標籤 · #coding-agents

實證研究揭示編碼代理的關鍵設計選擇

為什麼值得讀開發自主編碼代理的開發人員可以根據模型能力調整上下文管理和動作空間，從而優化效率與準確性。

研究顯示，編碼框架中的上下文管理與動作空間設計對效能和成本有顯著影響。開發者可根據模型能力調整這些組件，以優化自主編碼代理的效率與準確性，特別是在上下文窗口受限時，規則式省略策略能提升效率。

為什麼值得讀將測試生成與程式碼修復分離，可防止錯誤共識與虛假信心，顯著提升代理可靠性。

ExecCritic 使用獨立的測試與修復代理及強化學習，提升 SWE-bench Verified 上的成功率。

為什麼值得讀代理式編程的競爭，重心已從模型品質轉向執行環境。OpenAI 買下的是那些枯燥而困難的基礎設施——持久性、沙箱、稽核——它們才能把聰明的代理變成可部署的代理。

OpenAI 收購 Ona——前身為 Gitpod 的雲端開發環境公司——讓 Codex 代理能在持久、由客戶掌控、可稽核的環境中執行更長時間的任務。

為什麼值得讀重點不是 1.5 兆的參數量，而是訓練語料。以 Cursor 真實開發者工作流調校一個前沿模型，是直接搶攻 Claude 與 Codex 主導的程式碼層。在權重或 API 出現前，請把基準與時程都視為廠商自述。

Musk 表示 xAI 的 1.5 兆參數 Grok V9-Medium 已完成訓練（5/25），約為現行生產模型的 3 倍，並以 Cursor 開發資料訓練，預計六月中旬發布。

為什麼值得讀約 53 倍的 ARR 倍數，押的是「代理即人力」，而非「代理即工具」。飛輪既是證明也是風險：Cognition 用 Devin 寫自家約 90% 的程式，所以它的成長故事與產品演示是同一回事——直到成長放緩。

Devin 程式代理的開發商 Cognition 以 260 億美元估值募資逾 10 億（5/27）——8 個月翻 2.5 倍、$492M ARR、自家程式約 90% 由 AI 撰寫。

為什麼值得讀訊號是「價格-效能反轉」：預算級現在在每美元代理吞吐量上跑贏上一季旗艦。若你的基建是按 Pro 級定價規劃的，你的單位經濟學剛剛改善了，而且不用改一行程式。

I/O 2026：Flash 級 Gemini 3.5 Flash 在編碼+代理基準贏過 Gemini 3.1 Pro，$1.50/$9 每百萬 token。Terminal-Bench 76.2% vs 70.3%。快 4 倍、半價。

為什麼值得讀值得盯緊的不是 benchmark 分數，而是「8 個 subagent 並行」這個結構選擇。若它站得住，成本模型從「每任務多少 token」轉成「每分鐘多少任務」 —— 跑 Claude Code 或 Codex 的團隊都得從 throughput 重做評估。

5/14 公開測試。SWE-Bench 70.8%、256K context、$0.20/$1.50 每百萬 tokens、$99 入門價。8 個子代理並行 git 分支 —— 競賽變四方。