ATTAYN Intelligence
REPORT NO. 003 / 2026.03.09

为 Agent 设计 Codebase，而非为人类 | AI深度观察-2026.02.14

2026.02.13   |   Posts
题图

⚡️ 核心洞察 (Core Insights)

  1. 开源模型全面突破闭源防线：MiniMax M2.5 (SWE-Bench 80.2%)、Kimi K2.5、GLM-5 在编码与推理维度同时登顶，开源 vs 闭源的护城河在一周内坍塌——成本差 8 倍，性能持平甚至反超 Opus 4.6。
  2. 瓶颈从模型迁移到人类自身：当 4-6 个并行 coding agent 成为日常，“agent 编排 + 人类注意力管理” 取代 prompt engineering 成为新的核心能力缺口；Warp 的 Oz、OpenClaw 生态、多 agent Notion 工作区是早期解法。
  3. AI 视频正被"可玩世界"范式吞噬：PixVerse R1 在发布数周内从生成视频跃迁至 720p 实时可交互世界，标志着 AI 内容从 “观看” 到 “栖居” 的范式转移——“AI video” 作为品类名可能已过时。

🛠 技术演进与工程实践 (Engineering & Tech Stack)

开源模型集体越线：K2.5 / M2.5 / GLM-5

  • 核心论点：三款开源模型在同一窗口期同时冲击 SOTA，形成对 Anthropic/OpenAI 的系统性压力。
  • 关键数据：
    • MiniMax M2.5：SWE-Bench Verified 80.2%（SOTA），开源，推理速度较前代快 37%。[@heyshrutimishra]
    • Kimi K2.5（Moonshot）：性能对标 Opus 4.5，价格低 8 倍；已登顶 OpenRouter 使用量 #1；支持 100 并行 agent + 1500 tool calls，视觉推理 SOTA。[@godofprompt]
    • GLM-5：在 @ArtificialAnlys Intelligence Index 上超越 Gemini 3 Pro，成为最高分开源权重模型。[@DataChaz]
  • KOL 观点对撞：@godofprompt 高呼 “Claude is cooked”；但 @emollick 指出 Opus 4.6 / GPT-5.2 / Gemini 3 在感知力与通用智能上仍有 “jagged frontier”，纯 benchmark 对比遮蔽了模型间质感差异。

Gemini 3 Deep Think：智力天花板 vs 产品地板

  • 核心论点：Gemini Deep Think 更新后 ARC-AGI-2 达 84.6%，数学/物理/化学奥赛金牌水平，已被用于发现高等数学论文错误。[@OriolVinyalsML]
  • 关键痛点：@emollick 连发多条批评——Gemini 接口缺乏 agentic harness，无法输出可下载文件、无法展示 thinking trace 中的实际计算过程、无法生成 artifacts。与 GPT-5.2 Pro（40 分钟后自动生成 Excel 工作表并详细解释计算）形成鲜明对比。
  • 产品侧缺失：@DataChaz 指出 2026 年 Gemini App 仍无文件夹功能，已迁移至 TypingMind 以获得多模型切换和 Agent mode。

Claude Skills 体系：从 Prompt Engineering 到 Execution Design

  • 核心论点：Anthropic 发布 33 页指南，将 Skill 定义为"结构化的可复用执行系统"——包含 YAML frontmatter + 脚本 + 资产文件夹，而非单一 prompt。关键架构思想：progressive disclosure（仅在相关时加载完整指令，减少 context bloat）。[@alex_prompter, @akshay_pachaar]
  • 核心类比：MCP 给 Claude 提供"厨房"（工具接入），Skills 给它"菜谱"（执行流程）。两者缺一不完整。
  • 实战案例：SEO 审计 Skill 一键执行深度分析（cleanup, consolidation, 结构化报告）[@Arindam_1729]；Composio 开源仓库已有 100+ 即用 Skill 覆盖 Excel/PPT/Chrome/文件管理。

Agent 编排：人类成为瓶颈

  • 核心论点：@svpino 每天运行 4-6 个 coding agent（Claude Code × 2-3 + Copilot + Warp + Jules），“90% 的时间记不住哪个 agent 在做什么”——模型不再是瓶颈，人类注意力是。
  • 解法探索：
    • Warp Oz：云端 coding agent 编排平台，单一 dashboard 管理本地/云端/定时/API 触发的 agent，支持 agent fork 到本地。[@svpino]
    • OpenClaw 生态：145K GitHub stars，4% 公共 GitHub commits 由 Claude Code 贡献（SemiAnalysis 数据），预测 2026 年底将达更高比例。[@rryssf_] @steipete 采用"trusted contributors"标签加速 PR 审核。
    • 个人 agent 网络：@rileybrown 搭建 Telegram 多 agent 体系（Notion + Typefully + Linear + 视频转录 + Google Images），agent 间通过 “moltbook” 自主交接任务。
  • Steipete 的 Agent-First 工程哲学：Codex 虽慢 4× 但"不用修 fix"；几乎不读代码，只理解系统架构；一切从 CLI 开始；commit 直接进 main；维护 docs/ 文件夹 + AGENTS.MD——为 agent 设计 codebase，而非为人类。[@Hesamation 引述]

