Grok Bot 工程负责人分享信任 Agent 代码产出的倒金字塔方法与复用 Prompt
Grok Bot 工程负责人 Lauren Tan 分享一套让 Agent 工作更可信任的方法，按倒金字塔分四层：代码库改进（架构、类型、边界）、静态分析（lint、测试、CI、TLA+ 等验证）、文字规则（注释、AGENTS.md、skills）和最难规模化的人工审查，精力应主要放在顶层。
#编码
RadarAIAI 评分6969 GitHubAI 评分6262 Sidiora Labs 开源 Codify：单二进制本地智能体工作流引擎
Sidiora Labs 在 GitHub 开源 Codify（命令为 cg），一个用纯 C11 编写的单二进制智能体工作流引擎，把代码索引图、内容寻址快照、spec 任务循环和智能体记忆统一存进本地 SQLite，数据不出本机。
AWS Machine Learning Blog精选AI 评分6666 Reflection AI 开源编码智能体模型 Beam，并给出 AWS 部署路径
Reflection AI 推出开源权重模型 Beam，面向编码智能体与长周期任务，可维护代码、调用工具并完成多步工作流。
推荐理由：文章给出 Beam 的参数量、上下文长度与三种部署路径，可据此判断开源编码模型在 AWS 上的落地成本。
RadarAIAI 评分3030 Replit CEO：未来工作是「自动驾驶公司」
Replit CEO Amjad Masad 在 TechCrunch Disrupt 上提出「自动驾驶公司」愿景：AI 智能体承担公司大部分基础工作，人类保留判断力与品味。他以 Replit 客服流程为例，工单先由智能体结合 GitHub issues、代码库和 Linear 工单完成初步分诊，人工决定修复后一键部署另一个智能体执行。
RadarAIAI 评分6262 Anthropic Code Review 正式版发布，审查速度提升三倍
Anthropic 宣布 Code Review 从预览阶段进入正式版，向 Claude Team 和 Enterprise 用户开放。该功能审查速度提升三倍，专注逻辑漏洞，支持 Quick、Standard、Deep 三级审查级别，零门槛接入，企业版可获得 $10 相关权益。
RadarAIAI 评分3838 Arena 解读 Reflection AI Beam-1.0-501B-A23B 位列 Agent Arena 开源模型第 12 名
Reflection AI 的 Beam-1.0-501B-A23B 以 -3.67% Net Improvement 位列 Agent Arena 开源模型第 12 名，成为榜上排名最高的美国开源模型，超过 Hy3、MiMo V2.5 Pro 和 MiniMax M3。
RadarAIAI 评分6262 Reflection 发布 501B 参数 MoE 模型 Beam，面向编码与智能体工作负载
Reflection 发布新模型家族的首个模型 Beam，采用 MoE 架构，总参数 501B、每 token 激活 23B，上下文窗口最高 100 万 token，主要接受文本输入并生成文本输出。
RadarAI精选AI 评分7878 Reflection 发布首个开源权重模型 Beam，501B 参数 MoE 采用 Apache 2.0 协议
Reflection 发布首个开源权重模型 Beam，权重已在 Hugging Face 以 Apache 2.0 协议放出。Beam 为稀疏 MoE 模型，总参数 501B、激活 23B，面向编码、推理和长程智能体任务。该模型提供 BF16、FP8、NVFP4 精度权重和投机解码 drafter 模型。
推荐理由：Reflection 首次开源 501B 稀疏 MoE 权重，可据此了解其面向编码与长程智能体的参数配置和精度选项。
RadarAIAI 评分2222 Tripo API 与 Claude Opus 5.5 打造森林小鹿
Tripo 用 Tripo API 负责角色生成流程、Claude Opus 5.5 编写周围交互环境，仅凭感觉编码 1 小时做出在森林中漫步的小鹿。
TechCrunch · AIAI 评分2222 Replit CEO：未来工作是「自动驾驶公司」
Replit CEO Amjad Masad 在 TechCrunch Disrupt 上提出「自动驾驶公司」愿景：AI 智能体承担公司大部分基础工作，人类保留判断力与品味。
