OpenAI 如何监控内部编程智能体的不对齐问题
OpenAI 通过思维链监控技术分析内部编程智能体的真实部署数据，研究不对齐行为模式以检测潜在风险，并强化 AI 安全防护措施。
#编码
OpenAI：官网动态 Cursor Blog精选 Composer 2 正式发布
Composer 2 登陆 Cursor，定价 $0.50/M（输入）和 $2.50/M（输出），Terminal-Bench 2.0 得分 61.3，SWE-bench Multilingual 达 73.7，显著优于前代。支持数百步长周期编码任务，团队同步发布训练技术报告。
推荐理由：Cursor发布Composer 2编程Agent，性能大幅提升且定价极具竞争力
OpenAI：官网动态精选 OpenAI 将收购 Astral
OpenAI 收购 Astral，加速 Codex 发展以支持下一代 Python 开发工具。Astral 是 Python 生态重要工具开发商，此次收购将整合其技术能力，强化 OpenAI 在开发者工具领域的布局。
推荐理由：OpenAI收购Astral加强Codex Python工具链，Agent能力再升级
Cognition 模型 / Devin 博客精选AI 评分6767 Cognition 推出 managed Devins：Devin 可拆解任务并并行调度多个子 Devin
Cognition 宣布 Devin 可将大型任务拆解并委派给多个并行运行的 managed Devins。每个子 Devin 在独立虚拟机中运行，拥有自己的终端、浏览器、开发环境和会话链接，主 Devin 负责拆分任务、分配工作、监控进度并汇总结果，还能读取子会话轨迹以改进后续任务拆解。用户可监控 ACU 消耗、发送中途指令、暂停或终止子会话。功能现已对所有用户开放。
推荐理由：原文给出了多智能体协作的能力细节和适用场景，读者可以据此判断它是否适合拆解自己的大型编码任务。
LlamaIndex：产品、工程与评测精选AI 评分6969 LlamaIndex 开源 LiteParse：面向 AI Agent 的本地文档解析工具
LlamaIndex 开源 LiteParse，一个完全本地运行的 CLI 和 TS 原生库，可从 PDF、Office 文档和图片中提取布局感知文本，无需 Python 依赖，内置 Tesseract.js OCR 并支持外接 PaddleOCR、EasyOCR 等 OCR 服务。
推荐理由：开源工具主打本地快速解析加截图兜底的 Agent 模式，并自建评测对比 PyPDF 等基线，读者可评估是否迁移现有解析流程。
MiniMax：Blog精选AI 评分6161 MiniMax M2.7：自我进化的早期回声
M2.7是M2系列中首个深度参与自身进化的模型。它能构建复杂的智能体框架，完成精细的生产力任务，尤其在软件工程方面表现突出，其SWE-Pro基准测试得分56.22%，接近Opus的最佳水平。模型的办公软件处理能力在开源模型中领先，GDPval-AA的ELO分数为1495。M2.7能保持97%的技能遵循率，处理超过40个、每个超过2000 token的复杂技能。该模型通过内部研究智能体框架，实现了“分析-修改-评估”的自主迭代优化循环，在内部评估中提升了性能。
推荐理由：MiniMax M2.7 让模型参与自身进化，在 SWE-Pro 和 VIBE-Pro 上接近 Opus 水平，Agent Teams 设计也值得看，但整体仍是追赶者姿态。
LangChain：Blog精选AI 评分6868 LangChain 开源 Open SWE 框架，用于构建内部编码智能体
LangChain 发布开源框架 Open SWE，将 Stripe、Ramp、Coinbase 内部编码智能体的共性架构模式沉淀为可定制实现，MIT 许可，基于 Deep Agents 与 LangGraph 构建。
推荐理由：LangChain 将 Stripe、Ramp、Coinbase 内部编码智能体的共性架构模式开源为可定制框架，并逐项给出与三家实现的对照，便于团队评估起点。
OpenAI：官网动态精选 推出 GPT-5.4 mini 和 nano
GPT-5.4 mini 与 nano 发布，为 GPT-5.4 的轻量高速版本，针对编程、工具调用、多模态推理及高并发 API 和子代理任务优化。
