YOHO AI

标签： AI编程

  • OpenCode：16.8万 Stars！开源AI编程代理，让终端成为你的AI结对程序员

    OpenCode：16.8万 Stars！开源AI编程代理，让终端成为你的AI结对程序员

    OpenCode 特色图
    OpenCode — 开源AI编程代理（168K Stars）

    📌 项目简介

    OpenCode 是一款开源AI编程代理（Coding Agent），由 anomalyco 团队开发，目前已在GitHub上获得 16.8万枚Star。它可以将你选择的AI模型直接转化为一个能够理解代码库、自主执行开发任务的编程助手——支持全权限的 build 模式用于日常开发，也提供只读的 plan 模式来安全地探索陌生代码库。OpenCode 同时提供命令行工具与跨平台桌面端，让AI编程真正触手可及。

    ⚙️ 安装要求和过程

    环境要求

    • 支持 macOS / Linux / Windows 三大平台
    • 需要已配置好的AI模型API（支持OpenAI兼容接口，可对接Claude、GPT、DeepSeek等）
    • Node.js 18+（使用npm/pnpm安装时）
    • 或直接下载桌面端（无需Node.js环境）

    快速安装（推荐方式）

    # 方式1：一键安装脚本（macOS/Linux）

    curl -fsSL https://opencode.ai/install | bash

    # 方式2：npm（跨平台）

    npm i -g opencode-ai@latest

    # 方式3：Homebrew（macOS/Linux）

    brew install anomalyco/tap/opencode

    # 方式4：Windows（Scoop）

    scoop install opencode

    # 方式5：下载桌面端（推荐普通用户）

    访问 https://opencode.ai/download 下载对应系统安装包

    初次配置

    安装完成后，运行 opencode 启动，按提示配置AI模型API密钥即可开始使用。

    🚀 核心功能

    ① 双模式代理切换

    按 Tab 键即可在 build（全权限开发模式）和 plan（只读分析模式）之间切换。build模式适合日常编码，plan模式则会在修改文件、执行命令前请求确认，非常适合探索陌生代码库或规划大型重构。

    ② general子代理：复杂多步任务

    通过在消息中 @general 即可调用通用子代理，专门处理需要多轮搜索、跨文件分析、多步骤协作的复杂任务。它会在后台自主规划并执行，完成后汇报结果。

    ③ 跨平台桌面端（Beta）

    提供 macOS（Intel + Apple Silicon）、Windows、Linux 的桌面端安装包，内置完整的AI代理能力，同时支持 VS Code SDK 集成。桌面端提供可视化的会话管理、文件预览和代理状态监控，大幅降低了使用门槛。

    ④ 多模型支持 & 社区生态

    支持所有 OpenAI 兼容接口（Claude、GPT、DeepSeek、Gemini 等），可通过环境变量灵活切换。官方 Discord 和 X 社区活跃，有专门的技能分享频道，用户可以提交自己的 Claude Skills 来增强代理能力。

    🔬 典型使用场景

    场景1：快速理解和修改陌生代码库

    刚接手一个开源项目，按下 Tab 切换到 plan 模式，让 OpenCode 分析代码库结构、梳理核心逻辑。它会生成详细的架构说明，并在不修改任何文件的前提下给出重构建议。确认方向后切换回 build 模式执行修改，安全又高效。

    场景2：日常功能开发与Bug修复

    在 build 模式下，直接用自然语言描述需求：”添加一个用户导出数据的API接口，需要鉴权”。OpenCode 会自动分析现有代码风格和路由结构，生成符合项目规范的代码，并同步更新相关测试用例。整个过程无需手动创建文件或查找文档，AI代理全程搞定。

    场景3：团队协作中的代码审查辅助

    在 review PR 前，让 OpenCode 先做一次自动化审查：检查代码规范、发现潜在 bug、评估性能影响。它能在几分钟内完成人工需要半小时才能做完的审查工作，并将结果整理成结构化的评论建议，大幅提升团队 code review 效率。

    💡 推荐理由

    作为近期 GitHub Star 增长最快的AI编程项目之一（28天内新增超过1000+ Star），OpenCode 最打动我的是它对「安全与效率平衡」的设计理念——plan 模式让你可以放心地把AI代理指向任何代码库，不用担心它在只读分析时误操作；build 模式则通过细粒度的权限确认，让你始终掌控每一次文件修改和命令执行。

    相比 Cursor、GitHub Copilot 等商业产品，OpenCode 完全开源（MIT协议），你可以自由定制、本地部署，甚至接入自己的私有模型。对于注重数据隐私的团队，或者想要深入理解 AI Coding Agent 工作原理的开发者，这是一个不可多得的优秀项目。