RadarAIAI 评分6262 腾讯团队 3 个月用 Harness 重构 90 万行旧项目：实战经验与踩坑总结
腾讯技术工程作者 komahu 复盘内部视频在线剪辑项目重构：面对 90 万行、耦合严重、几乎无文档和单测的旧代码，团队以旧项目当需求说明书，用 Harness 工作流在 3 个月内重写为 12 万行新代码。文章拆解了 Harness 工作流的三阶段流程，并沉淀出一套可复用的 AI 协作开发模式。
RadarAIAI 评分4444 代码变廉价后的评审方法：以证据和影响范围决定审查深度
O'Reilly Radar 作者 Markus Eisele 提出，智能体大量生成代码后，评审不应逐行阅读，而应把证据作为接受代码的前提：实现前约定预期行为与影响范围（blast radius），再用双向追溯检查实现与测试是否存在未经要求的行为漂移。他以退款服务为例说明，小改动可能带来大影响范围，且测试与实现可能共享同一错误理解，因此仍需人工核对断言含义。
arXiv cs.AIAI 评分3434 SWE-Nexus：从测试执行自动组合软件工程任务
SWE-Nexus 是一个全自动流水线，通过测试执行构建仓库级实现任务，由四个构建智能体筛选测试、适配追踪与评估协议并生成行为规范。其基准包含来自 105 个仓库、六种编程语言的 600 个任务（116 个原子任务、484 个组合任务），在三种智能体脚手架下评测 12 个模型，最佳配置单次尝试解决 37.8% 的任务。
arXiv cs.AIAI 评分3434 规范驱动开发（SDD）的应然与实然：基于 Reddit 讨论、21 位从业者访谈与 SpecMine 语料库的研究
一项研究通过 Reddit 讨论、21 位从业者访谈（含 8 位工具开发者）和 SpecMine 语料库（73,030 个 GitHub 仓库的 470,795 个 spec 文件）考察了规范驱动开发（SDD）的实际使用情况。
arXiv cs.AIAI 评分3939 不重新生成，而是调试：面向加速器内核修复的领域专用智能体
针对 GPU、NPU 等加速器内核生成中大量"近失"候选被丢弃的问题，研究者提出领域专用调试智能体，通过检索模式、诊断插桩、反作弊检测与收敛保护实现自主修复。其 Debug Pass@1 达 66.7%，高于重新生成的平均 Pass@1 25.9% 和 Pass@3 40.7%，且每次成功消耗的 token 比三次重新生成少 92.8%。
arXiv cs.AIAI 评分4747 LLM 代码漏洞检测中的认知启发式偏差研究
研究首次系统探索了 LLM 代码漏洞检测中的认知启发式偏差，通过固定代码、仅改变上下文的方式，在三种编程语言上评估了八款 LLM。结果显示所有模型均受影响，框架效应平均敏感度最高达 33.2%，锚定效应 23.5%，光环效应 18.4%。概念验证的黑盒认知攻击可抑制高达 97% 的已检测漏洞。
arXiv cs.AIAI 评分2424 AXIOM：通过约束扰动与校准对代码 LLM-as-a-Judge 进行基准测试
研究者提出 AXIOM，一个基于扰动的框架，用于构建代码评估基准。它通过质量约束语义扰动控制程序质量分布，再经混合质量校准筛选语义多样的程序并简化人工标注，据此构建了包含 1,962 道多语言代码评估问题的 AXIOMBENCH。
arXiv cs.AIAI 评分2222 RAG4Tickets：基于 JIRA 与 GitHub 数据的 RAG 工单解决框架
RAG4Tickets 提出一套 RAG 框架，用 Sentence-Transformers 做语义嵌入、FAISS 做向量检索，将历史 JIRA 工单、用户评论与关联 PR 元数据统一索引，再由 LLM 生成有依据、可解释的解决建议。该框架打通 JIRA 与 GitHub 数据，在精确率、召回率、解决时间缩短和开发者接受度等指标上显著提升了解题准确率与知识复用。
arXiv cs.AIAI 评分4444 编码智能体的报告遗漏了什么：CTXGAP 测量执行上下文与报告之间的任务状态差距
CTXGAP 测量研究发现，编码智能体在按需回答任务状态问题时准确率达 93.6%，但仅读报告的监督者只能恢复 52.0%，与全上下文读者的 92.7% 相差 40.7 个百分点。在 30 个已验证修复的最终检查点上差距仍有 34.8 个百分点，完整终端回滚可将恢复率提升至 73.6%，但仍不及全上下文。该研究将基于报告的任务状态可恢复性确立为一项补充评估维度。
arXiv cs.CLAI 评分2222 SaraCoder：面向检索增强仓库级代码补全的分层上下文剪枝提升知识密度
