Z.ai@Zai_orgAI 评分2929

智谱宣布 GLM Coding Plan 上线一周年，向所有现有订阅者发放 Reset Card，可用于补充每周配额和 5 小时配额。Personal 和 Team 订阅者可分别在 z.ai 的用量管理页面领取使用。

Jordan Andersen 撰文质疑 AI 编程提效：写代码不是软件开发的主要瓶颈

Jordan Andersen 撰文质疑 AI 十倍提效的说法，认为若按此逻辑开源 LLM 出现四年后应已催生多家 AirBnb、Stripe、Dropbox 级别的公司，但事实并非如此。

凡人小北@frxiaobeiAI 评分3333

作者就 AGENTS.md 争议表态：模型可以不同，但 Agent 的工作说明书应该可迁移。他认为如果团队换用 Codex、Claude、Gemini 就要维护三套规则、Skills 和目录结构，那是重复劳动而非生态；标准化只是把最无聊的基础设施统一掉，不会抹平差异，并呼吁 Claude 做个人吧。

WebWorld：把浏览器当作世界模型实现自改进的网页代码生成

arXiv 论文提出 WebWorld，让 VLM 与浏览器这一确定性可执行模拟器交互，将 VLM 的批评编译为类型化交互契约，浏览器重新执行候选代码，只有目标进展与既有能力保持同时满足时才签发验收证书，证书化的转移累积为质量棘轮并作为 SFT 导出的唯一数据。

生产力工具市场观察：80%坚实基座加20%定制代码是AI时代的理想解

作者结合22年生产力工具市场经验，提出AI时代可塑软件的理想形态是80%坚实基座（数据库、权限、历史、协作、通知）加20%定制代码。

Meta AI 编程工具 Muse Code 结束 Beta 测试，新增多项功能并开启订阅

Meta 宣布 AI 编程工具 Muse Code 正式结束 Beta 测试，推出会话间消息传递、Workflow 工作流和 Rewind 回退功能，并发布 SDK 开发者预览版。

Dongxi 东锡 NLP@dongxi_nlpAI 评分1212

作者 @dongxi_nlp 转发并推荐 @dotey 发布在 X 的长文文章，链接为 https://x.com/i/article/2094620108811390976，称其为高质量内容。正文未附文章具体内容，仅提供了该引用链接。

AutoSciRub 提出评估优先框架，用自动归纳评分标准提升科研 Agent 表现

论文提出 AutoSciRub，一个评估优先框架，在科研任务执行前自动归纳任务专属的可执行评分标准（rubric），用于指导执行、逐条验证和迭代修订。该框架将模糊指令分解为原子科学目标，结合文献和任务数据合成具体可验证的标准。

CogEvol 论文提出高效可靠的学习环境生成模型并开源 CogEvol-4B

论文提出 CogEvol 系列模型，将课程简报一次性生成结构化 JSON 幻灯片或自包含交互式 HTML 页面，22 万生产请求中幻灯片中位耗时 17 秒、交互页 59 秒。

百度千帆Token Plan企业版更新：DeepSeek-V4-Pro-0813与GLM-5.3等三款模型上线并接入百度搜索工具

百度千帆Token Plan企业版更新，DeepSeek-V4-Pro-0813正式版与GLM-5.3、GLM-5.3-Flash三款模型上线，原有模型ID可直接调用。百度搜索工具正式接入，专属API-KEY即可调用，限时优惠每次2.5积分。Token福利包扩展覆盖语音、OCR、智能文档分析等AI开放能力，席位扩展为四档并有限时赠送积分、夜享Token低至2折等活动。

Rohan Paul@rohanpaul_aiAI 评分6565

一篇 arXiv 论文（arxiv.org/abs/2605.23950）提出，长程智能体评测中 harness 的影响可能大于模型本身，比较基准分数时应披露或控制 harness。

Charlie Holtz@charlieholtzAI 评分2323

Charlie Holtz 转发并认同 @zachlloydtweets 的观点：多人云端开发环境将取代本地 harness，Agent 完全改变了这一转变此前缓慢的局面。对方还预测未来一年每家公司都会有 cloud factories，让大家公开协作，并附上其此前分析云开发环境为何普及缓慢的文章链接（https://www.warp.dev/blog/why-is-it-taking-so-long-for-cloud-dev-environments-to-catch-on）。

dex@dexhorthyAI 评分1111

HumanLayer 的 Dex Horthy 分享了团队所称的 alley-oop pull request 工作流。截图显示智能体根据 diff 评论推断出具体修复，添加共享 PreparedTicketArtifactBundle 类型、移除重复 ticket shape，通过 typecheck、lint 等检查后提交推送，并创建 PR https://github.com/humanlayer/ynclayer/pull/2411。

