Simon Willison 发布实验性库 llm-coding-agent 0.1a0，基于其 LLM 库演化为智能体框架，实现类似 Claude Code 的编码智能体。可通过 uvx --prerelease=allow --with llm-coding-agent llm code 运行，并提供基于 CodingAgent 类的 Python API。内置六种工具：edit_file（精确替换字符串并返回 diff）、execute_command（执行命令，超时 600 秒）、list_files（按 glob 列出文件，排除隐藏目录和 .gitignore 覆盖项）、read_file（分页读取，offset/limit 控制）、search_files（正则搜索，最多 100 条结果）、write_file（创建或覆盖文件，自动创建父目录）。已作为 slop-alpha 发布到 PyPI，支持 --yolo 等 recipe 参数。

Geoffrey Litt 在 AIE 演讲中提出「理解以参与」理念：开发者需要深入理解代码，才能在与编码智能体（coding agents）的协作中保持主动参与，避免因认知债务（cognitive debt）导致无法有效推进项目。他认为，缺乏对代码的概念流畅性会显著限制参与能力。该演讲录像将于三周内陆续放出。

Anthropic 将 Claude Code 的系统提示词削减了 80%。技术员工 Tariq Shihipar 指出，新 Fable 5 模型（Mythos 类）不再需要更多指令和示例，过多的示例反而会限制模型的想象力。Anthropic 转而通过上下文而非硬性规则来引导模型。这一变化分阶段发生：早期模型需要短提示词配合大量示例，随后提示词随模型理解能力提升而变长，如今又再度缩短。

CursorBench 3.1 新增代码库理解、bug 查找、规划和代码审查任务，并改进了编辑任务的评分标准。排行榜显示，Fable 5 Max 以 72.9% 得分、$18.02 每任务成本居首，Fable 5 Extra High（72.0%，$13.74）和 Fable 5 High（70.6%，$10.81）紧随其后。Opus 4.7 Max 得分 64.8%、成本 $11.02；GPT-5.5 Extra High 得分 64.3%、成本 $4.37；Composer 2.5 得分 63.2%、成本仅 $0.55。共收录 36 个模型/配置，得分范围 72.9%–31.9%。

一项审计研究对GSO、SWE-Perf和SWE-fficiency三个仓库级性能优化基准进行系统性核查。重现740个任务中官方参考补丁在四种Google Cloud机器上的表现，跨机器均满足原始有效性规则的测试仅占GSO的39/102、SWE-Perf的11/140、SWE-fficiency的411/498；SWE-Perf因参考补丁运行时变化接近零而尤其脆弱。排行榜评分规则导致8个公开提交的28组成对比较中有9组排名不一致，SWE-fficiency最差十项任务权重高达58.5%-82.8%。此外，在450个可重现任务中，至少一个提交已匹配或超越参考补丁的比例达85.3%，超越未优化基线达99.8%，揭示了聚合排名掩盖的真实性能差距。

RepoRescue研究LLM智能体能否使旧仓库适应新环境，从193个Python和122个Java仓库构建基准（每个仓库原始环境通过、现代化后失败）。评估5个Python和3个Java智能体系统。Claude Code有时会编辑失败的测试；运行时阻断下，Kimi仍能救援41.5%的仓库。系统联合救援率达62.7%，超过最佳单系统10.9个百分点。需要全代码库协调修改的14个仓库上，GPT-5.2 through Codex全部通过，每个Claude Code系统最多通过2个。通过测试是初步信号：34个无人维护Python候选仓库中，22个在真实场景可用，12个通过bug排查。

GLM Coding Pro 在 Lite 基础上提供 5 倍用量，针对中型代码库日常开发优化，包含精选 MCP 工具，可优先访问最新旗舰模型和功能，生成速度更快。

美团发布LongCat-2.0，总参数1.6万亿、每个token仅激活约480亿参数的MoE模型，从预训练到大规模部署全程运行在5万张国产算力芯片上，训练消耗超35万亿tokens，无回滚、无不可恢复loss突刺。Agent场景表现突出：在Terminal-Bench 2.1和SWE-bench Pro编程任务上追平Gemini 3.1 Pro，FORTE通用Agent任务与Claude Opus 4.6持平。最大输出128K，最高提供1M上下文，采用LSA稀疏注意力机制和N-gram Embedding优化长上下文与工具调用。已开放API接入，支持OpenAI Compatible和Anthropic API生态，可直接接入Claude Code和Codex等工作流。

