开发者 AI 周刊
RSS 订阅

Issue 67

对业务需求的理解,要跟上代码生成的速度

·每周一更新

读懂代码如何实现业务需求,核对行为变化、测试证据和回滚办法,再决定是否合并。

卷首:先把代码读懂,再让 Agent 改得更快

Agent 一次交来几个 PR,测试全绿,摘要也写得清楚。评审的人却还没弄明白上一个改动为什么要挪走那段校验,下一个 PR 已经在新结构上加功能了。

这时候,合并次数还在涨,能解释系统为什么这样运行的人却越来越少。出了问题,大家先让 Agent 总结最近的提交,再让另一个 Agent 检查总结,原本该回到代码和运行结果上的核对,又变成了读一份生成文本。

Ryan Prior 在这篇文章里,把这种处境比作触碰了奈奎斯特极限:系统变化得太快,人理解和评估它的速度跟不上,团队就可能把不完整的观察当成了真实状态。

他的提醒很有价值,但我不赞成把文章里的“两倍频率”直接变成团队规定。采样定理讨论的是满足带限等条件的信号,代码提交不是等间隔的波形,读一次代码也不是一个质量固定的采样点。

改一行文案和改一行权限判断,理解成本可能差得很远。读十遍自动摘要,也未必比沿着一次真实请求看清数据怎样经过校验、写入和返回更有效,不能据此推出“每天改五次,就必须读十次”的工程定律。

编辑示意:合并前核对真实改动、运行证据和回滚条件,不用阅读次数代替理解

我更愿意把这个类比用来追问:团队有没有办法知道,哪些改动已经超出了自己能解释、能验证的范围?判断依据不是 PR 排队有多快,而是评审者能不能说清新行为在哪发生,哪些旧假设已经失效。

比如让 Agent 改一个导入接口。正常样例通过了,还要核对重复请求会不会写入两份数据,处理中断以后从哪里继续,以及旧客户端传来的字段是否仍然有效。

这些问题不必全靠人逐行找,但每个问题都该有可检查的证据。可以要求 PR 附上对应测试、失败样例和运行结果,评审者从接口入口跟到数据库写入处,确认实现与证据确实对应,而不是只看 Agent 写的说明。

如果一次改动同时换了数据结构、重写重试逻辑、又调整权限,先拆开提交。让评审者能单独判断每一步的行为变化,也让回滚不必连同无关功能一起撤掉,这比规定一个统一的每日合并上限更实际。

自动化当然可以扩大可验证的范围。稳定的端到端测试、属性测试和差异测试,能替人反复检查已经明确的约束,但测试全绿不代表需求正确,也不能替团队决定哪些行为根本不该发生。

没有人能解释影响范围、关键失败路径又没有证据的 PR,我会先挡住合并,而不是再开几个 Agent 帮它赶进度。先给这次改动找到责任人、补齐验证和回滚办法,确认读得懂、接得住,再提高并行度。