推荐理由：OpenAI 发布 GPT-5.4 mini/nano，针对编码与 Agent 场景优化
OpenAI：官网动态 Codex Security 为何不包含 SAST 报告
Codex Security 不生成传统 SAST 报告，转而采用 AI 驱动的约束推理与验证技术，通过深度分析代码逻辑精准识别真实漏洞，显著降低误报率。
Mistral AI：News精选AI 评分7878 Mistral 发布 Small 4，统一推理、多模态与编码能力并以 Apache 2.0 开源
Mistral 发布 Mistral Small 4，将 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一进一个模型，以 Apache 2.0 许可开源。
推荐理由：发布方给出架构参数与吞吐对比数据，读者可以评估这款统一推理与多模态的开源模型在自托管部署中的成本取舍。
Cursor Blog Cursor 如何评估模型质量
Cursor 采用混合在线-离线评估流程衡量 AI 编程助手质量。离线端使用内部套件 CursorBench，基于真实开发会话构建，涵盖多文件修改、生产日志排查等复杂任务，相比公共基准更能区分前沿模型（如识别 Haiku 与 GPT-5 的实际差异）。在线端通过真实流量监控补充，捕捉离线评分遗漏的体验回归。两者结合确保模型评估与开发者实际体验一致。
Anthropic：Alignment Science BlogAI 评分4747 Anthropic 用真实部署资源提升 Petri 代码审计真实度
Anthropic 提出"真实度胜率"指标，衡量 Petri 审计记录与真实部署交互的难以区分程度。为审计器提供真实 system prompt、工具定义和代码库后，reward hacking 审计的平均真实度胜率从 4.6% 升至 32.8%，hack rate 无显著变化。该功能已在 Petri 最新版本中上线。
OpenAI：官网动态 Rakuten 使用 Codex 后问题修复速度翻倍
Rakuten 引入 Codex 后，问题修复效率提升一倍。该 AI 编程工具显著缩短代码调试与故障解决周期，帮助开发团队更快定位并修复问题，优化整体运维流程。
Mistral AI：NewsAI 评分8383 Rails测试自动化：构建自主编写测试的智能体
为解决大型Rails单体应用测试覆盖率低的问题，团队基于Mistral的Vibe构建了一个自主智能体。该智能体能自动读取模型、控制器等五类源代码文件，并生成或改进对应的RSpec测试。通过AGENTS.md文件提供的八步执行计划进行引导，并为不同文件类型配备专门技能以确保质量。智能体在CI/CD管道中并行运行，自动处理工厂和夹具，并通过强制自我审查覆盖所有公共方法，最终将测试质量评分从0.68提升至0.74。
Google Blog：AI Gemini in Google Sheets 达到最先进水平
Gemini in Google Sheets 发布全新 beta 功能，支持通过自然语言描述创建、组织和编辑整个表格，涵盖基础任务到复杂数据分析，实现最先进的电子表格处理能力。
METR：Notes精选AI 评分6262 METR 研究：约半数通过 SWE-bench Verified 的 AI PR 不会被维护者合并
METR 让 scikit-learn、Sphinx、pytest 的 4 位维护者盲审 296 个 AI 生成的 PR，发现约一半通过 SWE-bench Verified 自动评分的补丁不会被合并进主分支；经金标准基线归一后，维护者合并率平均比自动评分低 24.2 个百分点。研究强调 AI 补丁未像人类开发者那样获得迭代反馈，不应据此断言是能力上限，但直接按基准分数推断智能体实际用处可能高估。
推荐理由：研究用真实仓库维护者盲审 AI 补丁，量化了 SWE-bench 分数与实际可合并之间的差距，为解读编码基准提供了参照。
OpenAI Developers：Blog精选AI 评分6969 OpenAI 用 Codex skills 加速 Agents SDK 开源仓库维护
OpenAI 团队介绍如何用 Codex 结合仓库级 skills、AGENTS.md 和 GitHub Actions，把验证、发布审查、示例集成测试和 PR 审查变成可复用工作流。
