BestBlogs.dev 第 115 期：贴身的智能

OpenAI 发布了 GPT-6.1 Sol，这是 Sol 模型的升级版，旨在平衡高性能与显著降低的成本。它在智能体编码（DeepSWE v1.1）、专业文档分析（GDP.pdf）、业务工作流自动化（AutomationBench）和计算机使用（OSWorld 2.0）方面的表现几乎媲美旗舰模型 GPT-6 Astra，但价格仅为 Astra 标准 Token 定价的 20%。值得注意的是，该模型采用了极具竞争力的缓存输入价格，每百万 Token 仅需 0.10 美元，以支持上下文密集型智能体。此外，相较于 GPT-6 Sol，新模型在事实准确性和安全对齐方面均有提升，特别是在工具故障透明度和遵守用户约束条件方面表现更佳。

Anthropic 发布 Claude 5.5 家族第二款模型 Sonnet 5.5，面向日常编程、修 bug 及文档、幻灯片、表格等工作。官方称输出生成速度提升 30% 以上，多数任务单任务成本最多降低 30%，API 单价维持每百万输入 token 2 美元、输出 token 10 美元不变。文章引用 CursorBench 4.0 数据说明：Sonnet 5.5 在 Low effort 下得分 35.8%、成本 0.50 美元，已略高于 Sonnet 5 Max 的 34.1%、7.17 美元，平均步骤从 140 降到 18；但 Xhigh 到 Max 得分仅从 53.1% 升到 55.5%，成本却从 3.88 美元涨到 9.67 美元，而 Opus 5.5 High 以不到一半花费取得接近 Sonnet 5.5 Max 的得分。文章还分析了效率来源（更常合并工具调用、缩短行动链）、effort 拉满可能做过头（FrontierCode 上 Xhigh 52.1% 反超 Max 46.2%，因 code-review skill 触发子 Agent 导致超时或超范围修改），以及 GDPval-AA 办公设计评测表现和 API 迁移注意事项。

ElevenLabs 发布了其最先进的文本转语音模型 Eleven v4 和低延迟变体 Eleven v4 Turbo。这些模型基于全新的架构构建，优先考虑情感深度和自然度，而非单纯的机械准确性。在与 Cartesia 和 Google 等竞争对手进行的盲测中，Eleven v4 因其在语调、节奏和语境理解方面的能力，获得了约 75% 听众的偏好。一项关键创新是支持内联音频标签（例如 [laughs]、[said angrily]）和自然语言指令提示，允许用户微调表达方式。Turbo 模型解决了速度与质量之间的权衡问题，实现了约 150ms 的中位首字发声时间，使其适用于对话式智能体。此外，此次更新将仅凭 10 秒音频即可实现的声音克隆保真度进一步提升，并支持超过 90 种语言，同时改善了跨语言的口音保留效果。

本文基于 Simon Willison 在 WeAreDevelopers World Congress 闭幕主题演讲，对 2026 年前三个季度大语言模型领域的发展进行了时间线回顾。叙述始于 2025 年 11 月的一个关键拐点，Claude Opus 4.5 和 GPT-5.1 的发布将编码智能体从不可靠的工具转变为日常可用工具。Willison 描述了自己经历「AI 狂热」的个人体验，由此催生了基于 Python 的 JavaScript 解释器等过于雄心勃勃的项目，并讨论了「Deep Blue」现象——工程师面对 AI 无处不在时产生的职业倦怠感。

一个主要主题是 Claw 类别的爆发：源自 OpenClaw 仓库的通用个人智能体获得了大规模采用，并衍生出众多变体。文章还涵盖了 MoltBook 的迅速兴衰——一个被 Meta 收购的智能体对智能体社交网络，以及 StrongDM 备受争议的「软件工厂」模式，该模式要求代码既不由人类编写也不由人类审查。最后，文章提到了 Google 在 2 月发布的 Gemini 3.1 Pro，标志着多模态能力和创意生成方面的进一步改进。

OpenAI 在 2026 DevDay 上发布了多项重磅功能。核心内容包括：1. 个人 Agent Dots，支持 24 小时在线执行，具备云电脑和浏览器环境；2. GPT-6.1 Sol 模型，在发布仅 7 天后快速迭代，通过降低缓存价格提升 Agent 任务性价比；3. ChatGPT Space，将文档、计划、图表与原型整合的 Agent 协作空间；4. Codex Cloud，引入可复用开发环境解决重复初始化问题；5. 生态构建，打通第三方产品订阅，并推出 OpenAI Marketplace。作者指出，AI 的逻辑正从“Human-first”转向“Agent-native”。

