依意思最接近的 30 筆
OpenRouter 上線新一代 Auto Router，並首次拆出面向編碼場景的 Auto Code 路由。官方稱新路由在基準上最多強 4 倍，路由步驟 p90 延遲從 1.96 秒降到 0.65 秒，選型改為綜合 11 項請求因素併疊加即時價格、供應商健康與快取狀態。Auto Code 在五項基準上與 Claude Opus 5.5 相當，單任務成本低 74%。把請求模型設為 openrouter/auto 或 openrouter/auto-code 即可使用；
Airbnb CTO Ahmad Al-Dahle 披露，公司目前 60% 的程式碼由 AI 生成，功能交付量同比增加近 80%，工程師人均 PR 吞吐量提升約 1.6 倍；約一半客服工單已完全由 AI 處理，與 Q2 財報中近 45% 的數字一致。內部上下文圖譜 Everest 幫助雜貨配送服務在 8 至 9 個月內上線，機場接送僅用約 6 周。Airbnb 採用多模型策略，至少部署 10 個定製模型，主要在開源模型上做後訓練和強化學習。
Claude Code 發布 v2.1.319：關閉遙測或功能開關（包括走 LLM 閘道器）時，auto 模式不再回退到內建分類器，服務端無法檢查的呼叫會被詢問或直接拒絕，可用 CLAUDE_CODE_AUTO_MODE_SERVER=0 保留原行為，Bedrock、Vertex 與 Foundry 不變。
一位寫了 20 年程式碼的軟體工程師撰文主張，AI 生成的程式碼仍要逐行讀、逐行審，不能因為能跑就盲信。他承認這類工具寫得比自己快，經審查後品質往往也不差，但它的做法主要是不斷做加法：堆砌覆蓋錯條件的單元測試、重複實現已有函式、每行都加無用註釋，出問題後還會編造一套語氣篤定的根因分析。他認為 95% 的正確率不等於 100%，靠提示詞“配方”解決不了問題，行業還缺少可重複的驗證流程；只要 PR 上署著自己的名字、自己還在值班，就該讀懂這段程式碼。
哈佛大學研究者在 700 多家公司、70 萬名員工、3 億條工作事件的資料中發現，AI 程式設計工具並未讓企業軟體產出增加或減少用人，編碼階段省下的時間被下游環節吸收。程式碼審查時長明顯增加，pull request 更常需要返工，審查者留下的評論也更多。研究據此認為人工程式碼審查是 AI 編碼效率的主要瓶頸。
Claude Code 發布 v2.1.302，新增 CLAUDE_CODE_AUTO_MODE_MODEL 環境變數，用於指定客戶端 auto mode 分類器所用的模型，但不改變服務端 auto mode 的模型。/config 新增 Idle compaction 行，可關閉或重新開啟空閒壓縮。
Meta 工程師在 LinkedIn 發帖稱，用 AI 寫程式碼後難以逐行審查，交付的系統成了自己不完全理解的黑盒。帖文說 AI 輔助交付節奏太快，逐行檢查會耗費大量時間，結果可能只懂高層結構、不懂每個細節，這違背軟體工程習慣。該帖被轉到 Hacker News 的 Ask HN 後獲得 179 分、292 條評論，討論工程師該理解到什麼程度、又該如何應對才敢繼續交付。
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。
Revolut 已將約 2000 名工程師的編碼工作遷到自託管 GLM，並把 Claude Code 與 Codex 列入例外名單。據負責 AI 運維的 David Abitbol 披露，這套叢集為 56 張 Nvidia B200，混合成本約每百萬 token 30 美分，約為付給 Anthropic 與 OpenAI 的十分之一，工程交付週期縮短 70%。他還指出，收益出現在 token 不再被限量之後：工程師不再把 AI 留給難題，而是對所有任務都用。
OpenAI 產品負責人 Tibo Sottiaux 發帖預告未來模型會更擅長刪除和簡化程式碼，並在評論中確認 Astra 6.1「coming soon」。負責 coding post-training 的研究員 Rajan Agarwal 轉發該帖，並公開徵集使用者遇到的 sloppy code 與程式碼品質問題。《華爾街日報》此前報導，Astra 6.1 原計劃 10 月發布，因內部安全測試中在權限邊界上表現不穩而被臨時叫停。
