METR：Research（网页）精选
AI 评分 60/100
METR 在 stdlib-js 和 hypothesis 两个仓库的 18 个真实 issue 上评估 Claude 3.7 Sonnet（Inspect ReAct 智能体），按维护者测试用例算法评分成功率为 38%（±19%），但人工评审的 15 个 PR 中没有一个可以直接合并。
推荐理由：METR 用人工评审对照算法评分，给出量化证据说明测试类基准为何高估智能体的真实软件工程能力。
AI 编码
AI 写代码的一切：编码助手、Vibe Coding、代码模型评测与开发工作流变革。
5,117条收录
648条精选
精选归档 · 第 32 页
第 621–640 条 · 共 648 条
8月13日
00:00
METR 研究更新：算法评分高估 AI 智能体真实软件工程能力
8月7日
08:00
OpenRouter：Announcements（RSS）精选
AI 评分 68/100
GPT-5 现已登陆 OpenRouter 平台，具备长上下文能力，专为复杂推理和代码工作流设计。
另有 1 家信源报道X：ChatGPT (@ChatGPTapp)推荐理由：GPT-5 是 AI 史上的分水岭，长上下文和推理能力直接催生了一整代 agent 工具，哪怕过了快一年回头看，仍然值得搞清楚它改变了什么。
08:00
OpenRouter：Announcements（RSS）精选
AI 评分 68/100
OpenRouter 平台已发布 GPT-5，该模型支持长上下文，专为复杂推理与代码工作流构建。
另有 1 家信源报道X：ChatGPT (@ChatGPTapp)推荐理由：这是 GPT-5 首次以大上下文和推理能力亮相，1M token 上下文让 code agent 直接从 demo 变成可用，现在看虽是旧闻，但节点意义不减。
08:00
OpenRouter：Announcements（RSS）精选
AI 评分 66/100
GPT-5 已在 OpenRouter 平台正式推出。该模型具备长上下文处理能力，专门针对复杂推理任务与代码工作流进行了优化。此次发布标志着新一代大语言模型开始接入开放路由网络，为开发者与用户提供更强大的多步骤逻辑处理和编程辅助功能。
推荐理由：OpenRouter 上架 GPT-5 本身不算新闻，但对用 OpenRouter 做多模型路由的开发者来说，这是终于能切到最新旗舰的信号，值得第一时间跑一遍自己的 benchmark。
7月31日
00:00
LMSYS：Blog（Chatbot Arena 团队）精选
智谱发布旗舰模型 GLM-4.5（355B/32B 激活）与 GLM-4.5-Air（106B/12B 激活），含 FP8 量化版本，即日起原生支持 SGLang 框架。采用 MoE 架构与 128k 上下文，在 12 项基准测试中分列第 3 与第 6。GLM-4.5 在 BrowseComp 网页浏览任务中以 26.4% 准确率超越 Claude 4 Opus，工具调用成功率达 90.6%，编程与数学推理能力突出。
推荐理由：国产大模型Agent与编码能力跻身第一梯队，为开发者提供Claude/GPT之外的高性价比替代方案
7月14日
08:00
OpenRouter：Announcements（RSS）精选
AI 评分 56/100
OpenRouter 宣布其灵活模型路由支持在 Cursor 中运行月之暗面的 Kimi K2。用户可直接在 Cursor 中调用 OpenRouter 路由的模型，无需额外配置。
另有 1 家信源报道X：OpenRouter (@OpenRouter)推荐理由：一篇将 OpenRouter 模型接入 Cursor 的实操指南，虽然已过时三百多天，但对想免配置用 Kimi K2 的 Cursor 用户仍有参考价值。
00:00
Cognition 模型 / Devin 博客（网页）精选
AI 评分 79/100
Cognition 签署最终协议收购智能体 IDE 公司 Windsurf，交易包括其 IP、产品、商标、品牌和业务，Windsurf 团队将加入 Cognition。
推荐理由：官方公告披露了交易范围、Windsurf 的 ARR 和用户规模及员工待遇安排，读者可以据此了解这起收购的实际内容。
7月11日
00:00
Moonshot AI：Kimi Blog精选
Kimi K2 采用混合专家（MoE）架构，拥有 320 亿激活参数和 1 万亿总参数，在非推理模型的前沿知识、数学和编程任务上达到 SOTA 性能。
另有 1 家信源报道Moonshot AI：Kimi Blog推荐理由：月之暗面发布 Kimi K2，万亿参数 MoE 架构，多基准 SOTA
7月10日
00:00
METR：Research（网页）精选
AI 评分 78/100
METR 的随机对照实验让16名资深开源开发者处理246个真实issue，允许使用AI（主要是Cursor Pro 搭配 Claude 3.5/3.7 Sonnet）时完成耗时反而增加19%。
推荐理由：原文给出RCT实验设计和开发者预期与实测的反差数据，读者可以据此校准对AI编码工具收益的判断。
7月1日
08:00
Factory 研究 / 产品（RSS）精选
AI 评分 70/100
Factory 发布 Agent Native Development 方法论，主张让 agent 运行收集上下文、规划、实现、验证、提交的完整内循环，人来负责架构决策和护栏。
