GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解 AI 代码审查能力该如何被量化比较。
#编码
GitHub Blog · AI & ML精选AI 评分6060 科技媒体 RSSAI 评分4242 GitHub 发布开源基准 ReviewBench，用于评测 AI 代码审查智能体
GitHub 发布 AI 代码审查离线基准 ReviewBench，并已在 ReviewBench 网站开放使用。该基准用于评测 AI 代码审查智能体。
科技媒体 RSSAI 评分4242 ContextQA 推出 AI 质量工程师 Ship
ContextQA 推出 AI 驱动的质量工程师 Ship，可自主发现并修复 bug。当 Slack 或 Linear 出现 bug 报告时，Ship 会自动在运行中的应用上复现问题并记录证据，再结合代码、工单、测试和文档调查可能原因。调查结果可发送给工程师，或交给 Claude 和 Codex 作为修复起点。
Hacker NewsAI 评分4747 Usermods：在浏览器侧边栏运行编码智能体生成用户脚本的扩展
Usermods 是一款 Chrome、Safari 和 iOS 浏览器扩展，在侧边栏内置编码智能体，可像与 Claude 对话一样实时修改网页并保存为用户脚本。它支持去除弹窗注册页、重设网站样式，用户还能分享 mod 或通过对话编辑他人的 mod。
arXivAI 评分2424 AECP：面向多智能体代码生成的工件独占通信协议
针对多智能体代码生成中共享信息仅作上下文、导致发现被闲置且接口约定偏离难以察觉的问题，研究者提出 AECP（Artifact-Exclusive Communication Protocol）工件独占通信协议。该协议让智能体在仓库级编码任务中协调相互依赖的工作，以提升协作的可靠性与效率。
科技媒体 RSSAI 评分5858 ContextQa 发布 Ship：自动测试已部署 PR 并把修复线索交给 Claude 或 Codex
ContextQa 发布 Ship，一款定位为自动化 QA 工程师的 AI 智能体。它会读取 PR，判断改动影响哪些用户流程并对已部署应用执行这些流程，还能复现 Slack 或 Linear 中报告的 bug、找出可能原因，把证据交给开发者或 Claude、Codex 等编码智能体修复。
Hacker NewsAI 评分2626 Rivet：面向团队及其编码智能体的共享开发工作流
Rivet 是一个面向团队及其编码智能体的共享开发工作流。该工具在 Hacker News 上发布，旨在让团队成员与各自的编码智能体在同一套流程中协同工作。
Hacker NewsAI 评分3838 Vibivibi：端到端加密分享 Coding Agent 会话
Hongyin 发布 Vibivibi，一个通过 CLI 工具 `vibi` 端到端加密分享 Coding Agent 会话的服务。它能在本地找到 Claude Code、Codex CLI、OpenCode、Pi 保存的会话，在本机加密后上传，再用 `vibi pull` 在另一台机器还原到 agent 预期位置。
科技媒体 RSSAI 评分4343 ContextQa 推出 Ship 自动化质量工程师，测试已部署 PR 并复现 bug
ContextQa 推出自主质量工程师 Ship，可测试已部署的 PR、从 Slack 和 Linear 复现 bug，并把上下文交给 Claude Code 或 Codex 修复。作者 Elvis Saravia 认为验证 agent 写的代码比自己写代码更耗时，是软件工厂的主要瓶颈，编码 agent 需要这类反馈循环来提升自我修 bug 能力。目前提供免费试用。
Hacker NewsAI 评分3030 面向编程智能体的图运行器（graph runner）
Hacker News 上出现一个面向编程智能体的图运行器（graph runner）项目。原文未披露具体模型、参数或性能数据。