在这场深度对话中，来自 Anthropic 的 Thariq Shihipar 探讨了智能体编程如何从一项充满争议的实验迅速转变为行业默认做法。讨论涵盖了 Claude Code 框架的技术演进，包括将「Artifacts」用作持久化生成式界面，以及引入「Claude Mods」来自定义智能体行为。Shihipar 提出了「可变软件」的概念，即应用程序由智能体动态构建和定制。对话还涉及框架工程的「苦涩教训」，以及在智能体展现出逆向工程基准测试和串联基础设施漏洞的能力之际，对「Pacing the Frontier」等新安全范式的迫切需求。

Anthropic 宣布推出 Claude Code 的 mods：小型 TypeScript 函数挂钩到操作过程中释放的事件（工具调用、权限请求、UI 渲染）之前、之后、取而代之或环绕它们运行。单个 mod 可以在提示词到达模型之前重写它们，阻止或重试工具调用，批准或拒绝权限，从工具输出中清除机密信息，并通过按钮和输入编辑或扩展界面。mods 随插件一起发布，因此它们的安装和共享方式与任何插件相同，并且它们以与 Claude Code 本身相同的非沙盒机器访问权限运行。钩取同一事件的多个 mods 按加载顺序依次执行，允许跨作者堆叠。一些内置功能（如 /diff）现在也作为 mods 发布，可以被禁用或替换，后续还有更多功能计划这样做。对于团队和企业，现有的插件控制措施适用，且一个内置的 sec-default mod 优先加载，以阻止用户安装的 mods 除非管理员覆盖它。mods 今天已在 CLI 和桌面应用中提供。

Osmani 重新审视了他此前关于审查所有 AI 生成代码的建议，指出虽然每个变更仍然需要有人负责，但审查方式正在发生转变。他对比了两篇近期热传的文章：一篇预测代码审查将消亡（Thorsten Ball），另一篇描述了盲目批准 AI 代码的痛苦（v0xium）。Osmani 认为，只有当行业拥有了替代性的信任机制——具体而言，即低成本的自动化检查和清晰的爆炸半径边界——才会停止阅读大部分代码。他重点介绍了 Anthropic 的内部实践，即自动化审查者捕获 bug，但由人类决定什么可以发布，并指出审查此前承担的教育和文化功能如今需要显式文档化。文章警告不要在未以严格验证替代的情况下移除人类监督，强调测试必须独立于代码生成器（引用 SQLite 和航空标准），以避免奖励黑客行为。最终，他建议工程师专注于理解意图和保持问责，而非仅仅打字或按回车键。

前沿 LLM 成本高昂，大多数智能体任务并不需要前沿智能。LangChain 描述了为其开源编码智能体 Open SWE 构建模型路由器的过程——该路由器存在于 Harness 内而非通用网关，因为路由需要 Harness 已经整合的任务与领域上下文。团队首先分析了一周的 LangSmith 跟踪记录，绘制了任务类型（功能开发占 22%、漏洞修复占 17%、测试占 16%）及复杂度分布，随后沿成本-智能 Pareto 前沿选择了三款模型：一款快速开源模型、一款均衡模型和一款性能模型。路由器在线程的第一条人类消息上使用基础提示词、每层标准和分类器模型运行。在对 973 个线程进行的 A/B 测试中，对比始终使用最强模型的控制组，合并 PR 比率统计学意义平坦（29.2% 对 27.3%，p=0.49），而线程中位数成本从 2.61 美元降至 0.94 美元，降幅 64%。仅有 10% 的路由线程被分配至性能层级。该文章还讨论了通过合并 PR 和用户反馈进行结果跟踪、于一天内中止的纯快速控制测试，以及深度 SWE 基准测试、子智能体路由、线程中间重新路由等下一步计划。