一位開發者撰文稱，AI 輔助程式設計（vibecoding）只把樂趣前置：能快速做出可用原型，但重構和維護階段不再有趣，也缺少手寫程式碼帶來的成就感。他把建造的樂趣分為六種，認為 vibecoding 只能滿足「想到點子」「把點子變成現實」和「解決自己的問題」三類，攻堅後的成就感、作品完成的滿足感與學習樂趣都不會自然產生。他仍用 AI 做出了一些手工做不出來的東西，包括即時野火預警系統、Kobo 資料庫遷移助手和即時音準訓練應用，但表示過程不像自己寫小指令碼那樣好玩。
蒙大拿州立大學計算機教授 Carson Gross 在《Yes, and...》中回答“AI 時代還該不該學程式設計”：應該，但初級程式設計師必須親手寫程式碼。他認為 AI 能生成作業程式碼，但若因此不寫程式碼，就難以讀懂程式碼，可能造出自己無法理解和控制的系統；AI 更適合當助教，他給學生提供 AGENTS.md 來把編碼代理配置成助教。他同時判斷，未來寫程式碼本身的相對價值會下降，清晰溝通與理解業務會更重要。
一位寫了 18 年程式碼的開發者表示，自去年在 Claude Code 中使用 Opus 4.5 後，用自然語言描述需求比手寫程式碼更快，於是徹底停止了手寫程式碼。他所在的 Filestage 團隊月合併 PR 從約 200 增至 300，bug 報告未增加，每位開發者每月 AI 訂閱費 20 美元，工具可自選 Codex、Claude Code 或 Cursor。
舊金山初創公司 Industrial Next 在 TechCrunch Disrupt 2026 上宣布與 BMW 集團技術辦公室合作，評估其 AI 靈巧操作技術用於製造。該公司由兩位前特斯拉工程師於 2021 年創立，做的是基於自研基礎模型的機器人工作站，把視覺、任務上下文與運動控制打通，用高保真模擬訓練，產線換型從數週縮短到數分鐘，無需傳統程式設計。其工作站已在某款熱門手機的生產中使用，負責柔性排線穿線、聯結器扣合等此前難以自動化的工序；
現於 Salesforce AI Research 任職的研究工程師自述，自己已很少手寫程式碼，工作日主要是同時管理 5–6 個 Claude Code、OpenCode、Codex 這類 coding agent：每個 agent 拿一份獨立的 Git worktree，自行寫程式碼、跑測試、建立並審閱 PR，新功能原型約 20 分鐘就能跑出來。他每月在 token 上花費約 3000 美元。
Einsia AI 旗下 Navers Lab 發布 EmbodiedEvo，讓 Coding Agent 在單個 Playground 場景中通過互動積累程式碼 Skills 與文字 Lessons，凍結經驗後交給新 Agent 在未見場景複用，全程不更新模型權重。在具身評測 RoboDojo 上，它以 45.08 平均分、38.95% 成功率超過所有 VLA/WAM 與 Agent 方法；
Proton CEO Andy Yen 正在公司內部強推 AI 化，今年是 Proton 最後一年招聘工程師，之後只招用 AI 建置產品的人；公司還在員工電腦上安裝軟體，統計 AI 生成程式碼的數量。據 404 Media 報導，他設立員工信箱收集阻礙 AI 推廣的事項，以便領導層“無情清除一切阻礙 AI 速度的東西”。404 Media 還稱，Yen 對外批評大型科技公司與 AI，對內卻推動工程師用 AI 建置 Proton 產品，即便他們對安全有顧慮。
ServiceNow CoreAI 團隊發布 AutoSynthData，用目標模型的失敗案例和更強教師模型的成功軌跡定位能力缺口，再自動生成並驗證新任務用於後訓練。任務由系統規範、使用者提示和驗證器三部分組成，需滿足可行性、真實性與難度要求，驗證器則要求一致、可靠且不繫結單一參考軌跡。團隊在 EnterpriseOps Gym 資料集上演示了該流程，模型提升後課程會轉向仍難完成的任務。
Google DeepMind 公開了名為 Carbon 的編碼系統，稱其能連續數天推進複雜任務，既不卡住也不走捷徑，產出高品質、可靠的程式碼。目前 Carbon 只向一小批網路安全防禦人員開放試用，官方將根據這批人的反饋改進護欄，之後再擴大訪問範圍。推文沒有披露模型規格、價格與具體開放時間，更多細節需看其附帶的連結。
