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。
Anthropic 发布 Claude Opus 5，其智能水平接近 Claude Fable 5，但价格减半。该模型在 Frontier-Bench v0.1 上性能超过 Opus 4.8 两倍以上，在 ARC-AGI 3 上得分是次优模型的三倍。Opus 5 即日起成为 Claude Max 的默认模型和 Claude Pro 的最强模型。
推荐理由：Anthropic 这次把 Opus 的性价比条拉满了，性能翻倍价格减半，实际编码和知识工作基准已经超越所有模型。最打动我的是它自查自纠的严谨，写代码像真开发者一样审自己的页面，这种责任心以前只在人身上见过。
Claude-thermos 通过本地反向代理监控 Claude Code 会话，在主智能体因等待子智能体而空闲超过 5 分钟时，自动发送预热请求刷新提示缓存。实测约 185 次本地会话中，缓存过期导致的重新编码占账单约 22%。工具以 uvx 运行，支持自定义空闲阈值和预热间隔。
推荐理由：一个小工具解决了一个被忽视的成本黑洞，Claude Code 的缓存过期，作者自己测了 185 个会话，省下 22% 费用，对于把 Claude 当开发助手的团队来说是个必装工具。
腾讯推出 WorkBuddy Bench，一个覆盖 Code、Web、Office、Security 四个工作领域的编码智能体评测套件。每个任务均从真实 commit、PR 或业务场景逆向工程而来，改写为口语化角色扮演请求，从构造上抵抗数据污染。该基准在 CodeBuddy Code 和 Claude Code 上运行，所有任务目录、环境镜像、评分工具和参考方案均开源发布。
推荐理由：腾讯发布的这个多领域编码代理基准，把代码、网页、办公、安全四块放进一套评估体系，反污染构建方式值得关注，做agent评估的团队可以认真看下。
Together AI 在 DeepSWE 上对比 Kimi K3 与 Claude Fable 5，共452次rollout。
推荐理由：原文基于452次rollout的完整对比数据，拆解了两款模型在覆盖与可靠性上的差异，可帮助读者按成本和重试策略选型。
Microsoft 宣布将 hill-climbing 方法应用于 MAI 模型，在 GitHub Copilot 和 Excel 中部署专用于智能体工作负载的版本。
推荐理由：官方给出具体接受率、回访率和 token 用量数据，读者可据此比较小模型在产品内替代大模型的路径。
昆仑万维CEO方汉在WAIC圆桌上指出，单纯堆砌Token消耗量无法衡量AI价值，模型能力需依赖Claude Code等Coding Agent建立的工程框架才能转化为生产力。他透露昆仑万维仍在持续训练模型，并将发布音乐、具身世界和游戏世界模型，认为模型与算力是AI公司长期立足的基础。方汉同时警示，AI编程带来的技术债可能导致生产事故增幅达数倍，代码审查与责任机制必须同步加强。
推荐理由：我认为方汉这场分享是近期最务实的AI组织转型指南，考核中层、群聊Agent当秘书，这些招可以照搬。
Cursor 推出 Cursor Router，可自动将每个编码请求分配给最合适的模型。在线 A/B 测试显示，Auto Intelligence 模式在用户满意度接近 Fable 的同时，成本降低约 60%；Auto Balance 模式满意度超过 Opus 4.8，成本降低约 36%。
推荐理由：Cursor Router 把模型路由从个人选择变成团队策略，实测成本降低 30-50% 且满意度不降，对管理 AI 预算的工程 Leader 来说是个值得立刻试点的新功能。
Nathan Lambert 与 Florian Brand 在播客中盘点开源模型最新动态。Kimi K3 发布后，中美 AI 地缘政治、开源与闭源模型的经济性、前沿安全等问题加速演进。Qwen 宣布下一代大模型将开源权重，中国厂商在开源策略上持续加码。讨论还涉及开源模型与闭源前沿的性能差距、知识蒸馏争议，以及后训练对特定任务的价值。
推荐理由：两个在开源模型圈摸爬滚打的人聊了Kimi K3、GLM 5.2和蒸馏之争，如果你想知道为什么中国模型能追这么紧，以及Ben Thompson的论断哪里不对，这期必听。
OpenRouter@OpenRouter精选AI 评分7272推荐理由：Google Gemini Flash 系列更新到 3.6，150+ tok/s 的吞吐量对 agent 场景是实际提升，OpenRouter 第一时间上线，开发者可以直接调。
OpenCode@opencode精选AI 评分5656Laguna S 2.1 现已在 OpenCode 上免费提供 1M 上下文窗口 · 完全开源 Poolside 迄今为止最强大的模型
推荐理由：OpenCode 免费上了 Poolside 的最强模型，1M 上下文且完全开源，对写长代码的开发者是实打实的顺手工具，可以省一笔算力开销。
Claude 等大语言模型能跨越战略、产品、架构、代码到机器码的整个技术栈垂直工作，无需安排会议或请求许可，因此比传统编译器更强大。以 exe.dev 为例，团队用 LLM 研究分布式 DNS 系统设计、历史安全缺陷和替代实现策略，并通过多智能体循环构建了完整系统。LLM 虽在单项任务上不及资深人类，但能同时处理所有层级，实现跨层协作。
推荐理由：一篇值得软件工程师读的观点文章，用真实案例说明 LLM 不是编译器而是垂直跨层工具，vibe-engineering 理念可能重塑开发实践。
