一、AI Coding

1. AWS 以 Apache 2.0 开源 Kiro Crew：智能体「编排层」正式基础设施化

事件：据 InfoQ 等报道，AWS 开源 Kiro Crew（内部代号 MeshClaw），一个面向异步编程智能体的持久化编排层，支持事故排查、工单分诊、代码迁移、PR 监控与定时维护等长周期任务的无人值守执行；开源前已在亚马逊内部铺开，不到 6 个月覆盖约 3.9 万名开发者、约 500 名贡献者。其延续 Kiro「以自然语言规格为工作单元」的思路，编排代码可自由修改与私有化部署，但智能体运行时与推理仍绑定 Kiro 专有 CLI 与 Bedrock——形成「开放编排层 + 闭源推理引擎」的组合。

为什么值得关注：「持久化、异步、可调度」的多智能体协同正从论文概念变成生产基础设施——3.9 万开发者的内部使用是企业级 agent 已能跑通的少有实证。更值得琢磨的是那个结构信号：「编排层开放换生态、推理层闭源收钱」可能成为 agent 平台的默认商业形态；选型团队要分清哪些部分可审计可替换、哪些被锁定，再决定把工作流押在哪里。

2. 小米开源终端编程助手 MiMo Code，底座 MiMo-V2.6 拿下开源综合「第一」

事件：小米于 10 月中旬开源终端编程助手 MiMo Code（V0.1.0，MIT 协议），基于 OpenCode 二次开发、界面全程中文、一条命令安装；其底座 MiMo-V2.6 系列在 Artificial Analysis 综合智能指数拿下 46 分，超过 Kimi K3 与 Qwen3.8 Max，为当前开源模型最高分（前排闭源约 53 分），同等智能下 API 价格据称为海外模型的 1/20～1/60。技术上小米把模型与 Harness 一起训练——RL 阶段同一批任务混用多个框架（Multi-Harness Training），并开源极简 mini-harnesses。

为什么值得关注：这与 AWS Kiro Crew 是同一道题的另一种答案——当「模型 × Harness」成为产品形态，Harness 就不再是外壳而是训练材料，小米直接把它养进 RL 换泛化能力。对国内开发者，多了个 MIT、中文优先、价格激进的选择；对行业，「终端编程」座次正被开源阵营重排。需注意「开源第一」是榜单口径，与最强闭源仍有约 7 分差距，选型按实际任务跑分即可。

3. Claude Code 两位核心工程师离职，敲响 dev-tooling 人才战警钟

事件：据 TechBytes 等报道，Anthropic Claude Code 项目两位资深技术负责人 Shihipar 与 Morris 已离开公司，二人曾主导确定性沙箱隔离层、权限边界校验环与基于 AST 的上下文索引等核心 harness 子系统；离职后 Anthropic 已将 Claude Code 核心工程组织并入 Applied AI Infrastructure 部门。报道称，这反映前沿模型安全研究与对抗 Cursor / Copilot / 开源 harness 的快速产品化需求之间的组织张力。

为什么值得关注：现代 coding agent 的竞争力不在模型本身，而在它外层的确定性 harness——把对话意图翻译成安全的文件操作、命令执行与 git 流程。原架构师出走，引发两层信号：一是 agent 工具的人才战已白热化；二是企业开始警惕深度厂商锁定，转而评估「harness 与推理提供商解耦」的架构，以保留自有 hooks、验证规则与测试链路，不受.frontier 实验室人事波动牵连。

4. Cursor 发布 Computer Use，把「验证环」关进编码工作流

事件：Cursor 于 10-23 宣布 Computer Use，其 coding agent 可直接驱动桌面应用，以 iOS Simulator 为标杆示例——agent 写完代码后能自行打开运行中的应用、检查行为是否正确。对比之下，Anthropic 的 computer use 更早（Windows 自 4 月支持），定位通用桌面自动化，并公布 OSWorld 2.1 基准：Opus 5.5 达 81.8%、Sonnet 5.5 为 80.1%。两者机制相同、目的不同：Cursor 是为「验证自己写的代码是否真的能用」，Anthropic 是「跨应用通用桌面自动化」。

为什么值得关注：过去 coding agent 的反馈全是文本（编译、测试、日志），只回答「能不能构建」而非「跑起来对不对」。Cursor 把运行态 GUI 纳进验证环，补上了「编译通过但行为错误」这一最大失败类——尤其移动开发大多有趣的错误都在这类。代价是截图即图像 token、成本随步数线性上升，部署前务必在自身任务上先量步数与单价，而非数功能。