OpenAI 開發者帳號介紹了內部工程師如何使用 Codex：在自家程式碼庫中檢索、定位需要關注的部分，並逐步消化積壓的維護任務。推文只給出這一概述，未披露具體工作流程、所用模型版本或效率資料。
Carson Gross 認為，即便 AI 工具已經出現，程式設計仍會是一門可行的職業。他把程式設計歸結為兩件事：用計算機解決問題，以及在解決問題的過程中學習控制複雜度；在他看來，很難想像未來懂得用計算機解決問題、並控制這些方案的複雜度會比今天更不值錢。這番話發布於 2026 年 10 月 8 日，標籤涵蓋電腦科學、職業與 AI。
哈佛、輝達、伯克利、MIT 與斯坦福團隊提出 RAX：讓通用 Coding Agent 直接接入機器人的感知與控制介面，靠自主探索把成功決策寫成可執行程式，模型引數全程凍結。
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。
OpenAI 在 Codex/Work 連續 28 天更新計劃的第二天一次性放出四項更新：Auto-review（即 Approve for me）對所有用 ChatGPT 帳號登入的使用者免費，不再消耗套餐額度；API 付費等級從五檔簡化為 Build、Launch、Grow 三檔，累計付費門檻分別為 5、100、500 美元，最高檔由 1000 美元減半至 500 美元並自動升級；
OpenAI 宣布將收購 Pierre Computer Company，目的是擴充套件 Codex 在程式碼建置、理解和審查方面的工具能力。官方公告未披露交易金額、團隊規模與完成時間，Pierre 的技術與人員將如何併入 Codex 也尚未說明。
數學形式化正從人工轉錄轉為 AI 自動形式化：Anthropic 於 2026 年 9 月 4 日宣布完成費馬大定理的自動形式化，11 天生成 1300 萬行 Lean 程式碼；OpenAI 9 月 8 日公布 Navier-Stokes 強制爆破定理時也附帶了 Lean 形式化。此前 Math Inc. 在 24 維球填充問題上生成約 50 萬行程式碼，Meta 的 ATLAS 專案則自動形式化了 26 本教科書的大部分內容。
OpenAI 宣布收購 Pierre Computer Company，希望藉此讓 Codex 覆蓋從智慧體建立第一個分支到程式碼部署上線的全流程。Pierre 的核心產品 Code Storage 是面向 AI 智慧體的 Git 託管服務：單倉庫最高 32TB、Git 請求不限速（實測單倉庫每秒 500 次以上），並按 7 天冷熱分層計價，每 GB 每小時 0.005 美元與 0.0002 美元。
OpenAI 開發者帳號 @OpenAIDevs 發布一條內容，稱名為 dot 的專案在乘坐自動駕駛汽車途中做出了一款遊戲。原帖正文只有這一句說明，沒有給出遊戲名稱、玩法，也未提及開發所用的模型或工具，同樣沒有交代 dot 是團隊、產品還是模型。發布時間為 2026 年 10 月 7 日，後續細節尚未披露。
博主 AIL 與開發者 Matt Pocock 就 spec driven development 展開爭論，他認為 AI 專案的事實來源應是寫作所表達的意圖，而非程式碼；在他看來，程式碼只是執行與表示，寫作才是最接近人腦想法的載體。他提出 Ideal State Artifact（ISA）文件，用散文式的理想狀態、約束與決策記錄，加上可原子化測試的 Ideal State Criteria（ISC）及各自的 eval 來承載需求。
Cisco 總裁兼首席產品官 Jeetu Patel 給 27 歲工程師 Padmanabhan Krishnamurthy 開了無限 AI token 額度，讓他帶兩人團隊重構公司遺留程式碼。Krishnamurthy 先用四周證明可行，最終目標是在 24 個月內重構 Cisco 98% 的遺留程式碼；他於 2025 年隨 Cisco 收購 EzDubs 加入。Patel 還在尋找更多年輕員工，認為他們能挑戰現狀，並稱代際間的摩擦有助於激發新想法。