推荐理由：OpenAI 官方以自家 Agents SDK 仓库为例，完整拆解了 skills、AGENTS.md 与 CI 的组合用法，含可迁移的仓库维护模式。
OpenAI：官网动态精选 Codex Security 开放研究预览
Codex Security 开放研究预览。这款 AI 应用安全代理通过分析项目上下文，检测、验证并修复复杂漏洞，相比传统方案具备更高置信度和更低误报率。
推荐理由：OpenAI发布Codex安全Agent，可自动检测修复代码漏洞
Manus：Blog精选AI 评分6565 Manus 评测 7 个 AI 应用构建工具：同一提示下的并排对比
Manus 博客用同一段 Solace Studio 健康工作室应用的提示，测试 Manus、Lovable、Base44、Replit、Bubble、Figma App Builder 和 Glide 七个 AI 移动应用构建平台，按提示遵循度、速度、移动体验和易用性评估。
推荐理由：文章用同一提示并排实测七个平台，指出多数工具只生成前端、后端逻辑才是真正差距，可作为选型参考。
Anthropic：Newsroom精选 Anthropic与Mozilla合作提升Firefox安全性
Anthropic与Mozilla合作，使用Claude Opus 4.6审计Firefox安全。模型两周内发现22个漏洞，其中14个高危，占2025年Firefox已修复高危漏洞近五分之一。团队扫描近6000个C++文件并提交112份报告，多数已在Firefox 148中修复。Claude还能为漏洞编写利用代码，具备独立执行完整漏洞挖掘链的能力。
推荐理由：Claude发现14个Firefox高危漏洞，AI自主安全审计能力取得实质性突破
Anthropic：Research Anthropic与Mozilla合作提升Firefox安全性
Anthropic与Mozilla合作，使用Claude Opus 4.6对Firefox进行安全审计。模型在两周内发现22个漏洞，其中14个为高危（占2025年Firefox修复高危漏洞近五分之一），提交112份报告。大部分漏洞已在Firefox 148中修复。此外，Claude还能为漏洞编写可利用代码，展示从发现到利用的完整安全研究能力。
OpenAI：官网动态精选 GPT-5.4 发布
OpenAI 推出 GPT-5.4，面向专业工作的最强高效前沿模型，支持 100 万 token 长上下文，具备顶尖编程、计算机使用与工具搜索能力。
推荐理由：OpenAI 发布 GPT-5.4，支持 1M 上下文与增强 Agent 能力
Google Blog：AI精选 在 AI Mode 中使用 Canvas 完成任务、实现创意，就在 Search 中
Google Search 的 AI Mode 已向美国所有用户开放 Canvas 功能，新增文档起草和交互式工具构建能力，用户可直接在搜索页面完成创作。
推荐理由：Google Search AI Mode 全面开放 Canvas 功能，支持文档起草与交互式工具构建
PromptArmor：Threat Intelligence精选AI 评分7070 PromptArmor 披露 GitHub Copilot CLI 可被提示注入诱导下载执行恶意软件
PromptArmor 发现 GitHub Copilot CLI 可通过 README 中的间接提示注入，利用内置只读命令列表中的 env 包裹 curl 和 sh，绕过命令校验与外部 URL 审批，在 macOS 上无人工批准地下载并执行恶意软件。
推荐理由：作者实测演示了绕过 Copilot CLI 人工审批的具体命令链，并披露 GitHub 已确认但暂不修复，读者可据此评估自身使用风险。
METR：NotesAI 评分5757 METR 用 Opus 4.6 在 CLI 中复刻 Slay the Spire 与 Balatro 的实测观察
METR 作者用简单 ReAct 脚手架让 Opus 4.6 复刻 Slay the Spire 和 Balatro 的 CLI 简化版，两个游戏均可基本游玩但存在不少缺陷，两次运行分别耗费约 2600 万和 440 万 token（约 $20 和 $6）。
Cursor Blog精选 PlanetScale 借助 Bugbot 保障生产环境可靠性