arXivAI 评分3232 SWE-CC：面向编程智能体的仓库贡献规范合规性基准
研究团队提出 SWE-CC 基准，用于评估编程智能体在解决 GitHub issue 时对仓库贡献规范的合规程度。现有基准仅用单元测试评判补丁，而成熟开源项目还要求遵循风格、git 与测试流程等仓库特定政策，智能体在这方面的合规情况此前未知。
arXivAI 评分3131 SAGE：定位智能体漏洞修复中静默失败的最早出错环节
针对通过语法与功能检查却仍含漏洞的"静默失败"补丁，研究者提出基于执行轨迹的 SAGE 方法，用于定位 LLM 智能体在修复过程中最早未能维持安全的环节。由于这类补丁不产生可观测的失败信号，依赖任务失败与标注失败步骤的现有归因方法难以适用。
科技媒体 RSSAI 评分4141 微软论文：无主管编程智能体团队规模越大得分越高
微软论文发现，编程智能体团队不设中央管理者时，规模越大得分越高、完成越快。在 ProgramBench 200 个任务中最难的 5 个上，无主管团队从 1 个扩展到 128 个智能体，每一步平均得分都在提升。该方案名为 Agensh，每个智能体自行认领子任务、构建测试并合并到共享 Git 仓库，所有运行使用同一模型，论文未报告大团队的成本。
Hacker NewsAI 评分3838 决策正成为智能体编程的瓶颈
智能体编程的瓶颈正从代码生成转向决策环节。随着 AI 智能体承担更多编码任务，如何做出正确决策成为制约其效率的关键因素。
Hacker NewsAI 评分1919 Homestead：围绕 Claude Code 的框架
Homestead 是一个围绕 Claude Code 构建的框架，相关讨论出现在 Hacker News。原文未披露该框架的具体功能、版本号或可用性信息。
arXivAI 评分2929 稀疏自编码器（SAE）后门攻击：被篡改的 SAE 可操控语言模型行为
稀疏自编码器（SAE）不仅用于解释语言模型，也越来越多被用于干预其内部表征，这带来了供应链攻击面：恶意修改的 SAE 插入未改动的语言模型前向传播后，可诱导攻击者选定的行为。研究者提出一种仅改解码器的 SAE 后门，保持底层 LLM 与 SAE 编码器冻结，攻击仅限单一插入层的单个辅助组件，并以代码生成为例展示了高攻击成功率。
Hacker NewsAI 评分2222 为 LeetCode 编辑器打造 C++ LSP 与 Vim 键位支持
开发者用 Codex 辅助构建了一个 LeetCode 编辑器的 C++ LSP 与 Vim 键位支持工具，起因是 LeetCode 内置编辑器缺乏真正的语言支持和 Vim 操作习惯。该项目最早只是常用类（vector、string 等）的代码片段和少量 Vim 键位映射。
Hacker NewsAI 评分3636 Tmux-agent-status：面向编码智能体的安静、键盘优先控制工具
Tmux-agent-status 是一款在 Hacker News 上发布的工具，用于对编码智能体进行安静、键盘优先的控制。它面向 tmux 环境，强调不打扰的操作方式与键盘驱动交互。
科技媒体 RSSAI 评分3232 OpenAI Codex 未来 28 天每日更新
OpenAI 宣布 Codex 将在接下来 28 天内每日更新，每天要么发布一项对大多数 Codex 用户明确有改进且相关的功能，要么进行一次全面重置。
科技媒体 RSSAI 评分4141 GitHarness 论文提出用 Git 式提交和分支管理智能体记忆以应对需求变更
GitHarness 框架把每个需求及其对应工作像 Git 提交一样存储，用户修改需求时从最近有效版本分支、只重做变更部分。作者称其在全部 30 个测试设置中优于简单续跑，其中 1 个编码任务设置 token 用量减少 73.6% 且得分更高。论文建议对接受反馈的智能体内置版本管理。
Together AI Blog精选AI 评分6262 Together AI 发布 Together Link，把开源模型接入现有编码智能体
