Linear 团队介绍了三类 Linear Agent 工作流，将客户邮件、Slack 讨论和产品经理发现的问题转化为 issue、代码修改及 pull request。团队让智能体在 Intercom、Slack 和 Linear 等工作发生处获取上下文，并结合 Code Intelligence、定制 MCP servers 和编码智能体协助排查与开发。Linear 认为更有效的做法是把任务拆成小而明确的步骤，先观察表现并补充指导，再逐步提高自主程度。
匹配字段摘要
Mistral AI 基于其开源编码助手 Vibe 搭建了一个自动为 Rails 项目生成和改进 RSpec 测试的智能体，可在 CI/CD 中无人干预运行，并支持多实例并行处理不同文件。该智能体通过仓库级 AGENTS.md 提供分步执行计划、按文件类型拆分 skills 文件，并加入 RuboCop 与 SimpleCov 自定义工具，其中把 SimpleCov 放在最后一步强制运行每个测试是最关键的决定，因为首次执行时只有约三分之一测试通过。在包含 275 个源文件的真实仓库实验中，已有测试文件的 LLM-as-a-judge 评分从 0.49 提升到 0.74，覆盖率达到 100%。
匹配字段摘要
Anthropic 工程团队发布文章，系统讲解如何为 AI 智能体设计评测，涵盖任务、trial、评分器、transcript、outcome 等核心概念，以及代码、模型、人工三类评分器的组合方式。文章区分能力评测与回归评测，并分别给出编码智能体和对话智能体的评测方法，例如 SWE-bench Verified 与 Terminal-Bench 的确定性评分思路。文中还建议以评测驱动开发，由专门团队维护核心基础设施、产品与领域专家贡献评测任务，并附录了 Harbor、Braintrust、LangSmith、Langfuse、Arize 等评测框架。
匹配字段摘要
安全研究者 Johann Rehberger 在 Google 新发布的 Antigravity IDE 中发现五个安全漏洞，包括通过间接提示注入实现的远程命令执行和数据外泄，其中部分问题可追溯到 2025 年 5 月他向 Windsurf 报告过的同类缺陷。Antigravity 默认由 AI 自行判断终端命令是否安全执行，且 MCP 工具调用完全没有人工确认环节，攻击者可利用不可见的 Unicode Tag 字符在源码或 Linear 工单中隐藏指令。作者建议禁用自动执行、谨慎启用 MCP 服务器，并指出 Claude Code、GitHub Copilot、Cursor、Codex 等编码智能体在安全性和补丁历史上更成熟。
匹配字段摘要
Mario Zechner 提出，许多智能体任务无需 MCP，可让编码智能体通过 Bash 调用简洁的 CLI 工具并编写代码。其浏览器工具以 Puppeteer Core 实现启动、导航、执行 JavaScript 和截图等能力，README 仅占 225 tokens；相比之下，Playwright MCP 的 21 个工具占 13.7k tokens，Chrome DevTools MCP 的 26 个工具占 18.0k tokens。这种方式可按需载入说明、串联调用并快速修改输出格式或增加工具，但需要自行设计和维护工具结构。
匹配字段摘要
2026年10月28日,Cognition推出编程基准FrontierCode 2.0,用于评估模型产出的代码能否真正合并,最高分的Opus 5.5也仅得45%,基准远未饱和。据Cognition博客,相比1.1版本,参考解平均多改67%的文件、89%的代码行,代码库规模大25%,任务覆盖仓库增加55%、阻断性评分标准增加43%;DeepSeek V4.1 Flash从43.9%降至19.3%,Kimi K3从44.2%降至17.7%。同日,Artificial Analysis发布Intelligence Index v5,将FrontierCode 2.0列为新增基准之一,60%评测基于私有测试集或留出答案,Claude Opus 5.5(max)以58分居首。
匹配字段标题
Larsen Cundric提出用智能体写代码的一条规则:在提出改动需求前,先约定双方如何确认改动生效。他给出的验收方式包括一个当前会失败的测试、一条自己能运行的命令、真实运行结果的日志或截图,没有证据的“完成”会被退回。他认为多数失败的智能体会话都始于模糊的需求和缺失的检查,并向读者征集自己信任智能体“完成”的标准。
匹配字段标题
Larsen Cundric提出用智能体写代码的一条规则:在提出改动需求前,先约定双方如何确认改动生效。他给出的验收方式包括一个当前会失败的测试、一条自己能运行的命令、真实运行结果的日志或截图,没有证据的“完成”会被退回。他认为多数失败的智能体会话都始于模糊的需求和缺失的检查,并向读者征集自己信任智能体“完成”的标准。
匹配字段标题
2026年10月23日,一项实验显示,Claude Fable 5.1 在被要求把指定句子藏进图片时,会自发使用物体高度等视觉属性进行编码。测试使用50条短消息;另开新会话、只提供渲染后的PNG时,同一模型仍能解出约78%(39/50)。交叉解码中,Fable编码、Astra解码成功率为88%(44/50),Astra编码、Fable解码为84%(42/50),Astra自身解码也是84%。作者认为这属于图像隐写的早期迹象,并指出解码需要借助工具量测像素,因此监控工具调用即可发现。目前尚无后续发展。