二、具身智能

5. 2026 GDPS 全球开发者先锋大会上海启幕：千台人形机器人实景竞技

事件：2026 全球开发者先锋大会（GDPS）暨国际具身智能技能大赛正在上海举行，800 余支竞赛队伍、千台人形机器人同台，汇聚 300 余家本体企业、超 200 家供应链企业；技能大赛设 9 大赛道、23 个赛项，覆盖工业焊接、能源巡检、物流分拣等真实场景，并创新推行「比赛数据回流机制」为机器人技能发育保留参考数据。裁判维度概括为体能（负重与长时可靠）、技能（装配搬运）、智能（自主推理决策）三层。

为什么值得关注：这是具身从实验室原型加速走向真实产线的集中展演——200 家供应链同台，意味着行业正从「单本体炫技」转入「本体 + 供应链 + 数据闭环」的产业链协同阶段。数据回流机制尤其关键：把比赛变成持续采数的训练场，呼应了「模型决定起点、数据定义终局」的共识，让竞技成果可沉淀为可复用的真实交互语料。

6. 均普智能 G2 进厂：工业具身交出可验证的产线硬数据

事件：均普智能旗下普智未来机器人 G2 已在多工业场景落地：在头部 3C 企业完成 8 小时、2283 次任务零失误实战测试；在汽车安全带铝制器件攻丝工序上把约 18 秒人工节拍提升至最快 12.9 秒（效率升约 1/3）；依托垂类模型自适应抓取不同型号产品。产能上，无锡子公司 6 月首批 G2 下线、8 月爬至 300～400 台，年产能规划 2000～2500 台，覆盖 3C 装配、上下料、物流分拣、搬运与检测等工序。

为什么值得关注：具身新闻向来发布会数据多、产线数据少，这份「8 小时 2283 次零失误 + 节拍缩短 1/3」是少见的可验证交付证据，说明人形/具身形态在特定工序已跨过「精度—节拍—ROI」商业门槛。它也印证反复跟踪的趋势：进厂短期是补「招工难」的结构性缺口，长期用产线数据反哺模型、越用越聪明。「垂类模型 + 自适应抓放」是相对务实的落地路径，工程团队值得盯。

7. OpenAI 组建 Robotics 团队、官网放出 10+ 岗位，正式切入人形机器人

事件：据证券之星等报道，OpenAI 首席执行官奥特曼表示正组建名为「OpenAI Robotics」的新团队；截至 10-23，官网已公布 10 余个 Robotics 相关岗位，方向覆盖机器人软硬件、控制系统、电机与执行器，并公开招募全栈硬件、运营、系统及机器学习工程师。同期英伟达于 9-28 披露拟以约 82 亿美元收购 World Labs，海外「物理 AI」资本动作密集。

为什么值得关注：当最强基础模型公司亲自下场做本体，具身赛道的「大脑 vs 身体」分工被改写——OpenAI 不再只卖模型，而要掌控从执行器到控制栈的垂直链路。这意味着「通用 VLA 大脑 + 自研硬件」可能成为头部玩家的标准配置，也给纯本体厂与中间层数据/零部件公司提出新考题：要么成为 OpenAI 的供应链，要么在它不屑于做的细分工况里建壁垒。投资以官方披露为准。

8. 特斯拉 Optimus Academy + 马斯克谈可靠性：先造「训练舰队」，再算交付账

事件：马斯克在 Q3 财报电话会披露 Optimus Academy——用 1～2 万台机器人组成内部训练舰队，通过「自博弈」式真实任务练习产生数据回流模型；弗里蒙特早期量产线已启动，首批为「生产质量级」机器人；AI5 芯片计划 2027 年 4 月集成，外部交付目标 2027 年底。项目负责人称手部是最具挑战的硬件之一（需兼顾长期耐磨与抓取易碎品的传感可靠），并坦言「不能用一个月就坏」。奥斯汀第二座工厂已在建设。

为什么值得关注：特斯拉把「先造一两万台自己练」当成数据飞轮的启动条件，等于承认人形机器人没有汽车那样的在途车队可天然采数，必须自建训练舰队。更清醒的是可靠性账：机械手一次漂亮动作与工厂连班 7×24 的可靠性要求天差地别，客户要的是稳定干活而非频繁维修。这把行业叙事从「产能数字」拉回「寿命、节拍与数据闭环」的硬指标——没有对手，也得算账。投资以官方披露为准。

一句话总结

今日双轨在「基础设施化 + 可验证落地」上同频：coding 侧 AWS 把编排层交出、小米把 Harness 养进训练、Claude Code 架构师出走与 Cursor 关上验证环，竞争从模型能力沉降到运行时、编排与工具层的开放可组合；具身侧 GDPS 千台实景竞技、均普 G2 交出产线零失误数据、OpenAI 下场做本体、特斯拉用训练舰队换可靠性，把估值锚从 Demo 惊艳度逼向供应链协同、数据闭环与 7×24 寿命硬指标。