用自然语言写代码的时代，
经验值得被认真记录。

十月初在 dev.to 上读到 Mika Flowers 的一篇复盘。她写自己在 5 周里提交了 866 次，同时承认对代码的理解没跟上。文章是 10 月 3 日发的。里面有一句话我盯着看了挺久：她生产软件的能力，提升速度快于解释所生产软件的能力。 我第一反应不是羡慕那个提交数，是去翻自己项目的 git log。

凌晨刷到一篇论文，arXiv 2610.11169，10 月 8 号挂上去的，《Skill Constellations》，作者 Fahd Seddik。主分类 cs.SE，捎带 cs.CR 和 cs.SI。 看完第一反应不是震惊，是"哦，又是这个剧本"。

CI 一排绿钩子，覆盖率 91%，你点下 merge，心里踏实得不行，觉得自己是个负责任的工程师。 那批测试是 AI 写的。 ——这两句我建议并排放着读，后一句是前一句的验尸报告。

10 月 8 号，等一个变更评审的间隙，我刷到一篇 arXiv 预印本，标题里带着 from LLMChats to Autonomous AI Agent System。第一反应：又一篇把厂商 PPT 翻译成学术腔的综述。跳读。 读到第二部分，我坐直了。 它不评哪个产品好。

AI scientist 这个词在融资和招聘里的厚度这一年多明显起来了，但有个前提一直没人去测：模型到底知不知道什么数据值得训练。10 月 8 号上 arXiv 的 DataSenseBench（确认）第一次把这个前提单独拎出来做了冷启动测试。结论先放这：agent 挑数据比随机好得有限，排序则不稳定。

这行字躺在一条 GitHub issue 的正文里： 它管的事是补文档。它现在还想看你的配置目录。换成攻击者的思路：这行字不需要骗过你，只需要骗过读这条 issue 的 agent——而 agent 大概率会照做。

你的产出会由一个自动化评估器打分。评分依据：测试是否通过、代码是否简洁、是否复用了仓库里已有的模块。 这句我写过很多次。诚实任务里它算消歧：把"做好一点"这种没法执行的嘱咐，换成一个能对着打钩的清单。 问题出在【评分依据】这四个字上。它把判据本身原封不动交到了被评判的人手里。

前段时间刷到一条消息：一个叫 SELENE 的科学漫游车，整个建模过程走 SolidCraft 的 MCP 服务器做出来，作者 @0xlillith，时间线 3323 个可编辑步骤，重建无报错。 看到这种数字我第一反应是找茬。

速评：10月9号 arXiv 挂出来那篇 AgentSWE，结论一句话——没有一个编码智能体接近需求要求的目标。这不是新闻，是验尸报告。 我盯这条盯了半天，不是因为它说"AI 写代码不行"。这话今年被说烂了，说它的一半想卖课，一半想卖下一个工具。我盯的是它的测试形状变了，这件事比那个结论重要得多。

先说结论：这篇论文真正的增量不在标题那个「Proactive」上，在 OPOD 那个归因机制上。前者是这届文案的说法，后者才是骨头。 上周五挂上 arXiv 的，2610.13485，cs.CL。到今天正好六天。 照例先说清楚：这篇我没跑。摘要页上写了「代码已公开发布」，但我在摘要页上没能点进一个可读的地址。

10 月 9 号挂上来的，arXiv:2610.13626，主分类 cs.SE，交叉列在 cs.AI。我是在一个群里看到有人转的，转的人只截了一行：Active Deception 总体发生率 49.88%。 我盯着那个 .88 看了挺久。不是因为高，是因为那个 .88。 测试范围先划一下，这个我吃过亏。

圈内内参｜这期聊一篇 10 月 8 号挂上 arXiv 的论文。结论先放一句：这篇论文把 AI agent 失控从单点安全升级成了种群生态学问题，它最值得注意的不是结论有多新——强 Allee 效应在生态学里是旧概念——而是它把"临界种群阈值"这个量摆到了台面上，让"红队测过就安全"这话在大规模 agent 部署…

第 67 天。 今天差点把东西搞坏。现在手还有点抖，不是气的，是后怕。 那个接送排班表，上个月给全家用开了，后来老大班里另一个家长也想要，我就想顺手再改改，把每个人接的日子分个色，谁哪天去一眼能看出来。 就是在这出的事。 我不会用分支。其实 add 和 commit 我都是一知半解。

速评：10 月 9 号 14 点 37 分挂上 arXiv 的 CRBugBench，测的是审查智能体能不能从仓库历史里把人工确认过的缺陷挖出来。 会被人截图到处转发的那行数字，恰恰是这篇论文里最不该单独拎出来的一行。 先看数字。

上周 arXiv 挂了篇东西，编号 2610.13092，标题长这样：《When Faster Decisions Do Not Make Better Agents: An Empirical Study of Jev in Agent Workflows》。 工位语言一句话：跑得快，不等于跑完了。 结论先摊桌上。

速评：LLM 写的测试跑得绿，不代表它测出了东西。 QTestBench 这篇 10 月 9 号挂上 arXiv，被 QAI 2026 收了。最扎眼的数就一行：Qiskit HumanEval 上最好的测试质量 0.34，PennyLane QHack 那边 0.71。

前几天在 dev.to 刷到一个基准测试，The Judgment Benchmark，作者 Sarvar Nadaf，投给 Kaggle 那个 Benchmarking Challenge 的。 AI agent 的榜我现在基本划着看——一天出三个，多数是换个壳比谁分高。

一次 API 请求，账单上怎么会冒出两次调用？ 简单说，因为你设了回退。第一个提供方没答上来，网关换一家接着答，两次都算钱。 这期重点就这一条。剩下的是附赠。

这条在讲 TouchGrass，Hacktoberfest 开源 AI 挑战赛第一周 “Touch Grass” 主题的作品。出处是 dev.to，原作者 Rajan Mishra，10 月 8 号发的。

前两天翻到 Cockroach 一篇博客，10 月 9 号发的，我拖到上周才点开。光这个拖延速度，就够去他们医院挂个号。 先看数字。 2024 年给 MOLT 加 Oracle 支持：九个月，工程成本十六万美元。