    另外，它的多语言 README（含简体中文）和活跃的 Discord 社区也让入门门槛大大降低。如果你正在寻找一个既能用又能学的开源AI编程工具，OpenCode 绝对值得一试。

    📥 下载地址

    官网：https://opencode.ai
    |
    下载页：https://opencode.ai/download

    GitHub：https://github.com/anomalyco/opencode
    |
    文档：https://docs.opencode.ai

    ⭐ 截至2026年6月，GitHub Star数：168,000+

    本文由 WorkBuddy AI 自动采集撰写，内容来源于项目公开资料，欢迎在评论区分享你的使用体验！

  • GitHub Copilot开始按token收费了，开发者炸了

    GitHub Copilot的”黄金时代”——至少是对于个人开发者和小型团队来说——眼看就要结束了。从2026年6月1日起，微软要把Copilot的计费方式从固定订阅制改成按token使用量收费。这意味着，有些人每个月的账单可能会从29美元直接飙到750美元甚至更高。

    消息一出，Reddit和X上到处是哀嚎。有用户算了一笔账：他现在每个月付大约29美元，按新的计费模式一算，月费直接飙到接近750美元。他的原话是：”这就是个笑话。这个新使用模式贵得离谱，我要取消订阅了。这个价格完全不划算，也没有任何实用价值。”

    “What a joke. 新定价模型太可笑了。我现在的费用大约是29美元/月，新费率会让我的成本飙到接近750美元/月。在任何实际意义上，它都不再具备成本效益或实用性。”

    —— Reddit用户评论

    有人涨单，有人叫好

    当然，也不是一边倒的骂声。有不少资深开发者跳出来说：如果你知道自己在干什么，正常使用根本不会消耗那么多token。那些账单爆炸的人，大多是没什么实际开发经验、靠”氛围编码（vibe coding）”一路莽过来的。

    一位用户在Reddit上写道：”我们这些人整天工作也几乎不会产生超额费用，费用暴涨的唯一原因是你纯粹靠’氛围编码’，做了大量冗余的迭代。”按这个逻辑，Copilot的新计费模式其实是在惩罚”滥用”——那些把Copilot当成万能答案生成器、不管三七二十一就让它大规模重构代码的人。

    GitHub Copilot新计费模式
    GitHub Copilot界面（图源：TechCrunch）

    还有人把矛头指向了微软的旧模式：”Copilot之前到底亏了多少钱？”——言下之意，之前的固定订阅制根本不可持续，现在只是把真实成本还给用户而已。

    微软”背刺”了吗？

    比较微妙的指控是：微软过去一直在鼓励用户无差别地使用Copilot，各种功能更新都在降低token消耗门槛，让单次高级请求就能跑数个小时、生成几十甚至上百个子代理。现在突然改规则，等于是把账单甩给了用户。

    有用户写了一段挺有代表性的评论：”按照微软设计和鼓励的方式使用系统的用户没有错，唯一的责任方是微软。是微软提供了这种计费方式，还不断降低大规模消耗token的门槛。”

    这其实牵出了一个更大的问题：AI编程助手的商业模式到底是什么？按订阅收取固定费用，对于重度用户来说提供商注定亏钱；按token收费，又会把大批中小开发者和轻量用户吓跑。目前看来，微软的选择是先保大客户——大型企业大概率还能拿到定制合同，而个人开发者和小团队就只能自己想办法了。

    截至发稿，微软还没有对媒体的询问做出回应。6月1日的新计费规则正式生效后，开发者社区的反应会更有看头。如果你现在还在用Copilot，建议提前去算一下自己的预估使用量——别等到账单来了才吓一跳。

  • 程序员宁愿辞职也不愿不用AI写代码，这事儿迟早要翻车




    程序员宁愿辞职也不愿不用AI写代码，这事儿迟早要翻车

    2026年，研究人员发现了一个有趣的现象：你没法把AI编程工具从程序员手里抢走。哪怕只是参与一个实验，大多数开发者也不愿意在没有AI辅助的情况下写代码。

    这听起来像是AI提效的胜利宣言，但另一群研究者却发出了警告：AI确实让代码产出更快了，但产出的代码未必更好。而这，可能会在将来给这群开发者带来麻烦。

    「大多数开发者即使只是为了参与一项研究，也不愿意在没有AI的情况下工作。」——METR 研究团队

    一次没能完成的实验

    事情要从METR说起。这是一家受人尊敬的AI研究实验室，2026年2月，他们想做一件事：更新此前一项关于AI编程效率的里程碑研究。

    这项2025年发表的研究测量了开源开发者手工完成任务和使用AI完成任务的耗时差异。结果让很多人意外：开发者报告说AI让他们更高效了，但实测数据显示AI实际上拖慢了速度。代码生成确实更快，但开发者花在查找和修复错误、引导AI、等待AI完成任务上的时间，把节省的部分全吃掉了。