SaraCoder 是一个在固定上下文预算下通过分层上下文剪枝提升知识密度的检索增强框架，其 Hierarchical Feature Optimization 模块分四阶段剪枝过完备候选池，再将释放的 token 分配给 External-Aware Identifier Disambiguator，选择性注入最必要的跨文件依赖定义。
arXiv cs.AIAI 评分2626 CodeHealth 能否预测智能体代码审查的 token 成本：一项针对 465 个智能体编写 PR 的预注册研究
一项预注册研究用 465 个智能体编写的 PR 测试 CodeHealth 能否预测多智能体代码审查的 token 成本，结果显示三个 LLM 的 CodeHealth 系数均为负，每提高 1 点 CodeHealth 对应 token 成本降低 3.5% 至 6.1%。该关联与 PR 规模无关，且调整被评分文件大小后关联消失，研究者将其解释为文件大小的中介效应。
arXiv cs.CLAI 评分3939 Φ-Bench：大语言模型能否工程化支撑自身运行的基础设施？
研究者发布 Φ-Bench，一个基于真实 LLM 训练与推理代码库构建的基准，含 85 项任务，覆盖九类 LLM 基础设施，任务形式从 kernel 函数补全延伸到长周期实现与仓库级端到端优化。在八个前沿模型中，表现最强的 Claude Opus 5 仅得 36.53%，且所有模型在长周期仓库级实现上的表现都差于 kernel 级任务。该基准将开源。
arXiv cs.CLAI 评分3434 RefactorPlatform：用于仓库级重构智能体受控评估的开源测试框架
RefactorPlatform 是一个开源评估框架，通过固定环境、显式变化模型骨干（OpenRouter 与 GitHub Copilot CLI）、执行模式（基线、检索增强、多智能体）和提示词具体度，对仓库级重构智能体进行受控评估。
arXiv cs.AIAI 评分2929 Poison Valleys：诊断 LLM 代码修复中的路径依赖失败
Poison Valleys 在 1,844 次模型请求中追踪 LLM 代码修复的路径依赖失败，覆盖 PersistQueue 与 Dijkstra 两个合成 Python 案例。将错误机制从假设移入实现计划后，PersistQueue 失败率上升 32.2%，Dijkstra 上升 28.9%。不同误解产生模型相关的义务违反模式，但可能收敛为相同行为。
arXiv cs.CLAI 评分3030 WEAVE：将真实世界代码演进织入依赖结构化任务，用于代码智能体的基准测试与训练
WEAVE 框架将已验证的 PR 历史转化为可执行、依赖结构化的任务，通过仓库校准的类型化变更位点把相关 PR 组织成有界 DAG 并实例化为统一可执行任务。该框架还提出 Graph Credit，一种确定性的、基于测试的指标，用于衡量依赖一致的部分进展，并为强化学习提供稠密可验证奖励。实验表明 WEAVE 能生成连贯的可执行任务，比扁平评分更忠实地衡量进展，并为代码智能体训练提供有效监督。
arXiv cs.AIAI 评分3636 提升环境无关编码智能体：脚手架的作用
研究在 ARC-AGI-3、AGI Maze 和 Terminal-Bench 上评测基于 Codex 的环境无关智能体，仅修改一条鼓励报告困难并交回控制权的指令，即提升 ARC-AGI-3 与 AGI Maze 的平均得分，Terminal-Bench 变化微小且不一。
arXiv cs.AIAI 评分2626 通过局部上下文蒸馏从交互经验中学习
研究者提出局部上下文蒸馏（LoCD），先定位学生轨迹中需要修正的关键片段，再由教师基于学生自身前缀重新生成这些片段并用于训练学生。在数学推理、代码生成和智能体任务上，LoCD 持续优于强基线，训练更稳定，参数更新更小更稀疏。
arXiv cs.CLAI 评分3535 OPRD：面向长程编程智能体的同策略提醒蒸馏
研究提出同策略提醒蒸馏（OPRD），通过多范围提醒监督与基于结果的路由，在无提醒的学生 rollout 上训练长程编程智能体，推理时学生无需提醒即可运行。
arXiv cs.AIAI 评分2323 Verus 中的正确性反馈为何会抹除证据：阶段分离的完整性审计
在 12 个 Verus/Rust 任务、四个模型家族、匹配调用预算下，无反馈独立发现产生的认证见证产出率（59.0%）是 IntentShield 纠正反馈循环（27.1%）的两倍以上，差距主要来自反馈内容而非独立重启。
