和 Cursor 实际安装所选工具，最终保留 5292 次有效会话。

WikiSkill：将 Agent 经验编译为持久知识以演化 Skill

WikiSkill 是一个让 Agent Skill 与持久知识库（wiki）协同演化的框架，它把原始执行经验、累积知识和可执行 Skill 分离，并持续将经验沉淀进 wiki 供后续 Skill 更新使用。

ETH Zurich 测试发现 AGENTS.md 对编码智能体基本没用，还让推理成本涨两成

ETH Zurich 团队用带与不带 AGENTS.md 的测试项目跑编码智能体，发现提供上下文文件通常不提升任务成功率，推理成本平均增加超过 20%，该结论在不同 LLM、编码智能体和 LLM 生成与开发者提交的上下文文件上都成立。

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。

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。

Google 白皮书翻译：从随意提示词到智能体工程的新 SDLC

作者翻译了 Google 与 Kaggle 免费课程 5-Day AI Agents: Intensive Vibe Coding Course 五份白皮书中的第一份，主题是从随意提示词转向智能体工程的新 SDLC。

专家感知量化：在接近 Q2 的体积下拿到接近 Q4 的质量

作者 Martin Alderson 提出专家感知量化思路：先剖析 MoE 模型在特定任务上的专家路由热度，再把冷专家压到低精度、热专家保持高精度。

论文评估 AGENTS.md 是否真的帮到编程智能体

一篇论文评估仓库级上下文文件（如 AGENTS.md、CLAUDE.md）对编程智能体的作用，在 SWE-bench Lite 和自建基准 AGENTBENCH（12 个仓库的 138 个 Python 任务）上对比无上下文文件、LLM 生成和开发者手写三种条件。

Augment Code 调研 219 位工程负责人：AI 原生开发中的信任与角色落差

Augment Code 调研了 219 位工程负责人，发现其团队约 48% 的代码由 AI 生成，55% 担心团队对代码库失去共同理解，63% 表示工程师向管理者提出了技能相关性方面的担忧，在 201-1000 人规模的团队中这一比例升至 89%。

PIGuard：通过 MOF 策略缓解提示词注入防护的过度防御

圣路易斯华盛顿大学与威斯康星大学麦迪逊分校的研究者提出 PIGuard，一个用于检测提示词注入的轻量防护模型，并配套发布 NotInject 评测数据集。NotInject 包含 339 条带触发词的良性样本，用于衡量防护模型的过度防御问题，结果显示现有 SOTA 模型准确率降至接近随机猜测的 60%。

UC San Diego 研究 112 名专业开发者：资深开发者不 vibe coding，而是控制 AI 智能体

UC San Diego 研究团队通过 13 场实地观察和 99 名资深开发者的问卷（共 112 人，中位经验 10 年，使用 Claude Code、Cursor、GitHub Copilot、Windsurf）发现，专业开发者并不 vibe coding，而是通过规划和监督严格控制智能体。

ETH Zurich 新研究重新评估 AGENTS.md 对 AI 编程智能体的价值

ETH Zurich 团队构建 AGENTbench，用 138 个来自小众仓库的真实 Python 任务，测试 Claude 3.5 Sonnet、Codex GPT-5.2、GPT-5.1 mini 和 Qwen Code 在无上下文文件、LLM 生成文件、人工编写文件三种场景下的表现。

评估 AGENTS.md 对编程智能体是否有帮助

一项研究评估了 AGENTS.md 这类上下文文件对编程智能体完成任务的帮助，发现提供上下文文件通常不会提升任务成功率，反而让推理成本平均增加超过 20%。该结论在不同大语言模型、编程智能体以及 LLM 生成和开发者提交的上下文文件上都成立。研究还发现智能体能较好遵循上下文文件中的指令，但被模型厂商推荐的仓库概览类内容并无帮助，作者建议任何试图提升性能的改动都应先经过严格评估再部署。

系统提示词如何定义编程智能体的行为

Drew Breunig 分析了 Claude Code、Cursor、Gemini CLI、Codex CLI、OpenHands 和 Kimi CLI 六个 CLI 编程智能体的系统提示词，发现它们长度和指令分布差异明显，原因在于模型校准和用户体验定位不同。