本周快讯

  • GPT-6.2 Astra / Sol 发布 Astra 面向复杂专业任务,Sol 面向日常工作;官方在 FrontierCode 2.0 的 max 推理强度下测得,Sol 与 Astra 相差不到 0.5 分,每任务成本约为五分之一。
  • Gemini 4 Neon 发布 提供 100 万 token 上下文,输入/输出每百万 token 为 3/15 美元;Google 称默认 high 推理强度在其引用的第三方评测中,每任务成本比 Carbon 低 32%。
  • Gemini 4 Hydrogen 补录 11 月 12 日首发、16 日更新,上期未收,支持 100 万 token 上下文,输入/输出每百万 token 为 1.50/7.50 美元,面向日常编码与 Agent 执行。
  • Qwen4-Max 发布 支持原生视觉和 100 万 token 上下文,阿里在内部 Work360 上测得,高推理强度下比 Qwen3.8-Max 少用 35% token、平均每任务成本降低约 60%,不代表所有业务都能得到同样降幅。
  • 腾讯发布 Hy4 flash 支持多模态输入与 100 万 token 上下文,官方内部 WorkIndex 的每任务成本为 Hy4 的二十分之一,但长程软件工程仍推荐使用 Hy4。
  • Microsoft Ignite 发布七款模型 其中 MAI Code 2 已进入 GitHub Copilot,微软在四项日常企业编码基准的平均结果中给出 GPT-6.1 Sol 的 98% 表现、约 40% 价格,明确尚未针对极长程 Agent 任务调优。
  • Responses API 增加后台完成窗口 公测的 2h/8h 窗口在符合条件的 Standard 请求上分别降低 30%/40% 模型 token 费率,窗口针对初次响应而非整个多步任务,后台模式仍会临时保存响应数据。
  • Claude Code 2.1.328 为第三方网关上的 Opus 4.6、Sonnet 4.6 开放 auto mode,并给自托管 runner 增加仓库目录选项、hook 标签和排队等待指标,升级前应核对默认权限模式变化。
  • ChatGPT Wallet 开始推出 首批面向美国年满 18 岁、持合格美国发行卡的 ChatGPT Pro 用户,通过 dots 使用,每次购物仍需确认商品、总额和卡片并完成安全验证。
  • Replit Agent 可代企业准备采购 Core、Pro 的美国用户可用它完成一次性采购的选品和结账准备,扣款前须确认最终总额,审批检查由代码执行,不是只在提示词里要求模型停下。
  • Gemini Notebook 可生成交互站点 用户可从已有资料生成可分享的解释页面、看板或任务跟踪页,网页端向年满 18 岁的用户逐步开放,也包括 Workspace 用户。

技术文章

换模型时,也要重新比较 Agent 执行框架

RUNTA 的 FrontierHarness Eval v1.1 评测

RUNTA 与 Baseten 用 18 个 Agent 执行框架(harness)的 22 种配置,搭配 5 个模型跑 62 项任务,每项各试 4 次。

评测共运行 27,280 次,固定模型后,每任务成本最高为最低的 1.8~5.0 倍;通过率的 95% 置信区间约为正负 10 个百分点,差几个点不能据此排出高下。

