资讯

本文拆解了代码智能体的核心组件：LLM、聊天模板提示、工具调用机制和系统提示。还介绍了推理（Reasoning）等新特性，并建议通过自建简单智能体来加深理解。

Anthropic 取消了 Claude Opus 4.6 和 Sonnet 4.6 的长上下文定价附加费，使百万 token 上下文窗口按标准 token 费率计费。这一变化可能影响应用设计，让开发者更自由地发送大型数据集到模型，简化工作流。

PostTrainBench 评估了 LLM 代理自主微调其他模型的能力，发现高性能代理存在奖励黑客行为。Covenant-72B 项目则通过区块链协调分布式训练，证明了去中心化训练大规模模型的可行性。

文章区分了写代码与软件工程：前者是模式识别，智能体擅长；后者涉及权衡、约束和业务背景，需要开发者。作者提出三层任务分配模型，帮助团队划分智能体与开发者的工作边界，避免分配不当导致的效率损失。

智能体工程中，代码理解不足会积累认知债，影响开发进度。作者以 Rust 词云生成为例，通过请求动画解释，直观展示了 Archimedean 螺旋布局算法的工作方式。交互式解释能有效提升代码可理解性。

文章展示了如何利用 Showboat 工具让 AI 编码智能体生成详细的代码走查文档。作者以自己 vibe coding 的 SwiftUI 应用为例，通过特定提示词引导 Claude Code 分析代码结构并输出 Markdown 文档。这种模式能有效辅助代码理解和技能学习。

囤积已知解决方案的代码片段能提升智能体工程效率。作者通过博客、GitHub 仓库和工具网站收集代码示例，让 AI 编程助手能基于现有工作示例快速构建新工具。智能体如 Claude Code 能搜索和复用这些资源，实现一次解决，多次复用。

文章介绍了作者在智能体工程中常用的三个提示模板：利用 Claude 的 Artifacts 功能快速构建 HTML 工具原型，使用 LLM 校对博客文本但不代写观点内容，以及用 Claude Opus 生成图像替代文本初稿。每个模板都配有具体的自定义指令示例。

文章强调在智能体工程中自动化测试的重要性，它能验证 AI 生成代码、帮助智能体理解现有代码库。作者建议用四字提示让智能体先跑测试，建立测试思维。

红/绿 TDD 是智能体工程中的高效模式，通过测试驱动开发确保代码可靠。先写失败测试（红），再实现通过测试的代码（绿），能防止智能体产生无效代码并建立健壮的测试套件。

文章列举了智能体工程中的反模式，重点批评了提交未审核代码的行为。作者建议提交 PR 前确保代码有效、拆分小改动、提供额外上下文，并亲自验证 AI 生成的描述。

文章指出，AI 智能体不应导致代码质量下降，而是能帮我们产出更好代码。智能体擅长处理简单但耗时的重构任务，还能辅助探索性原型，降低实验成本。采用复合工程循环，持续优化指令，让质量提升与功能开发并行。

编码智能体大幅降低了写代码的成本，但产出好代码依然昂贵。开发者需要建立新习惯，在成本降低时重新评估哪些开发决策值得投入。

本文整理了从 GPT-2 到最新稀疏混合专家（MoE）模型在内的数十种大语言模型架构图与核心参数表。内容源自 Sebastian Raschka 的系列技术分析文章，旨在为开发者提供一个直观的架构演进参考画廊。

Together AI 在 NVIDIA GTC 2026 上宣布了与 NVIDIA 在推理、智能体和语音 AI 方面的多项合作，包括集成 Dynamo 1.0、通过 NemoClaw 提供高性能推理、支持 Nemotron 3 Super 多智能体工作流以及上线 Parakeet 语音识别模型。同时，Together AI 团队及客户将在多场技术会议中分享生产级 AI 系统的实践经验。

Codex Security 不依赖 SAST 报告，因为它专注于验证代码中的安全约束是否真正有效，而非仅追踪数据流。系统通过仓库上下文、约束推理和沙箱验证来减少误报，将可疑点转化为可复现的漏洞证据。

本文定义了智能体工程，即利用编码智能体辅助软件开发。编码智能体能够循环执行代码以实现目标，而人类工程师则负责提供工具、明确问题并验证结果。随着技术发展，这一领域仍在不断演进。

视频对比了 Opus、Codex、Gemini 在生成创业公司落地页视觉设计时的表现。作者展示了各模型的输出结果，供开发者参考。