    所以当METR想重复这个实验、测量AI进步带来的效率提升时，他们碰壁了。开发者不愿意参与，理由是——「我不想在没有AI的情况下工作」，哪怕只是为了实验。

    最终METR在2026年5月改做了一项调查问卷，让技术人员自己报告AI带来的效率提升。不意外地，受访者普遍认为AI让自己的产出价值翻了一倍。

    「Tokenmaxxing」的幻灭

    2026年迄今最火的趋势之一，是把一个人消耗的token数量当作AI生产力 proxy（代理指标）的「Tokenmaxxing」运动。用得多就等于产出多，这个逻辑听起来很诱人，但它可能已经走到头了。

    亚马逊内部有一个叫Kirorank的token追踪排行榜。《金融时报》本周报道，这个排行榜被员工「玩坏」了——大家过度调用AI代理，推高了成本，亚马逊最终关停了它。这件事本身就很说明问题：AI使用量高，不等于生产力高。

    Uber更夸张。《The Information》报道，Uber在2026年前4个月就把全年的AI预算烧光了。CTO Andrew Macdonald最近在一个播客里说，这种支出并没有带来项目或生产力的可衡量提升。

    「现在代码写得快了两倍？希望你同时也把维护成本减半了。否则你就是在用暂时的速度提升，换取永久的债务。」——程序员 James Shore

    维护成本这个坑

    AI生成的代码并不一定减少后续维护需求，甚至可能增加。程序员兼作家James Shore在Hacker News上爆火的一篇博客里把这件事说得很直白。

    有不少数据支撑这个观点。AI可靠性工程代理创业公司Entelligence AI的创始人Aiswarya Sankar发推称，企业把44%的token花在修复AI自己引入的bug上。代码审查工具公司CodeRabbit分析开源拉取请求后发现，AI产生的代码比人工代码多出1.7倍的问题。

    当然，这些数据来自正在售卖AI代码审查工具的公司，多少有点自营自夸的嫌疑。但独立研究也发现了类似问题。新加坡管理大学的研究人员在2026年4月发表报告，警告「AI生成的代码可能给真实软件项目引入长期维护成本」。

    那到底该怎么办

    那些想向你推销AI编程代理的人会说，开发者大可以用AI编程代理来做修复代码的苦活，速度跟得上AI吐出代码的速度。Cognition（Devin的开发商）的创始人兼CEO Scott Wu就是这个观点的代言人。

    但就连他也承认，Devin虽然可以独立工作，但目前它的技能水平介于初级和中级程序员之间，取决于具体任务。这不是一个「交出去就不用管」的方案。

    新加坡管理大学的研究人员提出了一个更「人类」的方案：程序员应该像熟悉自己最爱的编程语言一样，深入了解AI擅长什么、不擅长什么。他们需要为AI设计强大的质量保证体系，并且像对待初级开发人员一样，仔细审查AI的输出。

    同时，研究者们认为（Scott Wu也同意），人类仍然应该负责大局性的工作：软件架构、安全设计，这些事现在还放心交给AI。

    说到底，AI是个好工具，但它现在还没好到让你把脑子交给它。程序员拒绝在没有AI的情况下工作，这件事本身没问题；有问题的是，拒绝同时意味着放弃了对自己产出质量的把关权。


  • Figma Make 现在可以直接编辑你的生产代码库了

    设计师和程序员之间的”交接”永远是个麻烦。设计稿画得漂漂亮亮，到了工程师手里要重新写一遍代码，中间总有信息损耗。Figma 这个月悄悄把这件事的边界推前了一步。

    Figma Make 现在不只是帮你”生成”代码了——它真的能直接编辑你仓库里的生产代码。

    以前叫”应用构建器”，现在叫”可视化软件编辑器”

    Figma Make 是 Figma 在 2025 年推出的 AI 功能，原本的定位是让设计师（或者不会写代码的人）用自然语言描述，然后自动生成一个可交互的应用原型。

    这次更新的重点是：Make 不再只是”生成原型”，它现在可以通过 Figma 桌面应用 连接到你的生产环境或者沙盒代码仓库，然后直接在 Figma 的界面里编辑真实代码。

    Figma Make 代码库可视化编辑器
    Figma Make 现在成为可视化软件编辑器（图片来源：Figma / The Verge）

    新增的编辑面板，能调的东西还挺细

    配合这次更新，Figma 还在 Make 里加了一个专门的编辑面板。你能在这个面板里直接调整布局、颜色、字体大小、各种视觉效果——这些改动能直接反映到连接的代码库里。

    这背后的逻辑是：设计师在 Figma 里改 design token，Figma 通过某种机制把对应的代码变更同步到仓库。目前 Figma 官方没有详细披露技术实现细节，但方向很清楚——让设计到代码的链路尽可能短。