匹配字段标题
2026年10月23日,一项实验显示,Claude Fable 5.1 在被要求把指定句子藏进图片时,会自发使用物体高度等视觉属性进行编码。测试使用50条短消息;另开新会话、只提供渲染后的PNG时,同一模型仍能解出约78%(39/50)。交叉解码中,Fable编码、Astra解码成功率为88%(44/50),Astra编码、Fable解码为84%(42/50),Astra自身解码也是84%。作者认为这属于图像隐写的早期迹象,并指出解码需要借助工具量测像素,因此监控工具调用即可发现。目前尚无后续发展。
匹配字段标题
2026年10月21日,Artificial Analysis 对 Cognition 的 Devin Fusion CLI 进行评测,测试配置为 Claude Opus 5.5(max)加 GPT-6 Luna(high)副手。该配置在 Coding Agent Index 上得 68.1 分,略高于 Claude Code 配 Claude Opus 5.5(max)的 66.0 分。成本方面,每任务为 9.01 美元对 13.04 美元;平均耗时 55 分钟对 65 分钟。三项基准中,DeepSWE v1.1 为 72.6% 对 68.4%,SWE-Atlas-QnA 为 69.6% 对 66.4%,Terminal-Bench 4.0 为 62.1% 对 63.1%。成本按 API 逐 token 计费,不含订阅价格。目前尚无后续发展。
匹配字段标题
Artificial Analysis 评测 Devin Fusion CLI（Claude Opus 5.5 max + GPT-6 Luna high）
English translation is being prepared.
匹配字段标题
2026年10月2日,Artificial Analysis 的编程智能体指数迎来 Claude Sonnet 5.5、GPT-6.1 Sol 和 Gemini 4 Argon 三款新模型,它们均接近榜单前列,但性能与成本取舍不同。该指数以模型加运行框架的组合为单位,跨三项智能体编程评测打分。其中,Claude Sonnet 5.5(max)在 Claude Code 中以 68 分居首,单任务成本最高为 14.19 美元;Gemini 4 Argon(high)在 Antigravity CLI 中得 64 分,单任务 5.84 美元,不到 Sonnet 5.5 的一半,但采用 Google 促销定价且 Argon 尚未公开可用;GPT-6.1 Sol(xhigh)在 Codex 中得 63 分,单任务 1.04 美元,约为 Argon 的六分之一。目前没有后续发展事实。
匹配字段标题
匹配字段标题
2026年6月27日,Sebastian Raschka 发布教程,演示如何结合 Ollama、本地开放权重大语言模型与 Qwen-Code,搭建能够读写文件、运行命令并验证修改的本地编码智能体。教程还涉及安全审计、性能测试,以及接入 Codex 和 Claude Code 的方法。其小规模评测显示,Codex 消耗的 token 较少,而 Claude Code 在部分模型组合中取得了更高的任务成功率。
匹配字段标题
Claude Sonnet 5.5、GPT-6.1 Sol和Gemini 4 Argon 登上 Coding Agent Index榜单前列
English translation is being prepared.
匹配字段标题
2026年9月23日,Modal 通过官方工程博客分享其为编码智能体服务 Kimi K2.6 推理的性能优化方法。据该博客,Modal 以 Moonshot AI 的 Kimi K2.6 为例复盘推理服务优化过程,称单副本每用户性能提升 2.8 倍、副本整体提升 5.6 倍。其做法包括用 NVFP4 微缩放格式在 B200 上部署约一万亿参数的模型,基于 SGLang 打补丁并回馈上游,采用 DFlash 投机解码、KV cache 量化与 HiCache 扩展缓存,再配合负载感知的有状态路由,把服务扩展到每天处理数千亿 token。相关代码与配置已作为 Modal Auto Endpoints 的开源后端发布。目前尚无后续发展事实。
匹配字段标题
Modal 分享 为编码智能体服务 Kimi K2.6 推理的性能优化方法
English translation is being prepared.
匹配字段标题
NVIDIA 发布教程 基于StarCoder2与NeMo Guardrails的自托管验证型编码助手
English translation is being prepared.
匹配字段标题
Sebastian Raschka 发布教程讲解 使用开源工具和开放权重模型搭建本地编码智能体
English translation is being prepared.
匹配字段标题