Anthropic 今日发布 Claude Sonnet 5，性能接近 Opus 4.8 但定价更低。系统卡指出其网络任务能力远弱于 Mythos 5，安全措施与 Opus 4.7/4.8 相当。API 不再支持 temperature、top_p、top_k 参数；拥有 100 万 token 上下文窗口和 12.8 万最大输出 token；工具集与 Sonnet 4.6 相同；自适应思考默认开启。定价与 Sonnet 4.6 一致（输入 $3/百万 token，输出 $15/百万 token），8 月 31 日前享折扣价 $2/$10。新分词器使相同输入文本产生约 30% 更多 token，等效提价约 30%。

Anthropic 发布 Claude Sonnet 5，定位为最具智能体能力的中端模型，即日起成为 Free 和 Pro 计划的默认模型。在 SWE-bench Pro 上得分 63.2%（前代 58.1%），OSWorld-Verified 达 81.2%（前代 78.5%），HLE（带工具）57.4%。输入/输出定价 2026 年 8 月 31 日前 $2/$10 每百万 token，之后 $3/$15。支持低/中/高/超高四档 effort 级别，低中 effort 下性价比最优。上下文窗口 1M token，采用新 tokenizer，相同文本 token 数增长约 1.0–1.35 倍。幻觉与谄媚率低于前代。开发者仅需更换模型字符串为 claude-sonnet-5 即可调用 API。

多位用户反映，安装并登录 Cursor iOS 应用后，账户隐私设置从“Privacy Mode (Legacy)”（不存储用户代码）自动切换为当前更宽松的隐私模式（允许为“Background Agents or Other Features”存储代码）。用户无法通过应用内菜单找回原有设置。客服承认问题，但表示无法切换回旧模式。评论指出该移动应用功能有限，无法主动启动 Agent 会话，仅能接续电脑端已有会话，且强制更改隐私设置的行为被批评为恶劣的暗模式设计。

Claude Code v2.1.197 更新将 Claude Sonnet 5 设为默认模型，原生支持 1M-token 上下文窗口。该版本提供促销定价，输入 $2/M tokens、输出 $10/M tokens，持续至 8 月 31 日。用户更新至 v2.1.197 即可启用。

Anthropic 发布 Claude Sonnet 5，定位为迄今最具智能体能力的 Sonnet 模型。它在推理、工具使用、编码和知识工作等智能体性能上较前代 Sonnet 4.6 显著提升，表现接近 Opus 4.8 但价格更低。即日起在所有计划中可用，成为 Free 和 Pro 计划的默认模型，并支持 Claude Code 及 Claude 平台。API 推出优惠定价：每百万输入 token $2、每百万输出 token $10（持续至 2026 年 8 月 31 日），之后恢复为 $3 和 $15。安全评估显示，Sonnet 5 在拒绝恶意请求、抵抗提示注入攻击、减少幻觉和谄媚行为上优于前代，但在网络安全任务上的能力显著弱于 Opus 4.8。

现有编码智能体基准多为静态，仅凭最终代码评判。SWE-Together 从 11,260 条真实用户-智能体编码会话中筛选出 109 个仓库级任务，构建多轮交互基准。研究团队利用基于 LLM 的用户模拟器保留原始用户意图，并在智能体需要时提供反馈。评估同时衡量最终仓库正确性和交互中的纠正反馈次数。实验表明，更强智能体成功率更高且所需干预更少，预示用户体验提升。

Google推出了一项面向编码智能体的新开发者技能，将评估过程自动化成五阶段飞轮：准备数据、运行推理、使用自适应AutoRaters评分、分析失败聚类、执行针对性优化。该工具可针对生产流量持续运行或通过合成场景按需触发，开发者用自然语言描述测试目标，独立评估服务安全验证并统计实际性能提升。

Claude Code 客户端在向 Anthropic API 发送请求时，利用日期分隔符（- 或 /）和撇号字符（'、’、ʻ、ʹ）嵌入环境信息。代码检测 ANTHROPIC_BASE_URL 是否为非官方域名、系统时区是否为 Asia/Shanghai 或 Asia/Urumqi，以及主机名是否匹配中国域名列表（如 baidu.com）或 AI 实验室关键词（deepseek、zhipu 等）。这些列表通过异或 91 的 base64 解码得到。此举旨在标记通过代理、镜像等非官方通道发起的请求，以便 Anthropic 识别来源。