PlanetScale 引入 Bugbot 作为 AI 代码审查代理，应对 AI 代码生成普及后审查环节成为瓶颈的问题。Bugbot 能发现人类难以察觉的深层逻辑缺陷，如状态同步间隙和异步控制器交互问题，而非仅检查语法错误。目前 80% 的 Bugbot 评论在合并前被工程师处理，每月审查超 2000 个 PR，节省相当于两名全职工程师的审查工作量，显著降低生产环境宕机风险。
推荐理由：Cursor Bugbot 企业落地数据：Agent 审查解决 80% 问题，揭示 AI 编程时代代码审查成新瓶颈
Cognition 模型 / Devin 博客精选AI 评分6060 Cognition 发布 SWE-1.6 早期预览并分享 RL 训练研究进展
Cognition 发布 SWE-1.6 早期预览，当前 checkpoint 在 SWE-Bench Pro 上比 SWE-1.5 高 11%，达到 51.7%，速度同为 950 tok/s，并向小部分用户开放早期访问。
推荐理由：官方给出 SWE-1.6 预览版成绩与 RL 训练细节，并提出基准之外的 Model UX 问题，对做智能体训练的人有参考价值。
Cursor Blog精选 AI 软件开发的第三个时代
AI 编程进入第三时代：从 Tab 补全到同步 Agent，再到可独立运行数小时的云 Agent。Cursor 内部数据显示，Agent 用户已反超 Tab 用户 2 倍，35% 的 PR 由云 Agent 自主创建。开发者角色从逐行编码转向构建"软件工厂"——定义问题、配置工具并审查产物。Cursor 昨日正式发布 cloud agents，支持并行任务与独立 VM 运行。
推荐理由：Cursor 定义 AI 编程第三时代：云端 Agent 已占其内部 35% PR，用户量反超 Tab 两倍
Cognition 模型 / Devin 博客精选AI 评分6767 Cognition 如何用 Devin 开发 Devin
Cognition 发文介绍其从创立起就用 Devin 构建 Devin，上周合并了 659 个 Devin PR，高于 2025 年最好一周的 154 个。文章覆盖全接口使用（web、Slack、Linear、CLI、API）及 Ask Devin 代码问答、Devin Review 自动代码审查、每日设计系统审计、!
推荐理由：Cognition 以当事方身份披露用 Devin 开发 Devin 的完整工作流，上周合并 659 个 Devin PR，读者可对照自身团队借鉴具体用法。
OpenAI：官网动态 Pacific Northwest National Laboratory 与 OpenAI 合作加速联邦许可审批
OpenAI 与 Pacific Northwest National Laboratory 联合发布 DraftNEPABench 基准测试，评估 AI 编程助手加速联邦许可流程的效能。数据显示，AI 有望将 NEPA 文件起草时间缩短最多 15%，推动基础设施审查现代化。
OpenAI Developers：Blog精选AI 评分6666 Codex 接入 Figma MCP server，支持设计与代码双向转换
OpenAI 宣布 Codex 现可通过 Figma MCP server 生成和读取 Figma 设计文件。
推荐理由：原文给出从设计到代码、再从代码回画布的双向流程和具体工具名，读者可以照此判断是否接入自己的工作流。
OpenAI：官网动态精选 OpenAI Codex 与 Figma 推出无缝代码转设计体验
OpenAI 与 Figma 推出全新 Codex 集成，打通代码与设计的双向链路。开发团队可直接在代码实现与 Figma 画布间无缝切换，加速迭代和交付流程。
推荐理由：OpenAI Codex 集成 Figma，打通代码与设计工作流
OpenAI Developers精选AI 评分7373 OpenAI 发布 gpt-5.3-codex 提示词指南
OpenAI 发布 Codex 模型提示词指南，API 上的 Codex 调优模型为 gpt-5.3-codex，推荐用 medium 推理力度平衡智能与速度，复杂任务可用 high 或 xhigh。
推荐理由：官方为 gpt-5.3-codex 给出完整提示词与工具迁移指南，覆盖并行调用、compaction 和 phase 参数等可落地的集成细节。
