HERMES:让代码仓库组件成为可协作的开发智能体
HERMES 提出 Dev-Primitives,将代码、测试和配置等仓库组件与驻留式语言模型绑定,使它们能够理解自身实现、彼此通信并参与修改。实验显示,合理设计智能体运行框架,可能比单纯扩大模型规模更有效率。
阅读全文WideSWE:代码智能体能否跨仓库协同完成开发任务?
现有代码智能体评测多聚焦单一代码库,但真实软件生态中的功能开发与缺陷修复往往需要多个仓库同步修改。WideSWE通过120项真实任务,检验智能体在跨仓库协作中的完整执行能力。
阅读全文阿里开源 OpenCodeReview:把 AI 代码评审拆成可控流水线
阿里巴巴开源了 Go 语言开发的 AI 代码评审 CLI 工具 OpenCodeReview。它用确定性逻辑处理文件选择、规则匹配和意见定位,再让 AI 负责动态代码分析,以降低成本并提升评审结果的可验证性。
阅读全文从“一个”到“多个”再回到“一个”:面向类别的软件工程智能体训练
一项新研究提出类别感知的专家训练与策略整合框架,试图解决软件工程强化学习中不同任务类别进步不均、彼此“拉锯”的问题。方法通过 RRE 迭代训练类别专家,再用标签路由的多教师在线策略蒸馏,将能力合并到单一模型中。
阅读全文CodeMidas:让开源代码直接变成编码智能体的强化学习环境
小米 MiMo 团队提出 CodeMidas,仅依赖现有代码库,就能自动发现已实现功能、生成可执行测试,并筛选出适合强化学习的编码任务。实验显示,这种数据构建方式可提升智能体在修复、编程和终端操作等任务上的表现。
阅读全文编码智能体的关键不只是模型,而是如何设计 Harness
一项针对编码智能体 Harness 的实证研究表明,上下文管理、规划方式和工具接口的价值,会随模型能力与上下文预算发生变化。与其追求“一套通用配置”,不如按模型和任务特征进行组合设计。
阅读全文Bend:用类型、证明与并行运行时约束 AI 写代码
Bend 试图把 AI 编程从“生成后测试”推进到“生成时证明”。这门新语言结合类似 Python 的语法、接近 C 的单核性能、CPU/GPU 并行执行,以及面向规则验证的类型系统。
阅读全文Harness 还是模型?同模型对照实验重新审视编程代理优势
一项针对编程代理的私有基准研究发现,在相同模型下,厂商原生 harness 并未稳定胜过通用方案。结果还显示,任务类型、超时处理和成本核算,可能比“原生搭配”更能影响结论。
阅读全文Kimi K2.8 Preview上线:百万上下文向全档会员开放
月之暗面将K2.8 Preview全面接入Kimi Code与Kimi Work,官方称其综合性能接近K3,并进一步强化编程和Agent能力。更值得关注的是,1M上下文不再局限于高阶会员。
阅读全文Cognition 发布 SWE-2:以更低成本推进编程智能体性能前沿
Cognition 推出新一代编程模型 SWE-2,重点不只是提高解题率,还试图在一次强化学习训练中同时优化不同推理强度下的成本与性能。模型在多项代码代理基准上接近更大型竞争对手,但部分终端任务表现仍存在明显差距。
阅读全文Cognition估值飙至480亿美元,AI编程仍非赢家通吃
AI编程助手公司Cognition完成20亿美元融资,估值升至480亿美元。其融资估值倍数高于Cursor被SpaceX收购前的水平,显示投资者仍相信这一市场能容纳多家巨头。
阅读全文1.7万次实测揭示:Claude、Codex与Cursor如何选择第三方工具
一项覆盖近1.7万次运行的实验显示,编码代理对第三方服务的选择并不一致,代码库语言、上下文和信息呈现方式都会显著改变结果。
阅读全文从训练到搜索:AI 编程系统如何冲上 IOI 金牌线
一项研究展示了面向竞赛编程的完整后训练流程:从题目筛选、合成推理轨迹,到监督微调、强化学习和测试时迭代。其系统在 IOI 2026 评测中取得 535.4 分,超过最高人类选手成绩。
阅读全文PaperCompiler:把论文转代码变成可追溯的仓库级规范
PaperCompiler 针对论文到代码过程中常见的算法简化、隐含假设丢失和跨文件不一致问题,引入了面向整个代码仓库的规范编译流程。该方法通过记录证据来源、约束文件职责与依赖关系,提升生成实现对原论文的忠实度。
阅读全文Harness-of-Harness:让编程智能体在多轮迭代中持续改进软件
Harness-of-Harness(HoH)不是一个新的代码模型,而是一套运行在既有编程智能体之上的迭代框架。它通过规划、编码、测试和独立评估的循环,让智能体从一次性交付转向持续开发。
阅读全文Claude Code拒读AGENTS.md,Shopify的“禁用令”揭开了什么
围绕一个配置文件格式的争议,正在演变成大型研发组织的工具治理问题。Shopify CEO公开考虑禁用Claude Code后,Anthropic给出的回应并未平息开发者不满。
阅读全文LinkedIn 如何用多智能体把 AI 代码审查做成基础设施
面对超大规模代码变更,LinkedIn 没有简单套用现成 AI 审查工具,而是搭建了一个由多个审查智能体、规则系统和事件驱动架构组成的平台。其重点不只是生成评论,更是控制幻觉、提升信噪比并衡量建议是否真正被采纳。
阅读全文Uncle Bob的AI编程实验:不再逐行审代码,但架构仍离不开人
Uncle Bob正在尝试把软件开发交给AI智能体,把人类角色转向质量约束与架构把关。实践显示,自动化测试能显著降低审查负担,却还不能替代人类对系统结构和业务上下文的判断。
阅读全文LEGO-RL:让编码智能体在原生运行框架中完成强化学习
LEGO-RL试图解决编码智能体强化学习中的一个关键难题:如何在不改动原有Harness控制流的前提下,让真实工具调用、上下文压缩和执行反馈可靠地进入策略优化流程。该框架在三个编码智能体Harness上训练Qwen3.5-35B-A3B,并提升了SWE-bench Verified成绩。
阅读全文