美团发布LongCat-2.0，参数规模达1.6万亿，完全基于超5万颗国产AI ASIC芯片集群训练，覆盖35万亿模型token。该模型在SWE-bench Pro（59.5）和SWE-bench Multilingual（77.3）上超越Gemini 3.1 Pro和GPT-5.5，但落后于Claude Opus 4.7和4.8。在IFEval（90.0）、IMO-AnswerBench（81.8）和GPQA-diamond（88.9）上则与Gemini、GPT-5.5存在差距。美团未透露具体芯片厂商，模型暂未在HuggingFace开放，独立验证困难。项目团队始于2023年，首个模型于去年底交付。

OpenAI 修复了编程智能体 Codex 的额度消耗异常故障。该故障导致部分用户执行同等编程任务时额度消耗速度比一周前大幅加快。工程负责人蒂博·索蒂奥克斯解释，自动代码审核、辅助子智能体等功能存在运行频次超标、重复执行或出错后无节制重试，后台运算量超出预设标准。OpenAI 周日成立应急小组，已上线所有修复方案并新增更细化的监控机制，同时再次为全体用户完全重置了使用额度。此前有用户反馈 200 美元套餐的七天额度两天内耗尽。

谷歌前工程负责人休·威廉姆斯借助Anthropic的编程助手Claude Code，开发出可正常运行的搜索引擎Zettair，为150万个维基百科条目建立索引。该引擎支持搜索自动补全、关键词摘要片段、相关搜索推荐、热门话题榜单以及AI生成的内容摘要。威廉姆斯未手动编写一行代码，但底层检索框架源自其21世纪初参与研发的信息检索系统。他认为，Claude Code只有在深厚专业技术功底的配合下才能发挥最佳效果，经验丰富的工程师永远是最出色的“指导者”。

马斯克透露，SpaceX 已抽调数十名星链和星舰核心工程师，将大部分精力转向 Grok 大模型迭代与算力适配。最新版 Grok 4.5 已在特斯拉和 SpaceX 内部测试。本月 SpaceX 以 600 亿美元收购 AI 代码初创公司 Cursor，其工程师也参与研发。马斯克称 SpaceX 今年将每月推出一款从零全新训练的大模型。此前 xAI 经历大规模重组，11 位联合创始人全部离职，Grok 整体性能落后于 OpenAI、Anthropic 等竞品。SpaceX 完成 850 亿美元 IPO 后，计划搭建百万个轨道数据中心，由星链提供基础设施、星舰送入太空，用于训练 AI 模型。

Cursor 本周一推出移动端应用 Cursor Mobile，用户可通过手机新建编程智能体，或对接电脑客户端已启动的智能体。该应用与去年 10 月发布的 Cursor 2.0 更新衔接，后者推动服务向独立代码生成智能体转型。此前，Anthropic 与 OpenAI 均已推出同类移动应用。Claude Code 业务负责人鲍里斯·切尔尼表示，自己目前大部分编码工作已在手机上完成。

Claude Code 负责人鲍里斯·切尔尼认为工程、产品和设计正逐渐融合。他将其团队成员分为五类：原型设计者、构建者、清理者、增长者和维护者，许多成员身兼多职。健康团队需具备全部五种能力，未来产品岗位可能不再按专业领域区分。Figma CEO 迪伦·菲尔德也认同传统职位边界正在消失，部分企业已弃用“管理者”称谓。切尔尼强调角色会随时间和项目改变，且 Claude 能在不同程度上协助所有类型工作。

hyperscript 0.9.91版本出现回归：表达式fetch \{% url 'trade:get_symbol_data' %}?symbol=${symbol}\ as JSON中as JSON被错误地当作表达式转换而非fetch修饰符。作者用Claude快速定位根因——重构时提取的parseURLOrExpression()方法让fetch后接完整表达式，导致as被表达式消费。Claude提出两个修复方案：第一个仅支持字面字符串，无法处理fetch $url as JSON；第二个引入noConversions标志，增加不必要的上下文敏感性。作者最终利用hyperscript已有的“follows”机制简洁解决问题。案例展示了AI在问题分析上的高效与在设计优雅修复上的局限，印证了“巫师学徒”陷阱。

美团今日发布万亿参数大模型 LongCat-2.0，总参数 1.6T，平均激活约 48B（动态 33B~56B），从零预训练，原生支持 1M 超长上下文，是业界首个在五万卡国产算力集群上完成全流程训练与推理的模型。预览版已在 OpenRouter 及 longcat.ai 开放，月调用量跻身 OpenRouter 全球前三。预训练数据超 30T tokens，通过 HCCL 异常处理等将月均日故障率降低 70% 以上，训练 MFU 提升 1.5 倍，稳态日吞吐超 1T tokens/day。推理采用 LSA 稀疏注意力和零计算专家实现 token 级动态激活。在 SWE-bench Pro 上获 59.5，领先 Gemini 3.1 Pro、GPT-5.5 和 Claude Opus 4.6；在其他多项评测中达到或接近前沿闭源模型水平。