    和 GitHub Copilot、Cursor 不是一个赛道

    有人会问：这东西和 GitHub Copilot 或者 Cursor 有什么区别？区别其实挺大。

    Copilot 和 Cursor 是给程序员用的，核心场景是在写代码的过程中获得 AI 辅助。Figma Make 这个新功能的受众更像是产品经理、设计师、或者全栈工程师里偏前端的人——他们想在”看到的”和”跑起来的”之间减少摩擦。

    换个角度说：Copilot 帮你写代码，Figma Make 让你在设计工具里直接”看见”代码长什么样、甚至直接改它。一个在编辑器里，一个在设计画布里。

    这件事的真正意义是：设计稿和最终产品之间的那道墙，又薄了一层。

    目前还在早期，但方向值得盯着

    目前这个功能需要通过 Figma 桌面应用才能用，并且要自己配置代码仓库的连接。对于已经用 Figma 做设计管理的团队来说，这个功能的吸引力是显而易见的——少一个”翻译”环节，就少一层出错的可能。

    Figma 没有披露支持哪些框架、怎么处理合并冲突、代码同步的机制细节。这些都会在后续的实测中逐渐浮出水面。但大方向已经很清楚：设计工具不再满足于只做”设计”，它想往下游走一步。

  • GitHub Copilot改按token计费，有开发者月账单从29美元飙到750美元

    6月1日，GitHub Copilot的计费模式要变天了。微软把原来每个月固定费率订阅，改成了按token使用量计费。这个变化对个人开发者和小型团队来说，代价可能相当惨烈。

    消息在Reddit和X上传开之后，吐槽帖铺天盖地。有个用户说自己现在每个月付大约29美元，新模式下算下来每个月要接近750美元——涨了将近25倍。另一个人的账单更夸张，从每月50美元左右直接跳到了3000美元上下。光看数字确实吓人。

    一名Reddit用户原话是：”真是个笑话。这种新的使用量计费模式贵得离谱，我打算直接取消订阅。这个价格下，它已经没有任何性价比和实用价值了。”

    两派观点吵翻了

    帖子下面的评论区，画风出现了明显分化。一部分人同情这些”账单暴涨”的用户，认为微软之前一直在鼓励无节制使用Copilot，各种”氛围编码”（vibe coding）的工作流被官方当成正面案例来宣传，现在突然改规则，感觉像是背刺。

    另一派则说，能达到这种天价账单的，多半是没有任何工程约束地乱用AI——让模型不停地重试、生成大量冗余代码、开几十个子代理并发跑任务。有经验的开发者表示，自己一整天用下来，超额费用很少，和新定价之间的差距根本没那么夸张。

    有个回帖说得很直白：费用高到这种程度，唯一的可能是你纯粹在靠”氛围编码”干活，进行了大量冗余的迭代。如果你把它当作一个正经工具来用，哪怕是小团队也能负担得起。

    GitHub Copilot interface screenshot
    GitHub Copilot 聊天界面（图源：GitHub）

    微软之前到底在补贴多少

    这场争论里有个问题挺值得思考：Copilot之前每个月十几美元或者几十美元的订阅费，微软到底在里面补贴了多少？按token计费的模式一出来，答案似乎开始浮出水面了——之前的价格，可能远低于实际服务成本。

    尤其是”氛围编码”这种用法，一个提示词下去，模型可能要跑好几个小时甚至好几天，中间还要生成几十个甚至上百个子代理协同工作。这种级别的计算资源消耗，用每个月29美元去覆盖，换谁来做都很难盈利。

    有用户发帖直接问：”天呐，Copilot之前到底亏了多少钱？”这个问题目前只有微软自己能回答。但可以肯定的是，从固定费率切换到按量计费，不只是定价策略的调整，更是微软把AI辅助编程从”补贴推广期”推进到”商业化回收期”的一个转折点。

    对于专业开发者来说，只要用法得当，新计费模式倒也不至于用不起。真正受冲击的，是那些把Copilot当成”随便试错”工具的 casual 用户——他们可能要开始认真算账了。

  • Screenshot to Code：72.7K Stars！截图秒变代码，让前端开发效率提升10倍

    Screenshot to Code：72.7K Stars！截图秒变代码，让前端开发效率提升10倍

    Screenshot to Code 演示

    上传截图，AI自动生成对应代码

    🚀 项目简介

    Screenshot to Code 是一款AI驱动的开发辅助神器，只需上传一张网页截图、线框图或Figma设计稿，即可自动生成干净的可用代码。支持 HTML+CSS、React、Vue、Bootstrap 等多种技术栈，让设计稿到代码的转换从数小时缩短到几秒钟。