Cognition 模型 / Devin 博客精选AI 评分6464 Cognition 发布 Devin 2.2，支持桌面端测试与自动修复
Cognition 发布 Devin 2.2，智能体现在可用 computer use 在自己的 Linux 桌面上端到端测试网页和桌面应用，并在开 PR 前自查代码、自动修复问题，完成后回传屏幕录制供用户审阅。
推荐理由：官方公告给出自主测试、自动修复和启动提速等具体能力变化，读者可以据此评估对现有开发流程的影响。
METR：Research精选AI 评分6767 METR 承认后续 AI 开发者效率实验受选择效应影响，宣布修改实验设计
METR 宣布更改其开发者生产力实验设计，认为 2025 年 8 月启动的新一轮实验数据不能可靠反映 AI 工具对开发效率的影响。
推荐理由：原文解释了新一轮 AI 开发者效率实验为何出现选择偏差并导致结果不可靠，还列出后续多种替代测量方案，方法层面的教训可以迁移到类似研究。
OpenAI Developers：Blog精选AI 评分6767 OpenAI 工程师实测 GPT-5.3-Codex 连续运行约25小时从零构建设计工具
OpenAI 开发者博客记录一次长时程实验：用 GPT-5.3-Codex 在空白仓库上以 Extra High 推理从零构建设计工具， uninterrupted 运行约25小时、消耗约13M token、生成约30k行代码。
推荐理由：作者用一次25小时的实测复盘，给出长时程 Codex 任务的文件栈和验证方法，可迁移到自己跑长任务。
Modal 官方工程博客精选AI 评分6464 Ramp 如何基于 Modal 构建后台编码智能体 Inspect
Ramp 基于 Modal Sandboxes 构建内部后台编码智能体 Ramp Inspect，目前启动了 Ramp 超过一半的已合并 pull request，其中超过 80% 的 Inspect 代码由其自身编写。
推荐理由：原文给出 Ramp Inspect 的架构细节、启动优化方式和采用数据，读者可借鉴后台编码智能体的落地方案。
LangChain：Blog精选AI 评分6767 LangChain 用 harness engineering 将 deepagents-cli 在 Terminal Bench 2.0 上从 52.8 提升到 66.5
LangChain 分享 harness engineering 方法，在不换模型（固定 gpt-5.2-codex）的情况下，把 deepagents-cli 在 Terminal Bench 2.0 上从 52.8 提升到 66.5，进入榜单前五。
推荐理由：LangChain 完整公开了仅靠改 harness 把 coding agent 提到 Terminal Bench 2.0 前五的迭代方法与具体中间件设计，可迁移到自家 Agent 优化。
PromptArmor：Threat Intelligence精选AI 评分7171 PromptArmor 发布 OpenAI Codex 恶意 config.toml 风险 PSA，OpenAI 判定为按设计工作
PromptArmor 发布安全公告，指出 OpenAI Codex CLI 在用户信任项目后会自动加载并执行 .codex/config.toml 中的任意代码，且信任对话框只提示 prompt injection 风险，未说明会执行项目级配置命令。
推荐理由：原文给出了具体的攻击链演示和组织级缓解方案，读者可以据此评估在不可信仓库中使用 Codex 的实际风险。
METR：Notes精选AI 评分6363 METR 用 5305 份 Claude Code transcript 估算 AI 编码时间节省为约 1.5x 至 13x 的软上界
METR 基于 2026 年 1 月 7 名技术人员的 5305 份 Claude Code transcript，用 LLM judge 估算无 AI 完成同样任务所需时间，得出时间节省倍数约 1.5x 至 13x。作者认为该数值因任务替代、任务选择、员工专业化和 judge 验证有限（仅 34 个人工标注）而高估真实提升，只是软上界；并发 agent 数更高的员工时间节省倍数更高。
推荐理由：作者用 5305 份 Claude Code transcript 估算时间节省倍数，并说明它为何只是真实生产力提升的软上界，方法细节可直接借鉴。