落地建议:换模型前,拿同一组私有任务重测两三个候选框架,同时记录每任务成本、每成功任务成本和通过率。

一直在线的 Agent,实际如何休眠和唤醒

Anthropic:构建一直在线的 Agent

Anthropic 拆解了常驻 Agent 的运行方式:事件进来时唤醒,处理完保存状态,再回到休眠,并不是让模型持续空转。

事件收件箱、定时器、记忆、权限和发件箱负责衔接各次运行,持久化事件表还能记录处理状态,按来源 ID 去重,避免并发事件争用同一份会话状态。

落地建议:接新 webhook 前,先用按用户隔离的事件表,由单个 worker 顺序领取,验证崩溃后的重试。

Claude Code 团队怎样防止验证规则被改动绕过

Claude Code 团队的验证方法文章

Addy Osmani 介绍 Claude Code 团队的验证流程,重点是端到端、属性和差异测试,让 Agent 用实际运行结果判断工作是否完成。

代码审查从基线或默认分支读取 REVIEW.md,不读 PR 改写的版本;“最多提高 10 个百分点”只来自结构化文件生成的内部测试。

落地建议:把 PR 的验收脚本从默认分支取出执行,给一条真实用户路径保存截图和日志,单独审查测试规则的变更。

全整数推理,能否让同一模型每次输出一致

DetLLM 用 Qwen3-0.6B 做概念验证,把从输入 token 到 logits 的前向运算全部改成整数,而不只是量化权重。

浮点加法顺序变化会影响舍入结果,整数方案在约束溢出和舍入规则后避免了这类差异;一致性保证绑定同一份转换产物,不代表任意模型都能直接无损替换。

落地建议:需要跨设备复现推理的团队,先跑它的逐位一致性测试,并单独比较转换后的质量和速度,不要把温度设零当作保证。

Agent 异常检测:检出不等于拦截

Google 的 Agent 异常检测外部基准文章

Google 用五个外部基准评估私有预览中的 Agent Anomaly Detection,它异步分析轨迹和日志,供事后复核,不阻止动作执行。

11 月 12 日的报告中,有结果的会话里已执行有害指令检出率为 87%,良性会话误报为 2%~16%;记忆投毒引发行动的会话仅检出 4/18,实验限于单一模型和模拟应用。

落地建议:先用自己的正常高权限工具调用测误报,把付款、外发消息的审批放在执行前,不要交给事后告警兜底。

用隐藏链接识别不守规则的爬虫

原文配图:机器人

Terence Eden 给个人站点加了一个爬虫陷阱:在 robots.txt 禁止访问某个目录,再放隐藏链接,访问该地址的 IP 会写入封禁规则。

它识别的是访问了禁入链接的客户端,不能证明对方一定是 AI 爬虫;IP 还可能被共享或重新分配,作者也列出了有用机器人被封、旧封禁需要清理等问题。

落地建议:在反向代理后先核对可信客户端 IP 的取法,只记命中日志,确认误伤后再加带过期时间和解封入口的规则。

Node.js 27 Alpha:提前检查运行时兼容性

Node.js 27 新特性文章

这篇指南整理 Node.js 27 的首个 Alpha,不是稳定版;官方发布说明日期是 10 月 29 日。

V8 升至 15.6,加入 Math.sumPrecise() 等能力;v8.serialize() 等使用的新序列化格式不能被旧版本读取,混用运行时的缓存和队列消费者需要单独检查。

落地建议:库作者可加一条不阻塞发布的 Alpha CI,重点测跨版本序列化;生产服务暂留在受支持的 LTS 版本。

工具推荐

eve 1.0:可恢复执行的 Agent 框架

Vercel eve 正式发布

Vercel 将开源 Agent 框架 eve 推至 1.0 正式版,模型循环、工具、子 Agent 和审批都可配置,也能接 Slack 等消息渠道。

Workflow SDK 保存执行进度,使运行中断后能从已完成的步骤继续;共享会话会区分发言者和审批人,本地初始化要求 Node.js 24 或更新版本。

落地建议:用官方 CLI 起测试项目,在工具执行后模拟中断,核对恢复时是否重复产生外部副作用。

自托管 Claude Managed Agents:控制面也留在自己的环境

自托管 Claude Managed Agents

Claude Managed Agents 的自托管版本进入私有测试,可把执行框架、沙箱、凭证和会话历史放在自己的云或机房,不只是自托管沙箱。

模型请求仍发往所选供应商或网关,并非离线部署模型;受支持的 API 和 MCP 调用通过沙箱外代理注入凭证,已有 ZDR 协议按 Messages API 请求同样适用。