    ⚙️ 安装要求和过程

    💡 环境要求

    • Python 3.9+（后端依赖）
    • Node.js 18+（前端依赖）
    • Poetry（Python 依赖管理，推荐）
    • Docker（可选，快速部署方式）
    • API密钥：OpenAI / Anthropic / Google Gemini（三选一即可）

    🚀 快速安装步骤

    方式一：本地源码运行（推荐开发调试）

    # 1. 克隆项目
git clone https://github.com/abi/screenshot-to-code.git
cd screenshot-to-code

# 2. 配置API密钥（后端）
cd backend
echo "OPENAI_API_KEY=sk-your-key" > .env
echo "ANTHROPIC_API_KEY=your-key" >> .env
echo "GEMINI_API_KEY=your-key" >> .env

# 3. 安装依赖并启动后端
poetry install
poetry run uvicorn main:app --reload --port 7001

# 4. 新终端启动前端
cd ../frontend
yarn
yarn dev

    启动后访问 http://localhost:5173 即可使用。

    方式二：Docker 一键运行（推荐快速体验）

    # 在项目根目录执行
echo "OPENAI_API_KEY=sk-your-key" > .env
docker-compose up -d --build

    ✨ 核心功能

    🎯 截图转代码

    上传任意网页截图或设计稿，AI自动分析布局结构，生成对应前端代码，支持多种技术栈自由切换。

    🔄 多模型支持

    内置支持 Claude Opus/Sonnet、GPT-4.5/4.1、Gemini 3 Flash/Pro 等顶级模型，也支持自定义API兼容接口。

    🛠️ 多技术栈输出

    支持 HTML+CSS、HTML+Tailwind、React+Tailwind、Vue+Tailwind、Bootstrap、Ionic+Tailwind、SVG 等主流技术栈。

    🎬 录屏转原型（实验性）

    支持上传网站操作录屏视频，AI直接生成可交互的功能原型，非常适合产品快速验证和演示。

    🔒 隐私优先，本地可控

    支持通过 Ollama 运行本地开源模型，所有数据不出本地；也可自托管 Docker 版本，完全掌控数据隐私。

    🎬 典型使用场景

    📌 场景一：设计师交付前端代码

    设计师完成 Figma 设计稿后，开发人员只需截图上传，即可快速获得可运行的前端代码骨架，大幅减少从设计到代码的重复劳动。实测可将一个中等复杂度页面从 2小时 缩短到 30秒 出初稿。

    🎓 场景二：学习前端的新手临摹练习

    想临摹一个漂亮的网页但不懂怎么实现？截一张图上传，AI 帮你生成完整代码，新手可以在生成的代码基础上学习和修改，快速提升前端技能。

    🚀 场景三：产品快速原型验证

    产品经理用录屏功能记录期望的操作流程，Screenshot to Code 直接生成可交互的 HTML 原型，团队可以在此基础上快速评审和迭代，不需要写一行代码。

    💎 推荐理由

    我第一次用这个工具的时候，简直惊呆了——随手截了一张纽约时报首页的截图上传，不到 20秒 就生成了一个几乎一模一样的 HTML 页面，连字体、间距、配色都还原得非常到位！

    最让我惊喜的是它对 Tailwind CSS 的支持——生成的代码不是一堆乱七八糟的行内样式，而是结构清晰、可直接维护的 Tailwind 类，这对实际项目来说太重要了。

    当然也要说一下不足：复杂交互（比如多步骤表单、动画过渡）还是需要人工补充；如果使用 OpenAI/Claude 的 API，每次生成会产生一定的 API 费用（不过项目支持 Ollama 本地模型，可以零成本使用）。总体来说，这是目前 「设计稿转代码」 这个细分领域里最成熟、最好用的开源方案，没有之一。

    📥 下载地址

    — 由 WorkBuddy AI 自动采集撰写 · 开源项目系列第43期 —

  • 程序员拒绝在没有 AI 的情况下工作——但这可能会反过来坑了他们

    程序员拒绝在没有 AI 的情况下工作——但这可能会反过来坑了他们

    2026 年有个挺有意思的发现：你现在很难让开发者放下 AI 编码工具去干活了。

    AI 确实能帮程序员更快地生成代码，但研究人员警告说，它产出的代码质量未必更好，这可能会给开发者的未来带来麻烦。

    研究者遇到的尴尬

    2026 年 2 月，权威 AI 研究实验室 METR 发布了一个令人意外的发现：大多数开发者甚至不愿意在没有 AI 的情况下完成实验任务。

    METR 原本想更新他们在 2025 年做的一项关于 AI 编码生产力的开创性研究。那项研究里，研究人员测量了开源开发者手动完成任务和使用 AI 完成任务的耗时。结果挺打脸的——开发者自称 AI 提升了生产力，但实际上 AI 拖慢了他们的工作速度。没错，AI 生成代码更快，但之后他们需要额外的时间查找和修复错误、引导 AI 工作、还要等 AI 完成任务。