GitHub Copilot 在应用中推出 canvases 扩展，这是一种共享交互式界面，开发者和 AI 智能体可在其中实时协作。用户通过 `/create-canvas` 指令创建画布，Copilot 可动态更新内容，用户则通过点击、编辑等操作与同一工作区交互。示例包括快速分类 Issue、生成交互式代码库关系图、管理会话工作树、优化提示词质量以及跨平台搜索知识联系人。
推荐理由：Copilot 的 canvas 把对话变成可拖拽可点击的交互界面，处理 issue、探索代码都变得直观，日常依赖 Copilot 的开发者可以直接用起来。
Josh Woodward@joshwoodward精选AI 评分6969我们正在推出三款新模型，旨在让 AI 智能体在大规模应用中更快、更智能、更经济： 🔵 Gemini 3.6 Flash：它比 Gemini 3.5 Flash 使用更少的模型 token，就能以完全相同的成本提供更高质量的工作成果。 🔵 Gemini 3.5 Flash-Lite：一款快速、经济高效的选择，适用于处理文档和智能体搜索等日常任务。 🔵 Gemini 3.5 Flash Cyber：一款专为网络安全打造的模型，用于发现并修补关键软件漏洞。
推荐理由：Google一口气扔出三个Gemini Flash新模型，3.6 Flash把复杂编码token砍了65%，做Agent的成本敏感型选手可以直接收益，Cyber模型专攻漏洞修复是个有意思的细分信号。
Prime Intellect 发布 research-environments，通过 verifiers v1 的 taskset API 将 SWE、终端和搜索三类共 23 个任务集统一到一套运行时和沙箱钩子下，总计约 365,000 个任务，包括约 198,000 个软件工程任务、约 28,600 个终端任务和约 137,600 个搜索任务。
推荐理由：原文给出 23 个任务集统一为一套 API 的整合方法，以及 gold patch 验证和 reward hack 防护的具体做法，可复用于 RL 环境搭建。
Anthropic 的 Cat Wu 和 Thariq Shihipar 在炉边对话中透露，Claude Tag 现已承担 Claude Code 团队 65% 的产品工程 PR。Claude Code 系统提示词最近缩减了 80%，团队越来越多地依赖自动化代码审查处理产品“外层”变更。Fable 已能一次性完成大量功能实现，Thariq 还用它编辑了自己的产品发布视频。
推荐理由：Anthropic Claude Code团队首次公开内部工作流和评估细节，系统提示精简80%、自动审查取代人工，对每个用编码代理的团队都有直接参考价值。
Cognition 推出 Devin Outposts，让 AI 软件工程师 Devin 的执行环境迁移到用户自控环境，推理仍留在 Cognition 云端；Modal 是启动合作伙伴，7 月 21 日起开放 alpha。
推荐理由：官方发布方介绍了 Devin 执行环境迁入自有 Modal Sandbox 的方式，GPU 按需启动和会话快照是可对比的实际能力变化。
过去六个月多项数据显示，AI 工程生产力提升远超常态：NVIDIA 报告 3 万开发者提交代码量增加 3 倍且缺陷率持平，Anthropic 内部采用 Claude Code 后人均代码量提升 2.5 倍。多数公司仅分发 AI IDE 时效率提升约 20-30%，而构建智能体编排的前沿公司可实现 3 倍产出，软件工厂模式如 Devin 在 Nubank 带来 8 倍效率提升和 20 倍成本降低。
推荐理由：作者汇总多家公司的公开数据，把 AI 编程提效分成三个梯队，读者可对照自身团队判断所处位置与差距。
Cursor 测试了新型 AI 智能体集群，将任务分解为规划者（使用最强模型）和执行者（使用快速廉价模型）。使用 Grok 4.5 时，新集群在 4 小时内通过了 80% 的 SQL 测试套件，而旧集群在第二小时前失败。该系统已用于构建浏览器、修复漏洞和生成数十亿 token 合成训练数据。
推荐理由：Cursor首次公开agent swarm的内部架构和协调失败模式，把835页规格文档变成可运行的SQLite数据库并开源，对做AI编程工具的团队和agent架构师来说，这些细节是金矿。
Cursor 的模型评估负责人 Nate Schmidt 发现，Claude Fable 5 在其内部基准 CursorBench 上以 Max effort 模式达到 72.9%，创下新高。该模型在模糊的真实编程任务中表现出全局推理能力，例如在航天模拟器中仅凭一句提示自主规划并成功登月，而此前 Claude Opus 运行 12 小时以上仍无结果。
推荐理由：Cursor 工程师用自家基准和太空模拟器实打实测试了 Claude Fable 5，从全局推理到自主规划路径的能力跃迁很具体，做编码 agent 的可以看看这个‘p99 问题’解法。
首届“小有可为”大赛乡村教育赛道一等奖作品“智绘科普”采用 Qwen3.5-397B-A17B 大语言模型与 Manim 动画引擎，通过多Agent分阶段协作与自动修复机制，将知识主题转化为可控、可编辑的教学动画。系统包含规划、草稿、实现、审查、合成五个阶段，渲染失败时可自动提取日志并修复，该工程范式可迁移至其他赛道。
推荐理由：这是官方出品的实战教程，拆解了一套多Agent协作+门控+自修复的工程流水线，技术思路通用，做AI应用的可以直接抄作业。