落地建议:有内网部署要求的团队先申请测试资格,画清模型请求离开内网的路径,再对照现有数据保留协议判断能否接入。

Devin Apps:带登录权限的内部应用

Devin Apps 产品页面

Devin Apps 把生成的 Web 应用托管在 Devin 的云主机上,提供稳定链接,访问者必须登录 Devin,可按人员、组织或企业控制访问范围。

应用跑在单机上,无人使用时休眠,首次唤醒可能要几秒,按机器唤醒时长计费;官方定位是内部工具和看板,不是高流量生产托管。

落地建议:先做只读指标页,分别用有权限和无权限的账号访问,确认共享边界,并实际等待一次休眠后再测首屏。

Replit Missions:先约定验收、预算和审批

Replit Missions 的多 Agent 任务

Replit Missions 根据目标协调多 Agent 规划、开发和测试,开始前约定成功标准、预算上限,以及哪些动作必须征得同意。

独立 AI 评审按约定标准检查结果,预算用完即停;官方展示两天、3,000 美元预算内构建 DataCat 的案例,但这不是任意项目的固定交付报价。

落地建议:首个任务选可自动验收的内部工具,把对外联系、发布销售材料和变更客户承诺列入必须人工批准的动作。

Hugging Face 改用 OpenRouter 路由语言模型

Hugging Face 与 OpenRouter 合作

Hugging Face 将语言模型请求交给 OpenRouter 路由,仍用原有 token 和 API,供应商失败可在同次调用内重试。

语言模型不再支持自带供应商密钥,这是破坏性变化;X-HF-Session-Id 可帮助会话保持缓存路由,图像、视频和音频生成仍走原来的路径。

落地建议:先搜配置里的自定义供应商密钥依赖,再给每段会话固定一个 Session ID,核对账单归属和供应商禁用设置。

Liquid d1.2:从判断扩展到带出处的抽取

Liquid d1.2 决策模型

Liquid 发布 d1.2 和 d1.2-ultra,新增音频输入,以及读值、文本片段定位、图像框选、数值估计和多选任务。

读值任务可返回对应原文字符,找不到时返回未找到;目前在 Liquid API 提供,只收输入 token 费,d1.2/ultra 每百万分别为 0.02/0.042 美元。

落地建议:拿缺少税额的发票测试读值接口,把“未找到”接成人工补录,不要在缺字段时自动估算后写入财务记录。

Microsoft-Decision-1.1:图像输入与决策模型正式版

Microsoft-Decision-1.1 正式发布

Microsoft-Decision-1.1 在 Foundry、OpenRouter 和 Vercel 正式可用,新增图像输入,可做分类和工作流控制。

模型按开发者给定的选项作出决策并提供置信度;Foundry Global Standard 输入每百万 token 为 0.042 美元、输出免费,其他数据区域的费率不同。

落地建议:给 Foundry 分类流程加入截图样本,按错判代价选置信度阈值,低于阈值转人工,不强制选项。

Antigravity Orchestrator:在同一次任务里切换模型

Antigravity 的 Hydrogen 与 Orchestrator

Google 的 Orchestrator 在 11 月 12 日发布,让 Carbon 与 Hydrogen 在任务中协作,不只按首条提示选定模型。

Carbon 可先只读规划,Hydrogen 改代码和跑测试,遇到阻碍再交回规划;Carbon 组合面向 Ultra,付费 Pro 可用 Argon 组合,并非所有档位都有同样模型。

落地建议:Antigravity 订阅者可用常需返工的仓库任务,对照单模型记录成功率、配额和规划接管次数。

Embla 1:面向手机的本地推理模型

Sevren 发布可在手机离线运行的 Embla 1,并提供 4 bit 权重;本地运行没有按请求收取的云端 API 费用,但仍占用设备资源。

官方用 iPhone 18 Pro 测 1,024 输入/256 输出 token,自有 Metal 实现耗时 1.77 秒,llama.cpp 为 2.18 秒,不代表任意问题的耗时。

落地建议:做离线问答先按相同输入、输出长度测自己的目标手机,再补长文本和数学样本,不用单机短测结果承诺线上延迟。

Cerebras 拆分预填充与解码部署

Cerebras 的分离式推理部署

Cerebras 的分离式推理已在生产运行:AMD Instinct GPU 负责处理输入的预填充,CS-3 负责逐 token 生成输出的解码。

官方在 GPT-OSS-120B 的一个共享端点测得每兆瓦吞吐为纯 CS-3 配置的 5 倍,并非单次请求快 5 倍;基础设施合作伙伴可用完整软件栈或仅解码 SDK 接入。

落地建议:推理服务商先按输入输出长度拆分负载,评估 KV 状态经 RDMA 传输的开销,再决定是否采用预填充和解码分离。