DeepSeek Harness v0.2 预览版正式发布，核心变化是从命令行安装转向提供 macOS 和 Windows 桌面端安装包，极大降低了用户上手门槛。新版本优化了文件展示、内容预览和代码变更差异对比，并内置了可按需开启的自动化定时任务插件。在插件生态方面，新增了无需命令行的可视化插件管理页面，支持通过 npm 包名直接安装/卸载，并推出实验性的「创造模式」，允许用户通过对话让 AI 编写和修改插件。未来计划包括改善沙箱安全、引入长期记忆、实现 GUI 自动化操作以及建设官方插件市场，旨在构建一个开源、可组合的智能产品生态。

本文详细复盘了阿里稳定性团队在 2026 年推进 AI Native 研发转型的实践。针对 AI 生成代码导致风格不一、难以接手及协作链路冗长等痛点，团队开发了结构化规则包 Skill，通过 When/What/Don't/How/Map 五维结构将专家经验转化为 AI 可执行的约束，并构建了集成工作台 Anchor 简化能力装配。在协作模式上，团队通过「原型库与正式库分库」解决了设计与前端的节奏冲突，将还原成本大幅降低。同时，文章提出了 PDFE（产品-设计-前端工程师）复合角色概念，探讨了 AI 全栈开发的适用边界与 ROI，并分享了一系列将个人效率转化为团队能力的 AI 助手实践。

本文详细记录了高德本地生活团队在 S1 期间推进 AI Native 转型的实战经验。针对 AI 生成代码导致的风格不一、难以接手及协作链路冗长等痛点，提出了一套方法论：通过定义 L0-L4 能力分级对齐目标，构建三层能力框架（基础底座、分析能力、产品交互）来实现经营分析智能体。同时，作者深入探讨了在 AI 时代 BI 工程师的角色转变，从单纯的报表生成转变为经营判断的设计者与守门人，并通过知识蒸馏和语义治理让经验转化为数字资产。

Manus 2.0 重构了底层 Agent 架构，推出 Cascade 自研 Agent Harness，实现 Token 消耗减少 23.2%、任务完成时间缩短 28.2%、运行成本降低 32%。Cloud Computer 提供独立云端运行环境，Automations 支持事件触发工作流。Manus Studio 升级为共享工作空间，支持视频编辑、游戏开发等专业环境。Cue 应用推出，支持个人 Agent 场景，可独立执行任务并连接日常服务。Manus 2.0 旨在将想法变成现实，延续了从生成到完善和交互的完整流程。

本文报道了戴夫·海诺迈尔·汉森(DHH)在 Rails World 主题演讲上宣布，37signals 已经“放下笔”不再手写代码，将 Opus 4.5 的 2025 年 11 月发布视为智能体时代的拐点。DHH 透露 37signals 正在开发原生移动应用，正在将后端服务迁移到 Rust，并表示他不再认为自己是一名专业程序员。作者把这与他本年一月的预测——即 AI 将编写几乎所有代码——相联系，并记录了这段混乱的转变过程：一位匿名的大科技工程师发布了关于令人精疲力尽的 AI 驱动工作流程的病毒式吐槽；软件质量下降；以及他在 Uber Eats 新添加项选择器中发现的三个粗陷的 Bug。作者用一种违反直觉的方式论述，即软件工程将变得更加重要而非更少重要，因为工程师们必须理解 LLM 的特征，为智能体驱动的软件工厂构建验证系统，并探索使用 LLM 生成确定性代码，如比 LLM 调用更快更便宜的 linter。

在 Instagram 和 Google Search 产品领域工作近 20 年后，Robby Stein 指出，AI 降低了执行成本，也让产品经理的核心贡献转向判断力：决定什么值得开发，以及产品是否真正适合用户。他建议还原用户做出选择时的背景，找出他们希望借助产品完成的任务，再确认真正的障碍，而不是一味增加功能。Instagram Stories 的改进回应了用户对私人内容被谁看到的担忧；创作者的反馈则促使 Reels 从短暂展示转向持续留存和触达观众。对于 Google 的 AI 体验，多模态灵感和可信的本地信息比单纯提供文字答案更贴合需求。最后，Stein 谈到产品打磨：消除痛点、创造愉悦感，并借助智能体规模化评估质量，同时让体验保有人情味。

