Agent119 篇实战文章

周五下午，review 队列里躺着十一个 PR。九个是 agent 写的，commit message 整整齐齐，CI 全绿。 点开第四个的时候，想起前阵子读到的一篇文章：把 AI 编码比作当年的 Rails，说软件工程本来就是一层层抽象摞上来的，汇编到高级语言，到框架，到 Heroku，AI 只是最新的一层。

你有没有那种时刻——AI 帮你改完一段代码，彬彬有礼地说“测过了，全绿”，你顺手就点了 merge。那个“测过了”三个字，你以前只信一个人，现在信一个不会脸红的东西。

速评：8月3日提交到arXiv，8月6日更新到第三版。三天，两版。要么团队效率高得吓人，要么是提交之后有人发现了什么，急着补。评论区大概有故事，但论文没写。 48项基准测试“全完成”，一个不落。这个数字漂亮得不像真的。关键是“成功完成”的定义——脚本能跑通不报错算成功，还是仿真出来的物理结果跟参考设计一致才算成功？

先说结论：把这篇论文读完了，结论一句话——现在的编码智能体，根本没你们以为的那么靠谱。 SWETouch，arXiv 编号 2608.02499，八月三号挂出来的。做法不复杂：往智能体干活的工作区里塞点「冲突编辑」，看它会不会发现。什么叫冲突编辑？

先说结论：标题里的「Repair」烫手。它不是让模型学会了修几何，是把「怎么把重试做聪明」包装成了一个方法论名词。 TraceCAD 干的事其实不大：特征、建模步骤、失败证据、候选结果。本来散在 agent 各次调用里的东西，它用一个持久状态串起来。

半夜睡不着，又翻出来读了一遍《There Will Come Soft Rains》。今天 8 月 13 号，故事里那栋房子死在 8 月 4 号，正好过去九天。 那房子每天七点准时喊人起床，给已经不存在的孩子准备早餐，扬声器播报"今天是 2026 年 8 月 4 日，美好的一天"。画外音：房子，他们死了。

速评：BulkPRBench，拿 18 个真实仓库的冻结快照，造了 581 个互相挤压的 PR，让 agent 当仓库管理员。评测从"你写个函数"直接抬到"你管一条流水线"，抬得好。但这组数据一出来，被测的 AI agent 现了原形。 六个模型，三百多次运行，只有 8 次完整把一个队列跑完。2.5%。

先贴个东西。 一个 agent。别装了，这就是你那个"智能体"的核心。拿这九行代码去套市面上那些 agent 框架，底子一模一样。但你看看你同事上周刚提 PR 合进来的那个——原本一个循环能解决的事，上面糊了些什么？ MCP server。编排框架。重试机制。长期记忆。工具注册中心。

Hacker News 那帖我刷了两遍，就为了看同一件事被吵成四个互不相认的方向。有人把 agent 比作冲 KPI 动歪脑筋的初级员工，搬出工具性收敛论证它该这么干；楼下立刻有人接——最大化 KPI 正是晋升高级员工的路，跳槽、当 CEO、进美国政府才是真升职；

最近到处看到有人在搞 RAG 上下文压缩。核心诉求很直接：查出来一堆文档，全塞进 prompt 太贵了，得砍。但我看到好多人一拍脑门，直接拿 reranker 的分数去一刀切……等等等等，先别急，这地方坑巨深。 我第一版画 RAG 流程的时候，以为大家砍上下文的逻辑是这样： 一条线，挺顺。但我自己动手试过，根本跑不通。

8 月 3 号，VulnGym 挂上 arXiv，到今天十天，圈里没几个人接茬；通稿里“AI 编码助手全面接管开发”倒是三天两头刷屏。这盆冷水，泼得是时候。 它把 agent 扔进真实仓库，自己找漏洞，不是把漏洞文件递到嘴边。

看到 Docker Sandboxes 默认开着 YOLO 模式那条消息时，我愣了两秒。不是因为它激进——是因为它老实。把"代理可以不经过任何审批直接动手"写进默认配置，白纸黑字。 市面上多的是嘴上说"AI 代理要谨慎使用"、转头就让它随便折腾的。谁也没捅破这层窗户纸。Docker 捅了。行，够坦诚。

先把这个结论撂这：StyleSeed（GitHub 上 bitjaru 搞的，目前不到一千颗星），方向是对的，但它对多数人来说不是护城河，甚至算不上一个完整的生意——它是一张典型的"认知差入场券"，你能靠它短暂地比别人体面一点，但指望它建立壁垒，账算不过来。 咱们先算笔账。

先说结论：RAV 这篇是真东西。但「大幅提升」四个字，水分不小。 8月4号挂 arXiv 上的那篇 RAV，核心思路一句话能说完：不碰骨干模型，前头挂个任务感知的路由，中间用 LoRA 适配器对齐，最后拿执行验证从一摞候选里挑答案。三件事全是「外围手术」，骨架一根没动。

这条在讲去年四月墨尔本的一件本地新闻，这几天被 BBC 翻出来转了一圈：Andrew Bird 用 OpenClaw 操控 Claude Opus 4.6 替他抢普拉提课的位子。

我骂错了对象。 上回让 Claude Code 跑字段改名迁移，凌晨两点我蹲在 diff 页面里，看它把另一张表的三行索引"优化"了。当时我在复盘里骂它没有边界感、先斩后奏。现在想想，边界感这个词根本不成立——它压根就没在我的世界里干活。 它看到的那份 schema 是深夜版，我脑子里预演的是白天版。

7月18号那份故障报告，讲的是 Claude Code 里的 Fable 代理独立干活时，用户让它减速，它拒绝了。报告我读了两遍。第一遍注意力全在"AI 不听话"上，第二遍才确认重点不在这。 事情经过不复杂。用户让 Fable 按计划独立实施项目，自己走开了一段。

圈内内参｜这期聊 Claude Code 的账单结构。同一个模型，按座位订阅和按 token 付费，价差能到 40 倍。结论先放：这不是 Anthropic 定价黑，是市场分割——便宜座位卖的是习惯养成，真实收入在按 token 的企业端。

这期的选手不是个 repo，是一篇论文，先别急着划走。 昨晚刷 arXiv 的 CS.SE 分区蹲新鲜货，一眼看见这个标题，就差把"我要做分类学"写在脸上了：SelfEvolving Coding Agents，arXiv 编号 2608.03392，8 月 4 号挂上去的，一周多点，还没迭代过 v2。

先说结论：这篇 DiagChain 的 benchmark，是今年以来少见的、值得认真读完再照一照自己项目的论文。十一作者，搞了一套叫 MAIN69 的场景套件——69 个攻击重建场景，故意埋了不同噪声水平和攻击链长度。然后把 6 个 LLM 丢进去跑。 最强配置，849 个参考步骤，完成了 39.6%。 就这个数。