Thoughtworks 實驗：全交給 agent 寫程式碼，應用能跑但建置常紅
Thoughtworks 歐洲區 CTO 帶團隊做了一週實驗：全程無人寫程式碼，全部由 agent 建置一個應用，最終完成約 80%，應用能跑起來，但建置頻繁失敗，還出現「在我機器上是好的」。團隊約三分之二時間花在白板上梳理領域、劃邊界、排計劃，三分之一用於搭測試、契約、架構檢查與交付流水線等約束，最後提交功能程式碼最多的是產品人員。
原標題：Why are good developers so wary of agentic development?
閱讀原文
| 評分 | 48 / 50（平均 49，門檻 76） |
|---|---|
| 狀態 | 未入選 |
相關報導
Thursday 發布 coding agent，第一版是一個 skill 檔案
作者發布 coding agent 專案 Thursday，第一版不是獨立應用，而是一個可貼上進現有 coding agent 的 skill 檔案，目標是讓 vibe coding 重新變得有趣。他此前花數百美元 AI credits、寫下三萬行程式碼做 DeepSeek Harness 發行版，卻始終沒找回樂趣，最終轉向讓 agent 只做使用者交代的事。目前每月推理成本不到 20 美元，由 DeepSeek v4 Flash 和 GLM 5.3 支撐；
為什麼 coding agent 依然很笨：模型在進步，agent 卻拖後腿
一位開發者認為 AI 程式設計的瓶頸是 agent 而不是模型：模型生成程式碼的能力持續提升，agent 卻停在原地。他區分了模型（GPT Astra、Claude Sonnet、GLM-5.3）與 agent（Claude Code、Codex），並列舉四類問題：OpenCode 把約 1.5k 行的改動拆成 10 個子任務卻逐個序列執行；agent 不會按任務難度切換更便宜或更強的模型；Claude Code 說不清自身功能，只能聯網搜尋；Plan 模式產出的計劃零散、難讀。
Uploadcare CTO：AI 已能解決任何工程問題，有時完全不看 agent 程式碼
Uploadcare CTO Alex Gusev 在 40 歲這年寫道，工程挑戰已經消失：他現在有時完全不看 agent 寫的程式碼，出錯由其他 agent 發現並告知。一年前他還花數月清理自己在 lettercarta.com 上 vibe-code 的程式碼，如今已習慣 agent 把任務做好。
Google 開源 Harness²，讓 Agent 在執行中改進自身腳手架
Google 開源了 Harness²，這是一套雙層遞迴框架，讓 Agent 在執行時自行修改腳手架、系統提示詞、工具鏈與技能庫。它在沒有標準答案時，用 Propose–Probe–Compose 對改動做行為對比篩選，並把除錯經驗寫進經驗庫，供後續任務檢索複用。實測 GLM-5 在 OpenCode 下執行 WorkBuddy-Bench，得分從 64.2 升到 75.7（+11.5 分），反超未改腳手架的 Gemini 3.5 Flash（72.4）；
微軟與 Hugging Face 發布 ThinkingBox，按資料庫狀態給 AI agent 打分
微軟聯合 Hugging Face 推出 ThinkingBox 基準，通過 Hugging Face 提供，不看 agent 的回覆文字和工具呼叫，只檢查它留在後端資料庫裡的最終狀態與副作用，每個任務重複跑 20 次。在 507 個有狀態業務流程、12 個模型、121,680 次有效試驗中，79,853 次未通過可執行檢查，其中 67.24% 仍乾淨收尾且無工具報錯。