Together AI 发布 Together Link，可将团队已在用的编码智能体接入其开源模型，官方称可降低超过 50% 的开销。该工具支持 Claude Code、Claude Desktop、Codex（ChatGPT 应用与 CLI）、OpenCode 和 Pi，设置与登录保持不变，一条命令即可安装并随时切回原生闭源模型。
推荐理由：官方给出接入命令、路由规则与按会话计费对比，可据此估算团队编码智能体的成本变化。
Hacker NewsAI 评分2222 Pve-agents：在现有 Proxmox 基础设施上运行编码智能体
开发者发布开源项目 Pve-agents，让编码智能体运行在用户自有的 Proxmox 基础设施上。该项目源于作者习惯工作中使用 Cursor 云端智能体后，希望为个人项目搭建类似的自托管环境。
科技媒体 RSSAI 评分1212 Elon Musk 认可 Grok 4.7 编程能力
Elon Musk 以一句"Yes"回应了 @VulcanBench 对 Grok 4.7 的评价，认可其编程能力出色。该评价原文为"Grok 4.7 writes great code."，Musk 的回应未附加其他说明。
Hacker NewsAI 评分2626 用 Osier 追踪你的 AI 编程智能体表现
Osier 是一款用于追踪 AI 编程智能体工作表现的工具。它可帮助开发者了解 AI coding agent 的实际执行情况。该工具在 Hacker News 上被分享。
Hacker NewsAI 评分3838 Loa：围绕可变 DAG 构建的本地编码智能体
Loa 是一款本地编码智能体，其核心设计是围绕可变 DAG（有向无环图）来组织任务与代码变更。该项目以 Show HN 形式发布，强调在本地运行，具体功能与性能细节尚未在标题中披露。
arXivAI 评分2727 CodeForge-MA：面向多语言代码生成的语言条件 LoRA 多智能体验证学习框架
CodeForge-MA 是一个面向多语言代码生成的统一框架，通过 Composer、Reviewer、Executor、Curator 四个智能体迭代精炼指令-代码对，并用测试验证、过滤重复与基准泄漏。训练阶段结合语言条件 LoRA 适配器混合与执行验证的强化指令微调，在冻结主干模型约束下提升代码执行与多语言覆盖表现。
科技媒体 RSSAI 评分4242 pi pod：在自有服务器沙箱中运行 pi 编码代理
pi pod 是一个围绕 pi 编码代理构建的自托管沙箱环境，可在隔离沙箱中运行 pi，并提供精心挑选的最小化工具集。项目作者称其使用体验与现有 pi harness 无异，自托管可保证数据所有权与隐私，适合希望将整个智能体环境放在自有数据中心的团队，托管服务即将推出。
科技媒体 RSSAI 评分2727 System76 更新 COSMIC 项目 PR 模板，禁止提交 AI 辅助完成的代码
System76 更新 COSMIC 项目 PR 模板，新增强制检查清单，要求贡献者确认提交中不含 AI 生成的代码、注释和描述。团队认为 AI 缺乏大型项目的完整上下文，会生成难以维护的复杂代码并增加审查负担，目前仅 cosmic-flatpak 仓库不受该规则限制。Ladybird 浏览器项目今年 6 月也采取了类似措施。
arXivAI 评分2626 基于语法引导与 Green Temperature 的代码水印方法
研究提出 Grammar-Guided Code Watermarking with Green Temperature，直接在当前语法状态允许的续写集合上构造水印，而非依赖基于熵的插入或语法感知 token 选择。现有 LLM 水印在解码时嵌入统计信号会改变 token 概率，对代码而言可能破坏语法或改变程序行为。
arXivAI 评分2222 Mind the Gaps：从失败归因到代码语言模型的闭式修复
研究检验了现有代码语言模型修复流程的两个假设：被归因的神经元就是该修补的神经元，以及通用更新适用于所有失败。作者在 Python 和 Rust 的可执行 API 演化任务上，用三个代码模型对这两点进行了考察。