arXiv cs.MAAI 评分2626 ORACLE-SWE：量化关键信息信号对 SWE 智能体的贡献
研究提出 ORACLE-SWE，量化 Reproduction Test、Regression Test、Edit Location、Execution Context、API Usage 等 oracle 与智能体提取信号对仓库级 SWE 任务成功率的贡献，并测量智能体实际找到的信号与 oracle 信号之间的差距。
量子位同新闻AI 评分8787 谷歌发布 Gemini 4 Argon：主打编程与长流程执行，API 限时半价
谷歌正式面向全球开发者、企业及付费订阅用户陆续开放 Gemini 4 Argon，定位为加强编程、专业知识工作和复杂任务持续执行能力，并进一步推进视觉理解、空间推理和工具调用。
Tessl BlogAI 评分5050 Tessl：75% 的 PR 已无需人工审查即可合并
Tessl 工程团队用 Tessl Code Review 审查其单体仓库每周超 1200 个智能体编写的 PR，约 75% 的 PR 无需人工修正即可合并。该工具基于团队自有编码规范审查，发现的问题中 91% 为真实缺陷，高于此前 AI 审查工具的 68%，每个 PR 修复的真实 bug 数量翻倍（1.56 对 0.75），单 PR 审查成本降低 35%。
RadarAIAI 评分4747 Cursor 集成 Meta Muse Wonder 模型：定价 $4/$20，CursorBench 46.1%
Cursor 新增 Meta Superintelligence Labs 的 Muse Wonder 模型选项，官方评测显示其在默认 effort 下 CursorBench 得分为 46.1%，是目前所有 Muse 模型中该基准的最高分。该模型定价为 $4/$20，适合需要高性价比编码辅助的用户考虑。
RadarAIAI 评分2222 AI 编程提效却让心流难再：一位开发者的自省
一位开发者反思 AI 辅助编程的代价：代码产量翻倍，但沉浸式心流体验消失，注意力频繁切换导致上下文重建成本高企。他称这一年写的代码量已超过过去十年的总和，但「写到忘记时间」的日子已很久没有过。
RadarAIAI 评分4646 AI 驱动的开发流：从 PR 仪式感转向全自动化 Review
开发者分享在 AI 辅助开发下，传统 PR 评审已流于形式，转而采用多模型 Agent 交叉 Review 结合全量 E2E 测试的自动化合并流程。新流程利用 worktree 进行多分支并行开发，针对大功能由 2-3 个不同模型的 Agent 交叉 Review 并修复 P0-P1 级共性问题。
RadarAIAI 评分3636 pstack 工程原则：将经典工程智慧编码给 AI Agent
pstack 插件把「最小改动」「先删后加」等经典工程原则编码为 AI Agent 的可执行指令，实现从冗长步骤到极简原则的指令压缩。作者 @poteto 的设计思路认为，随着模型能力提升，指令应从冗长流程压缩为简短的命名原则，文中详细介绍了 /poteto-mode 的机制。
RadarAIAI 评分2525 Claude 规划调度多 CLI 智能体协作开发流
一套以 Claude 负责规划与验收、codex cli、cursor cli、antigravity cli、grok cli 等智能体负责执行的开发工作流被分享出来，目的是把各家 AI 会员额度充分利用起来，后续还计划纳入本地模型。作者称目前体验不错，认为 opus 5.5 在编程开发上比高一档的 gpt-6 astra 更好用。
RadarAIAI 评分5858 pstack 作者公开工程原则设计思路：把长指令压缩成命名原则
Cursor 官方内置插件 pstack 的作者 @poteto 公开了其工程原则的设计思路，核心是随模型能力提升，写给智能体的指令从冗长操作步骤压缩为简短的命名原则。
RadarAIAI 评分2222 Claude Code 与 Codex 编程工具实战对比体验
作者结合 dbskill 项目迭代经验对比多款 AI 编程工具，认为 Claude Code 在解决工程迭代问题上显著优于 Codex，而模型在创意文案上仍远不及人类。作者还给出了主观评分，其中 Workbuddy 仅 0.5 分。
RadarAIAI 评分2222 Zero2Repo：面向完整项目开发的新高难度基准
Zero2Repo 是一个要求模型从零开始构建完整项目的高难度编程基准，旨在解决 SWE-bench 等现有基准区分度不足的问题。