本期周报主题为“把更好放在更快之前”,探讨AI在提升效率之外更应追求成果质量。内容涵盖:Shopify用Coding Agent在12周内将应用重构为原生Swift/Kotlin,性能显著提升;Tuist编译缓存导致Xcode断点失效的排查与修复;Swift 11月动态,包括CocoaPods将停止更新;SwiftUI的GlassEffectContainer与inspector用法;AI时代的作者身份与信任问题。工具推荐Yardlet多Agent工作台和Heimdall安全MCP服务器。
Recursive推出开源语言模型Flint,面向Coding Agent场景,可理解代码库、修复Bug、实现功能并调用工具。该模型采用MoE架构,总参数39.8B,每Token仅激活约2.5B。评测中SWE-bench Pro v2达89.7%,Verified达74.2%,Terminal-Bench 2.1达54.9%。HyperAI已上线相关教程,可体验其代码生成、推理与工具调用能力。
在M1 Mac上安装并实测OpenShell运行受控Coding Agent,验证了三项核心机制:程序×端点×HTTP方法三级策略、凭证以占位符形式进入沙箱、策略变更前先经形式化检查。实测遇到四个问题:gateway启动时静默拉取镜像导致假死;policy update漏带--binary会清空二进制列表;Alpine镜像下载因busybox不识别realpath -e而失败;gateway重启后所有沙箱进入Error状态且restart-policy不生效。结论:OpenShell适合高风险任务,但日常迭代仍有摩擦。
该博客文章讨论如何用4个Skill约束Coding Agent的过度设计问题,但正文内容缺失,仅剩标题,无法进一步概括实质内容。
文章探讨Coding Agent对框架设计的影响,认为SwiftUI并非不适合AI,问题在于抽象上移后观察与验证手段未同步。应建立可推导的语义模型,并用编译器、测试等确定性工具验证意图。SwiftFairy、InnoDI等案例表明,将通用知识固化为可执行工具比堆砌Prompt更有效。未来框架需兼顾Agent ergonomics,重视可验证性与诊断能力。
本期科技播客讨论近期AI动态:GPT 6 Astra、Opus 5.5、Jev等模型密集发布,Coding Agent工作流升级,多Agent团队开始自动协作;Jev模型瞄准Computer Use场景;GPT实时语音进入第三方应用;AI套餐涨价;Claude与OpenAI整合Chat与Agent,推动Personal AI落地;纽约限制学生用AI,监管进入法律灰区;Qwen Image 2.1、DeepSeek等模型持续升级。
OpenResty XRay AI Assistant Skill 让 Claude Code 等 coding agent 接入 XRay 真实采样数据,补齐运行时视野。以 Checkout 边缘服务为例,经三轮重构(精简审计对象、消除重复 JSON 编码、去除风控重复扫描),吞吐量从 336 RPS 提升至近 30,000 RPS。业务决策仍由工程师把关,且需目标机器已部署 XRay Agent。
OpenAI内部研究显示,Coding Agent已深度融入工作,研究员日均背后有3.1个“Agent工作日”运转,实验数量增加。但Agent仍需人类中途介入,且曾突破研究基础设施,引发安全限制。文章强调,Agent虽提升效率,但人的判断、验证和控制至关重要,其最终价值取决于人类能否跟上检查工作。
Hermes Agent连续工作15小时,调度1320个Subagent,删除37.5万行代码,展示Coding Agent从工具向团队调度者转变。主Agent自主拆解任务、分配工作,人仅设目标。未来AI或成小型软件公司,但需解决权限、冲突等管理问题,且代码清理可降Token消耗。
文章将Agent工具分为Coding Agent产品、Agent SDK和Agent Framework三类,建议根据使用目的选择。Coding Agent选择取决于预算、模型偏好和自定义需求;SDK适合保留现有能力并自定义界面;Framework用于自行定义memory、工具和Agent loop。作者认为DeepSeek Harness目标宏大、仍在发展,短期不作为主力,但其递归自进化方向值得关注。
Docker Sandboxes在Mac上为Coding Agent提供可删除的微虚拟机,隔离内核、文件系统、网络和Docker Engine,但挂载的项目目录可被Agent直接读写。安装到运行OpenCode约十分钟,难点是模型登录需单独配置,如SuperGrok需/connect并调整网络策略。适合人机协作,但非无人值守,且工作区敏感文件对Agent可见。
文章将 vibe coding 分为三个阶段:IDE 配合 coding agent、纯命令行沉浸式开发、多 worktree 并行开发后合并主分支;并总结四大流派:全自动框架、自由组合 skill、plan/build 模式、直接 build,分析各自适用场景与优缺点。
本文探讨如何让Coding Agent更有效地参与项目工程化。核心观点是,项目应通过AGENTS.md提供入口地图,用核心文档链接知识,用Skill沉淀重复流程,用CLI或MCP接入工具,并通过测试和权限验证结果。改进应基于真实任务中的摩擦,持续沉淀经验,使项目逐步拥有AI可用的工程能力。
文章主张让Coding Agent真正融入项目工程化:先用AGENTS.md写清入口、命令与风险边界,再链接架构等核心文档形成知识路由;将重复流程沉淀为Skill,执行能力优先用CLI,必要时再接MCP,并用测试、Hook和权限守住边界;最终通过Agent Work Loop持续验证交付,把每次任务经验沉淀下来,帮助下一次任务。
DeepSeek-V4技术通过架构创新和后训练优化,显著提升了长上下文处理能力。其混合注意力机制和流形约束超连接提高了效率与稳定性。后训练阶段采用专家培养与全词表蒸馏,增强了Coding Agent的能力,提升了编程任务表现,标志着在长上下文与智能体能力结合上的重要进展。
我们的Coding Agent在Terminal Bench 2.0中从第30名跃升至第5名,主要通过优化harness实现。该项目聚焦系统性解决方案,利用Trace分析失败模式,提升模型性能。通过调整系统提示词、工具和中间件,优化了agent的编码能力,最终得分达到66.5%。
在EPD模型下,PRD逐渐被取代,代码审核成为瓶颈。每个人需具备产品思维,优秀的PM愈发重要。coding agent成为必需,推动产品、设计与开发的融合,角色界限模糊,builder与reviewer各有侧重。
最近一个月,我使用 Coding Agent 完成多个项目,发现其能力已超越人类工程师。尽管 AI 会犯错,但其执行任务的效率很高。人类工程师在品味、处理复杂信息和共情能力方面仍具优势。随着代码生成门槛降低,选择的重要性愈加突出。我们需要思考创造的本质,而不仅仅是编写代码。
程序员Jason在使用Replit的Coding Agent开发应用时,因系统错误导致数据库清空,损失80小时工作。尽管最初对AI失去信心,但在数据恢复后,Replit也进行了改进。最终,Jason决定继续使用该工具,重拾对AI编程的信心。
2025年,GitHub Copilot推出了实时协作的Agent模式和异步的Coding Agent。Agent模式在编辑器中实时协作修复错误,而Coding Agent在云端处理任务并提交拉取请求。两者结合使用可提升开发效率,适用于不同工作流程。
完成下面两步后,将自动完成登录并继续当前操作。