Hacker NewsAI 评分4242 Nautilus 发布：用手机运行编码智能体，在 PC 上合并代码
Nautilus 发布，支持在手机上运行编码智能体、在 PC 上完成代码合并。该工具来自 Hacker News 的 agent 讨论，具体功能细节与可用性尚未在原文中披露。
arXivAI 评分3131 验证陷阱：代码生成中错误前提下的测试时选择失败
研究揭示代码生成的测试时选择存在"验证陷阱"：当生成器与验证器共享同一错误前提时，二者会因错误信念耦合——生成器产出符合前提的捷径程序，验证器提供的证据又无法暴露这些捷径，导致选择器失效。该工作挑战了验证器能提供独立纠错信号的隐含假设。
arXivAI 评分3131 小型智能体结合语义搜索：高效多语言代码定位
研究提出围绕 ColGREP 构建的文件定位智能体训练框架，ColGREP 是基于 late-interaction 的本地语义搜索工具。语义搜索可提升文件定位准确率、跨语言迁移能力和推理效率，使紧凑专用模型能承接从自然语言请求定位代码文件的任务，从而支持端侧搜索并降低大型智能体的 token 消耗、延迟与推理成本。
arXivAI 评分3434 TeleGen：用运行时遥测改进 LLM 网页应用生成
TeleGen 是一个面向 LLM 网页应用生成的可观测性增强框架，通过运行时遥测补足现有"生成-执行-修复"流程中缺失的交互级反馈。现有流程只用任务结果或报错信息指导改代码，难以诊断浏览器操作到最终结果之间的交互失败。
arXivAI 评分2929 Software World Model：从后果预测到决策价值
针对编码智能体改动代码可能悄然破坏下游服务、库或数据存储的问题，研究者提出 Software World Model（SWM），对代码变更影响的更广泛系统建模并预测其 blast set，即受影响的组件集合。现有软件世界模型只预测智能体自身观测，静态变更影响分析仅能定位变更可能传播的位置。
Hacker NewsAI 评分1212 Linnaeus：一款每日生物分类学游戏
Linnaeus 是一款每日生物分类游戏，每天给出一个目标物种，玩家需从宽到窄逐级分类，每级限时 10 秒，答得越快得分越高，并设有每日和每月排行榜。作者是一位生物学哲学家，用朋友赠送的一周 Claude 额度，在 3 个下午通过 vibe-coding 完成开发。
arXivAI 评分3232 MemTrace：面向长周期编程智能体的状态一致性记忆机制
MemTrace 是面向长周期编程智能体的状态一致性记忆机制，针对长执行轨迹带来的上下文预算紧张与仓库变更导致历史执行证据失效两个耦合问题。现有方法依赖更大上下文窗口、压缩、检索或仓库表示，但往往无法在上下文刷新后重建一致的任务状态，也无法验证召回证据是否仍然有效。
arXivAI 评分3131 用编码智能体自动修剪日志代码：我们进展到哪了？
一项研究从 Python 和 Java 仓库中提取并人工验证日志删除案例，归纳出 10 种删除模式和 11 种删除原因，并探索用编码智能体完成日志代码删除任务。日志代码虽支撑调试与监控，但过度日志会引入噪声、增加运行时开销并掩盖诊断信息，而此前研究多聚焦日志生成与修改，删除方向相对欠缺。
Hacker NewsAI 评分3838 UsageAtlas 开源：统一查看 14 家 AI 编程工具用量
开源桌面应用 UsageAtlas 可在一个界面追踪 14 家 AI 编程服务商的用量，涵盖 token 历史、可得的成本估算、额度与用量上限。该应用免费且开源，以单一视图呈现跨平台使用洞察。
Hacker NewsAI 评分4747 Offrun：在一个工作区里管理所有编码智能体
Offrun 在 Hacker News 发布，可在一个工作区中并行运行 Claude Code、Codex、AGY 和 Grok Build，并查看各智能体的工作状态、哪些需要人工介入以及每个账号的剩余额度。