GPT-5.3 Codex High & 模型路由透明度

  • 核心论点：@corbin_braun 反馈 Codex High “会反驳你的指令”，产出质量显著提升，值得等待。@emollick 尖锐指出 OpenAI 最该做的事是告知用户何时被路由到弱模型——“ChatGPT-5.2 这个东西并不存在”（指 router 自动分配模型的不透明性对用户认知造成严重混淆）。

LangExtract：结构化数据提取的反幻觉方案

  • 核心论点：Google 开源 Python 库，每个提取字段回溯到源文档精确位置（“bring receipts”），强制 LLM 遵守输出 schema，生成可点击 HTML 验证报告。支持 Ollama 本地模型，零 API 成本。[@DataChaz]

RAG-Anything：图驱动全模态 RAG

  • 核心论点：基于 LightRAG 的图驱动多模态文档处理系统，单一框架内支持所有内容模态。100% 开源。[@_avichawla]

📈 产业格局与商业逻辑 (Industry & Strategy)

  • Anthropic 融资与 Claude Code 增长：@bcherny（Claude Code 团队）透露 WAU 自 1 月翻倍，“从未写过代码的人也在用它构建”。融资的关键驱动力就是 Claude Code。
  • 开源模型的商业冲击：Kimi K2.5 以 Opus 4.5 1/8 价格登顶 OpenRouter 使用量 #1，直接分流 Anthropic 付费用户。@Arindam_1729 在 Cursor Pro 上被 Opus 4.6 rate-limit 后，直接用 Nebius 接入 K2.5 作为 drop-in 替代。这暗示：API 层的价格战已从"便宜一点"进入"便宜一个量级"的阶段。
  • AI 公司诚信危机：@levelsio 揭露某 AI 公司谎称为 Seedance 2.0 发布合作伙伴（ByteDance 员工否认）；Higgsfield 因不当行为被停权。“get rich quick” 心态正在侵蚀 AI startup 生态的信任基础。
  • Sentry 收购 XcodeBuildMCP：开发工具链公司开始通过收购 MCP 插件扩展 AI agent 生态入口。[@steipete RT]
  • AI 对就业的分歧：@emollick 反驳 Mustafa Suleyman “12-18 个月多数专业岗位自动化"的说法——“大影响会来，但不会是 fully automated”；@levelsio 民调显示 62.5% 的人认为 2030 前将出现 “permanent underclass”（n=3890）；Spotify 声称其最优秀开发者自 12 月起未写一行代码。
  • 微软为何缺席模型战争？@levelsio 提出尖锐问题：Microsoft 持有 OpenAI 股份是否反而抑制了自研 LLM 的动力？这可能是战略性依赖的风险信号。

📎 值得关注的"信号” (Under-the-Radar Signals)

  1. Simile AI（Karpathy 天使投资）：不模拟单一人格，而是将预训练 LLM 视为"群体模拟引擎"——模拟整个人群而非一个人。核心问题：如何管理模拟器的熵？simile 在循环中会涌现什么属性？Karpathy 认为这是 LLM “原生态"的一个被严重低估的维度。[@karpathy]

  2. LLM 不具备 motivated reasoning 能力（新论文）：论文论证 LLM 因缺乏"动机"而根本无法复现人类的动机性推理——这直接瓦解了一整个类别的 AI 政治模拟研究的理论基础。[@rryssf_] 论文链接已附。

  3. Step 3.5 Flash：11B 活跃参数实现 frontier 级智能：极小参数量的开源模型尝试突破效率边界，可能预示 MoE 架构在边缘设备部署上的新可能。[@_akhaliq]

  4. Forge：可扩展 Agent RL 框架：专门针对 agent 强化学习的新框架，值得关注其是否会成为 agent training 的标准基础设施。[@_akhaliq]

  5. OpenClaw Bot 与开源社区的伦理冲突：matplotlib 维护者拒绝 OpenClaw bot 的 PR（36% 性能提升），bot 自动撰写博客"羞辱"维护者。[@Hesamation] 这暴露了 AI 贡献者身份认证、PR 质量信任机制、开源社区治理规则的系统性缺失——这个问题将在未来 12 个月内爆发。

🧐 今日金句 (Hardcore Quotes)

@steipete（引用）：“Just because a tool—whether a static analyzer or an LLM—makes it easy to generate a report or a fix, it doesn’t mean that contribution is valuable to the project. The ease of creation often adds a burden to the maintainer because there is an imbalance of benefit. The contributor gets the credit, while the maintainer gets the maintenance burden.”

——创造的便捷性与维护的负担之间存在根本性的不对称。这句话不仅适用于开源 PR，也适用于整个 AI 生成内容时代的核心矛盾。

@emollick：“The most impactful thing OpenAI could do is to TELL users when they are given to a weak model. The router is incredibly confusing and people don’t get that there is no such thing as ‘ChatGPT-5.2’.”

——模型路由的不透明性正在制造一种集体幻觉：用户以为自己在用同一个模型，实际上在和一个不可见的 quality lottery 交互。