Tibo@thsottiauxAI 评分1616

Tibo 发推询问：如果过去曾考虑过 Codex 但仍未尝试，是什么原因让你却步。

ginobefun@hongming731AI 评分4242

BestBlogs 早报 09-01 精讲三篇内容：OpenClaw 2.0 由 933 位贡献者合并约 16,000 个 PR，主打低门槛上手、共享云会话与多人无损交接。

Graham Dumpleton 发布 Python 库 Wrapture，支持函数追踪与测试替换

Graham Dumpleton（mod_wsgi 与 New Relic Python agent 作者）发布 Wrapture，可包装任意函数或方法以实现追踪或覆盖返回值，既可替代 unittest.mock，也可为现有项目加追踪，内置 OpenTelemetry 支持和纯配置式追踪机制。

Epoch AI 评审 SWE-Bench Pro：超 20% 任务存在评分缺陷，判定为 Flawed

Epoch AI 对 SWE-Bench Pro 的基准评审判定其为 Flawed，认为很可能超过 20% 的任务存在评分缺陷。

MaP-SQL：用可复用记忆替代微调的 Text-to-SQL listwise 选择方法

论文提出 MaP-SQL，一种免微调的 Text-to-SQL listwise 选择器，用从训练数据蒸馏出的结构化记忆作为评估候选 SQL 的显式标准，并通过聚合多输入排列的排序来缓解位置偏差。

HarnessDev：评测 LLM 能否自主创建并迭代自己的 Agent Harness 基准

论文提出 HarnessDev 基准，将评测单位从任务输出转向可运行的执行基础设施，涵盖 Creation（从最小种子构建完整执行系统）和 Evolution（基于下游执行反馈迭代改进）两个阶段，覆盖 6 个创建模型、4 个领域和 5 个下游基准共 2,207 个独立实例。

Tomer Tunguz：AI 提效不是减少人力，而是抬高同等投入的产出上限

Tomer Tunguz 根据自己十篇已发布文章的数据提出，AI 自动化了机械性写作工作，但并未减少人力投入，而是抬高了同等工作的产出上限。

ExecRetrieval 基准揭示代码嵌入检索在功能正确性上的差距

论文提出 ExecRetrieval 基准，包含 939 个 Python 任务，每个配一个执行验证的规范实现和最多四个单点变异生成的执行验证错误干扰项。

Polimill 基于 OpenAI 技术打造日本公共 AI 基础设施 QommonsAI

Polimill 基于 OpenAI 技术构建公共部门生成式 AI 平台 QommonsAI，2024 年 10 月发布，目前日本约 1,050 个自治体和约 55 万名公务员在使用。

elvis@omarsar0AI 评分5555

一项针对 Claude Code 插件市场的实证研究分析了 1,926 个仓库、8,351 个插件、2,018 个市场和 77,773 次 commit，发现插件相关 commit 活动在上线后六个月增长 8.8 倍。

DogeDesigner@cb_dogeAI 评分2828

Gavin Baker 表示 Grok Bot 的体验像又一次 ChatGPT 时刻。他称自己用 Grok Bot 在几秒内构建了工具，同样的工具用 Claude Code 需要数小时，并评价“太惊人了”。

Replit ⠕@ReplitAI 评分2727

Replit 分享用户 Cedric Roberge 的经历：他从大学生转为创始人，用约一周时间在 Replit 上构建应用 Pep AI，从想法变成现实，目前月收入约 $130k。完整故事见 https://youtu.be/-37pu3q7Zsw。