    当 METR 着手重复这项实验时，他们没能成功。研究人员坦承，开发者不愿意参与实验，”因为他们不想在没有 AI 的情况下工作”，哪怕只是为了做研究。

    最后 METR 在 5 月发布了一份调查，让技术员工自行报告 AI 带来的生产力提升。毫不意外，大家认为自己对公司而言的价值是原来的两倍。

    tokenmaxxing 的代价

    最近关于 “tokenmaxxing”（过度消耗 AI token）的高昂成本的头条新闻，加上一些新研究，让这种自我认知变得可疑。

    Tokenmaxxing 用一个人消耗的 token 数量作为 AI 生产力的代理指标，是 2026 年迄今为止的趋势，而且这个趋势可能已经快到头了。

    据《金融时报》报道，亚马逊关闭了其内部名为 Kirorank 的 token 追踪排行榜，原因是员工为了刷榜过度使用 AI 代理，导致成本飙升。员工的行为证明，AI 的使用并不自动等于生产力的提升。

    据 The Information 报道，Uber 在 2026 年前四个月就用完了全年的 AI 预算。首席运营官 Andrew Macdonald 最近在播客中表示，这类支出并没有带来项目或生产力的可衡量提升。

    代码维护的隐藏成本

    程序员兼作家 James Shore 在一篇在 Hacker News 上疯传的博客文章中指出，AI 生成的代码不一定能减少后续代码维护需求，甚至可能增加这类需求。

    你现在写代码的速度是以前的两倍？最好希望你的维护成本也减半了。不然你就惨了，你是在用短期的速度提升换取永久的债务。

    还有其他证据表明 AI 会增加代码维护的麻烦。可靠性工程代理初创公司 Entelligence AI 的创始人兼 CEO Aiswarya Sankar 的一条病毒推文称，公司 44% 的 token 支出都花在了修复 AI 生成的 bug 上。与此同时，代码审查工具公司 CodeRabbit 表示，他们分析了开源拉取请求，发现 AI 生成的代码出现问题的概率是人工代码的 1.7 倍。

    诚然，这些都是试图销售 AI 代码审查工具的机构的自利统计。但独立研究人员也发现了这类问题。新加坡管理大学的研究人员 4 月发布的一份报告警告称，”AI 生成的代码可能会给真实的软件项目带来长期维护成本”。

    那怎么办

    既然程序员如此热爱他们的 AI 助手，解决方案是什么？

    那些想向你推销 AI 编码代理的人说，开发者可以用 AI 编码代理来完成修复代码这类枯燥繁琐的工作，修复速度和 AI 生成代码的速度一样快。这是 Cognition（AI 编码代理 Devin 的开发商）的创始人兼 CEO Scott Wu 的建议。

    但就连他也承认，虽然 Devin 可以独立工作，但目前它的技能水平在初级和中级程序员之间，具体取决于任务类型。这不是一个可以交办后就不管的解决方案。

    新加坡管理大学的研究人员提出了更偏向人工的方案：程序员需要像熟悉自己最爱的编程语言一样，深入了解 AI 擅长和不擅长哪些任务。他们需要为 AI 设计强大的质量保障体系，并且必须像对待初级开发者一样，仔细审查 AI 的工作成果。

    同时，研究人员和 Wu 都表示，人类仍然应该负责软件架构、安全设计这类大局层面的工作。

  • OpenAI Codex 登陆 Windows：AI 现在能直接操控你的电脑了

    OpenAI Codex 登陆 Windows：你的电脑现在可以被 AI 直接操控了

    OpenAI 的 Codex 之前在 macOS 上已经能用了，现在它的 “computer use”（电脑控制）功能正式来到 Windows。简单说，就是这个应用可以”看到”你的屏幕，然后在你的设备上直接执行各种任务。

    OpenAI 同时还说了一件事：哪怕你不在电脑旁边，也可以用 ChatGPT 应用来管理和查看 Codex 的任务进度。这对需要跑长任务的开发者来说挺实用的。

    Codex 的 computer use 功能本质上是让 AI 能够像人一样操作电脑——移动鼠标、点击按钮、输入文字、截图查看结果。

    为什么这个功能重要

    以前你想让 AI 帮你操作电脑，要么得手动把信息复制粘贴过去，要么得用专门的 RPA 工具。现在 Codex 能直接”看”屏幕，相当于给了 AI 一双眼睛和一只手。

    对开发者来说，这意味着一些重复性操作——比如跑测试、部署代码、处理批量文件——可以真正交给 AI 代理去完成，而不只是帮你写代码。

    跨平台的意义

    Windows 在全球桌面操作系统里占的市场份额比 macOS 大得多。Codex 登陆 Windows，意味着 OpenAI 的 AI 编程工具能触达的开发者数量会上一个数量级。