推荐理由：Factory 提出的 Agent Native Development 方法论给出写精确规格、验证环境和 drift 恢复的可迁移做法，适合想系统化用 agent 写代码的开发者参考。
6月12日
00:00
Cognition 模型 / Devin 博客（网页）精选
AI 评分 71/100
Cognition 发文《Don't Build Multi-Agents》，提出上下文工程两条原则：共享完整 agent 轨迹的上下文，以及行动携带隐含决策、冲突决策导致糟糕结果。
推荐理由：Cognition 以自身 agent 构建经验提炼上下文工程两条原则，并解释为何多智能体架构在 2025 年仍然脆弱。
6月5日
00:00
TensorZero：实验与工程博客精选
AI 评分 72/100
TensorZero 团队将自家的开源框架作为自托管代理接入 Cursor，经 Ngrok 和 Nginx 绕过 Cursor 服务器与 CORS 限制后，成功观察并控制其全部 LLM 调用。
推荐理由：作者实测把自托管代理接进 Cursor，读者可以照着复现并查看其真实提示词与模型调用。
5月15日
00:00
Cognition 模型 / Devin 博客（网页）精选
AI 评分 64/100
Cognition 发布 Devin 2.1，新增 🟢🟡🔴 置信评级，置信分与任务成功率高度相关，🟢 得分任务的 PR 合并可能性是 🔴 的两倍。同时为 Linear 和 Jira 集成加入批量自动评分，可在不启动会话的情况下为多个 issue 打分；并内置 DeepWiki 同源的代码库理解能力，可用 !ask 提问，不确定计划时等待用户确认。
推荐理由：原文给出置信分与任务成功率的关联数据，以及按置信度筛选任务的用法，读者可据此改进 Devin 工作流。
5月6日
23:06
Google DeepMind：Blog（RSS）精选
鉴于开发者反馈积极，Google 提前两周发布 Gemini 2.5 Pro Preview 更新版本，编程性能进一步提升，现已开放获取。
推荐理由：Gemini 2.5 Pro 提前发布更新版本，编码性能显著提升，开发者可即刻体验
5月5日
00:00
Cognition 模型 / Devin 博客（网页）精选
AI 评分 74/100
Cognition 推出 DeepWiki，将 Devin Wiki 和 Devin Search 免费公开，把 URL 中的 github.com 换成 deepwiki.com 即可查看任意仓库的 AI 文档。已索引超过 50,000 个热门公开仓库，涵盖 Model Context Protocol、LangChain 等；公开仓库可免费添加，私有仓库需 Devin 账号。
推荐理由：原文给出了使用方式和已索引规模，读者可以据此判断如何用 DeepWiki 快速理解陌生代码仓库。
4月18日
00:00
Anthropic：Engineering（事故复盘 + 工程实践 · 网页）精选
AI 评分 77/100
Claude Code 提供了一套完整的智能体编程工具与框架。其核心遵循“先探索、再计划、后编码”的工作流，并通过配置 CLAUDE.md 文件、管理权限和连接 MCP 服务器来优化环境。最佳实践强调为 Claude 提供工作验证方法、积极管理上下文、使用子代理进行调查，以及利用检查点回退来处理复杂任务。文档还详细介绍了在 VS Code、JetBrains IDE、Slack 及 CI/CD 中的集成使用，并提供了避免常见失败模式的实用建议。
推荐理由：Anthropic 官方出的 Claude Code 最佳实践，不是泛泛而谈的入门指南，而是从 CLAUDE.md 配置到 subagent 编排的完整工程手册，用 Claude Code 做日常开发的人直接照抄就能少踩一半坑。
4月3日
00:00
Cognition 模型 / Devin 博客（网页）精选
AI 评分 67/100
Cognition 发布 Devin 2.0，带来 Agent 原生 IDE 体验和 $20 起的新方案。用户可并行运行多个 Devin，各自配备云端 IDE，可在 IDE 内用 Cmd+I、Cmd+K 等快捷键审查和修改 Devin 的代码。
推荐理由：官方公告列出新 IDE 体验、三项新功能和 $20 起的新定价，读者可据此评估 Devin 在编码工作流中的可用性变化。
3月24日
00:00
DeepSeek：API 更新日志精选
AI 评分 72/100
DeepSeek 将 deepseek-chat 模型升级为 DeepSeek-V3-0324，推理能力增强，MMLU-Pro 升至 81.2，AIME 升至 59.4。同时优化了 Web 前端开发、中文写作（对齐 R1 风格）、中文搜索及 Function Calling 准确率，并修复了此前问题。
推荐理由：这是 DeepSeek V3 发布后的一次重要版本更新，推理和代码能力提升显著，AIME 提升近 20 分，前端和中文写作体验优化，API 用户应该尽快切换。
2月13日
00:00
Cognition 模型 / Devin 博客（网页）精选
AI 评分 64/100
Linktree 团队分享使用 Cognition 的 AI 智能体 Devin 一个月的成果：Devin 完成约 300 个 PR，其中约 100 个已合并，主要是修复客户报告的 bug、实现小功能和原型验证。
推荐理由：Linktree 官方复盘 Devin 落地细节，给出任务筛选标准、多 Devin 协作和 API 用法等可直接迁移的经验。