Rohan Paul@rohanpaul_aiAI 评分3434

Rohan Paul 引用投资人 Gavin Baker 的评价称 Meta 曾退出竞争又重新回到 AI 前列，并提到 9 个月前 Meta 财报电话会上扎克伯格表示要确立 Meta 作为领先的前沿 AI 实验室。

dex@dexhorthyAI 评分3838

Matt Pocock 提出减少 AI slop 的最聪明方式可能是少产代码，通过 code review 持续精简代码并保持低圈复杂度，代码越少维护成本和 bug 越少。Dex Horthy 表示 HumanLayer 内部自 1 月起、公开自 3 月起就在表达类似观点，pi agent 的创建者 @badlogicgames 也在同期加入这一主张。

OpenAI Developers@OpenAIDevsAI 评分3434

OpenAI Developers 发布 8 月开发者月度盘点，涵盖 Codex 在平台、浏览器和协作工作流上的扩展，以及 Computer History 在 EEA、英国和瑞士的推出。

Rohan Paul@rohanpaul_aiAI 评分6666

Meta 的 Muse Code 结束 beta，面向更大、更复杂的工程任务，开发者可用一条命令安装：curl -fsSL https://dev.meta.ai/install.sh | bash。

Claude Code v2.1.252 发布，修复 Bash 报错、always allow 未保存等多项问题

Claude Code 发布 v2.1.252，修复多项问题：部分 Mac 上 Bash 命令报 task output swap refused 错误、无 .claude/settings.local. 的项目中 always allow 不保存。

Mark Zuckerberg@finkdAI 评分5656

Mark Zuckerberg 宣布 Muse Code 结束 Beta，现已能处理更大、更复杂的工程任务。开发者可通过一条命令安装：curl -fsSL https://dev.meta.ai/install.sh | bash。

DAIR.AI@dair_aiAI 评分4646

AMAP 团队发布 LoopArena 基准（arXiv:2608.28281），评估模型作为 Controller 引导独立固定 Worker 编码智能体完成长任务的外层循环能力，而非编码智能体本身。

elvis@omarsar0AI 评分2323

Elvis Saravia 发文称，harness engineering 正迅速成为当今 AI 工程师最重要的技能之一，其重要性仅次于 evals。

Ethan Mollick@emollickAI 评分4242

Ethan Mollick 称 AI 写作的第一个黄金时代已经结束。他曾认为短期内让 Claude 代写对很多人更有利，因为 Claude 写作不错且 AI 检测器很差；如今 ClaudeSpeak 式文风已成陈词滥调、令人怀疑和厌烦，而 Pangram 检测工具也已广为人知。

DogeDesigner@cb_dogeAI 评分3838

Grok Build 发布 v1.0.14 更新，主要提升 Grok CLI 的可靠性与工作流。OIDC token 刷新改为默认主动进行，PostToolUse hooks 可在工具执行后向模型反馈信息，grok usage <session-id> 支持查看每轮持久化的 token 与成本数据，Windows 下载体积缩小约 70%。

ChatGPT 工作工具与技能参考

一份 ChatGPT 工作工具与技能参考文档上线，汇总了相关工具与技能的使用说明。该参考面向开发者与进阶用户，便于快速查阅 ChatGPT 工作场景中的功能配置。文档以站点形式发布，供社区参考使用。

Debian 投票允许开发者使用 AI 工具，但不会禁止 AI 代码

Debian 投票通过新 AI 政策，允许开发者使用 AI 工具参与 Linux 发行版的开发、维护和文档工作，既不支持也不禁止生成式 AI 工具。政策强调“负责任”使用 AI 可提升生产力，但贡献者仍需对提交内容的质量、正确性和法律合规性负责，且不强制披露 AI 使用情况。部分贡献者对此不满，有人宣布退出 Debian。

Google 发布 Gemini 3.7 Flash，面向编码与智能体并降价一半

Google DeepMind 发布 Gemini 3.7 Flash，定位为面向编码与智能体的最强主力模型，距 Gemini 3.6 Flash 发布仅三周。

微软研究院开源 Orchard：可扩展智能体 AI 框架

微软研究院发布开源框架 Orchard，核心是 Kubernetes 环境服务 Orchard Env，可复用于软件工程、网页导航和个人助理三类智能体任务，并支持直接在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中训练。

Google DeepMind 发布 Gemini 3.5 Flash Cyber 网络安全模型

Google DeepMind 发布 Gemini 3.5 Flash Cyber，这是基于 3.5 Flash 微调的轻量网络安全模型，用于快速发现、验证和修补漏洞，在 CyberGym 等基准上以多次调用取得接近更大模型的成绩。