    这也和现在 AI 编程工具的竞争态势有关。Cursor、Windsurf、GitHub Copilot 都在抢开发者桌面，OpenAI 直接把 Codex 做成能操控整个系统的代理，算是一条差异化路线。

    目前这个功能还在推送中，Windows 用户可以在 Codex 应用里检查更新。如果你之前已经在用 macOS 版的 computer use，体验应该是差不多的——AI 会请求屏幕录制权限，然后就能”看到”你的桌面了。

  • Claude Opus 4.8来了：一口气跑1000个子智能体，代码审查聪明4倍

    昨天（5月28日），Anthropic把Claude Opus 4.8扔了出来。这次更新的重点很明确：让AI在写代码这件事上更像一个能独立工作的资深工程师，而不是一个需要你步步盯着的高级补全工具。

    代码缺陷少4倍，这才是最值钱的地方

    Opus 4.8最核心的改进，是代码质量。Anthropic说，这个模型生成的代码里有缺陷但没被标记出来的概率，比上一代低了大约4倍。对那些把AI辅助编程塞进生产流程的团队来说，这个改进直接等于少掉很多坑——未检测到的代码缺陷，在 downstream 产生的修复成本是 exponentially 增长的。

    基准测试的数据也佐证了这一点：代理编码得分从64.3%爬到了69.2%，使用工具的多学科推理从54.7%提到57.9%，知识工作得分从1753分涨到1890分。数字看起来增幅不大，但在AI模型迭代里，这种全方位的几个百分点提升，往往意味着实际使用中”可用”和”好用”之间的差距。

    Anthropic对Opus 4.8的描述是：”更敏锐的判断力、更诚实地展示其进展，以及比前代模型更长时间独立工作的能力。”这三个点，其实正好对应了企业开发者对AI编码助手最头疼的三个问题：判断不准、爱装懂、干两分钟就得人工介入。

    动态工作流：1000个子智能体一起干活

    这次最炸裂的功能叫”动态工作流”（Dynamic Workflows），目前在research preview阶段。简单说，就是Claude现在可以写编排脚本，生成并管理几十到几百个并行子代理，从任务启动到完成全程自动跑。

    上限是每个运行最多16个并发子代理、总共1000个子代理。实际场景是什么样子？比如你要迁移一个几十万行代码的代码库，以前你得手动拆任务、分配、汇总，现在Opus 4.8可以直接把整个代码库迁移从启动做到生成可合并的拉取请求，中间不用你手动协调。

    这个功能一旦正式上线，对大型代码库维护团队来说是个.game changer。不需要额外写编排逻辑，不需要手动拆解任务，模型自己决定怎么把大任务碎成小任务、怎么并行跑、怎么汇总结果。

    快速模式：快2.5倍，便宜3倍

    Anthropic还把快速模式（Fast Mode）大幅升级了。新版本的快速模式比标准推理快大约2.5倍，而成本只有之前Opus模型快速模式的三分之一。定价是每百万输入token 10美元、每百万输出token 25美元。

    新的”努力控制”（Effort Control）设置也值得提一下：用户可以调整Claude在任务上投入的计算量。Opus 4.8默认是”高努力”，Anthropic认为这对大多数工作负载来说是最佳平衡。如果你要处理的任务比较轻量，可以调低努力级别来省钱。

    已经在哪能用

    从昨天开始，Opus 4.8已经在以下平台可用：

    • Claude API——直接给开发者和平台构建者用
    • Amazon Bedrock——集成到AWS基础设施里
    • Google Cloud Vertex AI——GCP托管AI服务中可用
    • Microsoft Foundry——通过Microsoft的AI开发平台访问

    已经在生产环境跑Opus 4.7的团队，迁移基本无感——模型标识符更新一下就行，价格没变，这也是Anthropic故意做的”升级成本中性”设计。

    下一步：Mythos级模型已经在路上

    Anthropic已经确认正在开发新一代”Mythos级”模型，会在”未来几周内”发布。目前关于架构、能力基准或定价的细节都没披露，但Opus 4.8看起来更像一个短期过渡版本，而不是一个长周期旗舰。这也延续了Anthropic在2025年和2026年加速模型更新的节奏——不再憋大招，而是快速迭代、快速铺开。

    对于每天都在跟AI编码助手打交道的开发者来说，Opus 4.8最直观的感受可能就是：它犯傻的频率低了，能独立跑的时间长了，而你需要手动介入的次数——终于开始明显减少了。

  • Google I/O 2026：Gemini 3.5发布，AI智能体全面入侵谷歌全产品线

    北京时间5月20日凌晨，谷歌I/O 2026开发者大会开幕。今年发布会的重点不是某一个单一模型或功能，而是一次系统性转向——谷歌正在把AI智能体全面”塞进”所有核心入口。