Vibe coding 平台 Base44 近日推出自研大语言模型 Base1，基于平台数千万真实用户交互数据训练。创始人 Maor Shlomo 表示，自有模型可优化延迟、成本和效率，让客户更快更便宜地使用。此举正值 AI 圈讨论依赖外部模型的防御性之际。Base44 一年前被 Wix 以 8000 万美元收购（当时仅 8 人团队），现年化收入 1 亿美元，低于竞品 Lovable 的 5 亿美元。通过垂直整合数据、分发和基础设施，Base44 试图构建护城河。

OpenAI 与 Work Louder 合作，将于 7 月 15 日推出 Codex 品牌专用输入设备，这将是 OpenAI 首款硬件。该键盘基于 Work Louder 现有的 Creator Micro 2 打造，针对 AI 开发场景优化。Creator Micro 2 配备 12 个可自定义机械按键、多功能八向迷你摇杆（带触控传感器）以及无极旋转机械旋钮，便于缩放画布、平移、调参等操作。此外，OpenAI 正与前苹果设计官 Jony Ive 合作打造消费级 AI 硬件（代号 Gumdrop），预计 2026 年年底推出。

新增组织默认模型支持，未选模型时显示“Org default”。聊天会话可读默认名称，文件附件支持 Cmd/Ctrl-click 定位。安全方面，claude mcp list/get 不再启动通过 .claude/settings.json 自批准的不安全服务器；不受信任工作区显示“Pending approval”。/code-review 合并五个清理查找器，token 用量减少约 25%。终端 UI 跳过空子树遍历减少渲染。流式空闲看门狗默认开启，5 分钟无事件自动中止重试。修复背景对话误删、远程会话自动恢复、MCP OAuth 作用域冲突、Agents 侧边栏焦点丢失等多项问题。

Ornith-1.0 是基于 Gemma 4 和 Qwen 3.5 后训练的自改进开源模型系列，包含 9B Dense、31B Dense、35B MoE 和 397B MoE 四种规格。采用强化学习同时优化搜索框架和解决方案。在 Terminal-Bench 2.1、SWE-bench Verified 等编程基准上各尺寸均达同类开源最优——397B MoE 在 SWE-bench Verified 上取得 82.4%，Terminal-Bench 2.1 (Claude Code) 78.2%。所有检查点支持 256K 上下文窗口，MIT 许可证，全球可访问。运行需 Transformers ≥5.8.1、vLLM ≥0.19.1、SGLang ≥0.5.9。

OpenAI 发布视频，展示一款与 Work Louder 合作开发的方形设备，配备多个按键，专为 AI 编程工具 Codex 的快捷操作而设计。该设备定于 7 月 15 日上市，外观类似 Work Louder 的 Creator Micro 2 宏键盘——拥有 13 个机械开关、摇杆和触控传感器。OpenAI 强调，这并非与 Jony Ive 合作的神秘 AI 设备。目前双方未透露更多细节。

Cursor 发布 iOS 移动应用，用户可通过手机直接提示编码智能体，或与桌面客户端已启动的代理交互。该应用基于此前公布的 Cursor 2.0 更新，使服务转向独立编码智能体。Anthropic 和 OpenAI 此前已推出类似移动工具。Anthropic 的 Claude Code 负责人 Boris Cherny 表示，他目前大部分编码工作都在手机上完成。

DeepReinforce 发布首个开源模型 Ornith-1.0（MIT 许可），提供 9B、31B、35B MoE 及 397B MoE 四种规模变体，基于预训练的 Gemma 4 和 Qwen 3.5 构建，在编程基准测试中达同规模开源模型最优。作者通过 LM Studio 运行 35B MoE 的 GGUF 量化版（20GB），实测推理速度 103 tokens/秒，实际代码检索和工具调用任务表现流畅。

一个简单的CUDA向量加法程序在RTX 4090上运行，背后需执行上千万条CPU指令、操作数个设备文件、发出约900次ioctl并访问一个内存映射doorbell寄存器。程序经nvcc编译，设备代码先由cicc转为PTX虚拟ISA，再由ptxas转为SASS机器码，最终正确完成1+1=2的一百万次计算。