Atlassian 首席产品官 Tamar Yehoshua 认为，AI 正在拓展产品、设计和工程岗位的职责，而不是简单地让这些角色消失。当亲自参与能解除瓶颈时，产品经理可以直接动手：在 Confluence，一个产品经理曾在一个月内提交 26 个 pull request，借助 AI 工作流，团队在 6 到 8 周内推出了新功能。在一个从零到一的项目中，产品经理先搭建 alpha 版本；当编码不再是他最能发挥价值的工作后，他便转而明确方向、帮助工程师排除阻碍。对于成熟的 Jira，产品经理则通过可复用原型和自动化反馈分类来引导工作，同时不直接修改生产代码。团队称，其吞吐量约为平时的 3 倍，并在约 10 周内交付了 22 项面向客户的功能。Yehoshua 还介绍了 Atlassian 的 AI 熟练度培养计划，并强调应衡量已交付的工作和客户成果，而不只是活动量。这些案例共同说明，角色选择取决于具体情境：先掌握足够知识以便作出贡献，再根据团队当前的瓶颈，决定亲自划桨还是负责掌舵。

Assistant Bench 创作者 David Pollen 与 a16z 主持人探讨快速增长的消费级智能体市场，并分享了对 122 款产品的基准研究和对 26 款产品的测试。他们认为，日常产品的价值未必来自节省几分钟，更可能来自追回款项、处理行政事务，例如申请健康支出报销、监控机票价格，或根据天气调整灌溉。对谈比较了聊天、应用、语音和环境式硬件等形态：主动服务可能成为竞争壁垒，但一次有害操作就足以摧毁用户信任。发言者看好依靠品味和专有知识竞争的垂直智能体，并区分了听从指令的助手与能自主采取行动的智能体。他们还讨论自主购物如何冲击广告驱动的市场、预订和消费发现，并催生智能体之间的服务。最后，双方质疑长尾创业公司能否承担每天每位用户约 20 美元的成本，尽管模型和浏览器操作成本正在下降。许多判断仍是有待验证的假设。

本期 42章经请到开源项目 Vibe-Trading 的作者与维护者吴浩哲（武汉大学数学系本科、香港大学在读博士、HKUDS 成员）。该项目 2025 年 4 月开源，不到半年在 GitHub 收获超过 3 万 star，来自 20 多个国家和地区的贡献者参与。他提出核心判断：在其他行业 AI 让执行变便宜、难的是决定做什么；但在金融里恰好相反——市场每秒报价、研究 agent 一天可以对几千只股票给出上百个判断，决策几乎免费，真正昂贵的是行动，因为每一单都要付手续费、亏损需自担且无法撤回。因此 AI Trading 不是让模型做更多预测或自动下单，而是在「几乎免费的决策」与「代价昂贵的行动」之间建立可验证、可审计的通道。他把系统归为四部分：模型智商、独家数据、数据对齐、harness，并认为后两者决定决策能否变成行动，价值在上升，而模型与独家数据带来的边际价值在下降。他也给出对市场结构的三点判断：信息被价格消化的速度会越来越快（「财报后漂移」已消失）、超额收益从单因子迁移到组合条件、错误与误导信息传播加速带来确权与监管难题。对 Jev 之类只给概率不给理由的工具，他认为对 trading 帮助约等于零，更适合做信息初筛的分拣员。最后他给出对普通投资者的建议：先隔离风险、明确风险偏好，把 AI 当作探索新市场与新领域的工具，并讨论「human in the loop」或许不是 AI 需要人，而是人需要通过参与确认自身意义。

这是 OpenAI 新平台 Intelligence Age 系列的第一篇随笔，作者 Hemanth Asirvatham 与 Elliott Mokski 明确声明观点仅代表个人。文章从「人类已能窥见宇宙开端却从未离开月球」这一反差出发，指出前沿智能与「实现想法的能力」在经济学上是互补品：伽利略的望远镜只需几十双手，而韦布望远镜则需要 14 个国家、300 个组织的协作。作者引用研究生产率下降、技术人员增速是科学家两倍、芯片厂成本上升等数据，说明进步的执行成本在增加，并提出「制度智能」概念——即由法律、官僚体系、资金机制与供应链构成的执行智慧。文章随后区分了两种未来：在「深度文明」中，超级智能靠推理与挖掘既有数据大幅节省对现实世界的查询；在「宽度文明」中，自然的复杂性使实验与建设需求增长快于智能的节省能力，AI 将主要被用于「做无聊的事」，如戴森球式的建造与物流。作者最后强调，即便机器在两方面都超越人类，人类的好奇心与追问仍具有不可替代的价值。