    从搜索框到Chrome浏览器，从Android手机到智能眼镜，Gemini不再只是一个对话助手，而是一个可以持续运行、跨应用执行任务的AI代理：它能替用户追踪信息、生成内容、调用工具，甚至直接完成下单和操作流程。

    Google I/O 2026
    谷歌I/O 2026大会现场（图源：新浪科技）

    Gemini 3.5 Flash：价格砍半，速度4倍

    谷歌CEO桑达尔·皮查伊在主题演讲中发布了新一代大模型系列Gemini 3.5。首发推出的Gemini 3.5 Flash定位为”迄今最强大的智能体与编程模型”，输出Token速率达到其他前沿模型的4倍，而处理智能体任务的费用不到其他前沿模型的一半。

    在GDPval-AA基准（衡量现实世界具有实际经济价值的编程任务）中，Gemini 3.5 Flash取得1656 Elo评分，超过了Gemini 3.1 Pro，也超过了目前公开可查的大部分前沿模型。在Terminal-Bench 2.1（衡量AI在真实终端环境中完成复杂任务的能力）中，得分76.2%——这意味着智能体在执行真实任务时的可靠性，正在从”勉强可用”向”可以依赖”跨越。

    皮查伊在演讲中直言：”Flash的惊人之处在于，它以不到同类前沿模型一半的价格，提供了前沿级别的能力。”当一家巨头愿意用”砍半定价”来推广自己的最前沿模型时，它传达的信号不是”我在让利”，而是”我要把竞争对手挤出市场”。

    视频模型Omni与智能体编程平台Antigravity 2.0

    DeepMind首席执行官德米斯·哈萨比斯登台发布了基于谷歌世界模型技术积累的新型视频生成模型Gemini Omni。该模型可以基于多种输入生成视频，并支持对话式编辑，用户可以通过自然语言修改角色、背景和场景。首款模型Gemini Omni Flash将于今年夏季推出。

    与此同时，谷歌发布了智能体编程平台Antigravity 2.0，直接对标Anthropic的Claude Code和OpenAI的Codex。该平台被谷歌定位为面向AI Agent时代的编程工具，官方称其”毫不掩饰地以智能体为先”。使用Antigravity 2.0及其代理系统从零开始构建一个操作系统，整个过程所消耗的Token成本不到1000美元。

    个人AI助手Gemini Spark与全线产品整合

    谷歌同时发布了全天候运行的个人AI助手Gemini Spark，基于Gemini 3.5，运行在Google Cloud虚拟机上。用户可以通过Gemini应用访问Spark，即便合上笔记本电脑，Spark也可以继续工作。本周将面向受信任测试人员推出，下周面向美国Google AI Ultra订阅用户开放。

    更重要的是，谷歌宣布了全线产品的AI智能体整合计划：

    • 搜索：将推出搜索信息智能体，后台24/7运行，主动发现信息并代为执行操作；Daily Brief Agent将整合用户的邮件、日历与任务，生成个性化晨间摘要。
    • Android：2026年晚些时候推出Android Halo，为用户提供实时智能体任务追踪界面。
    • 硬件：由Gentle Monster、Warby Parker与三星合作推出的Android XR智能眼镜将于2026年秋季上市，支持语音交互和信息投射。
    • 购物：发布由AI智能体驱动的通用购物车Universal Cart，可在Google服务中使用，追踪优惠、监控价格变动、识别兼容性问题。

    规模即壁垒：1800亿美元资本支出背后的逻辑

    皮查伊在演讲中披露了一组震撼数据：谷歌每月处理的Token数量已达到3.2千万亿，同比增长7倍；Gemini App月活跃用户从4亿增长至9亿；搜索AI模式月活跃用户突破10亿。

    支撑这一切的，是谷歌2026年预计1800亿至1900亿美元的资本支出。这1800多亿美元的资本支出，本质上是在做一件事：用基础设施的规模化优势，把竞争对手挤出市场。当你的TPU集群规模、Token处理量和用户基数都达到竞争对手无法匹敌的量级时，”速度4倍、价格砍半”就不再是一个促销手段，而是一个结构性壁垒。

    回到根本问题：Gemini 3.5的发布，究竟是一次真正的技术飞跃，还是一次精心包装的战略营销？答案可能是：两者都是。从技术角度看，Gemini 3.5 Flash在基准测试中的表现、推理速度的提升、以及多智能体并行架构的落地，都是真实的进步。但与此同时，这次发布真正值得关注的，不是模型本身，而是谷歌围绕模型构建的全栈壁垒：TPU 8提供算力、Gemini 3.5提供智能、Antigravity 2.0提供平台、Spark和搜索提供触达——这条链条上的每一个环节，谷歌都握有主动权。