AI前沿资讯 6月22日:Copilot App桌面版、Apertus Mini主权模型、Palmier Pro视频编辑

2026-06-22

1. Palmier Pro：AI 原生视频编辑器，内置 MCP Server 让 Claude 直接剪辑时间线（palmier-io/palmier-pro）

是什么

Palmier Pro 是 Y Combinator 孵化的旧金山创业公司 Palmier 推出的 AI 原生视频编辑器。与 Premiere Pro / DaVinci Resolve "后期加 AI"的思路不同，Palmier Pro 从架构层面就是以 AI 为核心构建的。通过内置 MCP Server，Claude Code、Cursor、Codex 等 AI Agent 可以直接在时间线上生成素材、裁剪、分割、重排片段。核心技术栈：Swift + SwiftUI + AVFoundation（macOS 原生）+ Metal 渲染加速。开源协议 GPLv3，编辑器核心和 MCP Server 完全免费。

怎么用

# 从 GitHub Release 下载（需 macOS 26 Tahoe+，Apple Silicon）
# https://github.com/palmier-io/palmier-pro/releases

# MCP Server 配置（Claude Code 自动发现）
# 在 .claude/mcp.json 中添加：
# {"palmier": {"command": "palmier-mcp", "args": []}}

# 自然语言操作示例：
# "把第 3 段和第 7 段对调，两段之间加一个 0.5 秒的淡入淡出"
# "用 Kling V3 在第 12 秒处生成一个 5 秒的城市夜景转场"

为什么重要

Palmier Pro 解决了一个存在多年的痛点：AI 视频生成工具（Runway、Kling 等）和视频编辑软件（Premiere、DaVinci）是两个割裂的世界——你在 AI 工具里生成素材，下载，再导入编辑器。Palmier Pro 把生成和编辑合并在同一个时间线上，AI 可以直接操作编辑操作而非仅生成素材。支持导出 Premiere Pro XML 和 DaVinci Resolve XML，意味着专业用户可以在 Palmier Pro 里用 AI 完成粗剪，再到专业软件里精修。月费 $29（首发价，正常 $49），5000 积分约可生成 333 张图或 3-7 分钟视频。

讨论现场

Digital Trends 评测："这是第一个让 Claude 直接在时间线上工作的编辑器——不是生成素材让你自己导入，而是真的帮你剪"

• 社区反馈：MCP 集成是真正的差异化——其他 AI 视频工具只是"用 AI 生成"，Palmier Pro 是"让 AI 参与剪辑全流程"
• 日媒 ITMedia 报道后日本开发者社区反应热烈，有人已经开始用 Claude Code + Palmier Pro 自动化 YouTuber 工作流

来源：github.com/palmier-io/palmier-pro · palmier.io · digitaltrends.com

2. GitHub Copilot App 桌面版：Agent 原生桌面体验，并行 Agent 会话 + Canvases 交互式工作台（GitHub/Microsoft）

是什么

GitHub 于 6 月初 Microsoft Build 发布 Copilot App 桌面版（技术预览），6 月 17 日起扩大预览范围。这是一个专为"Agent 驱动开发"设计的桌面应用，不是聊天侧边栏的延伸，而是一个全新的 Agent 指挥中心。核心功能：(1) 并行 Agent 会话——每个 Agent 运行在隔离的 git worktree 中，多个 Agent 可同时处理不同任务（一个修 bug、一个写功能、一个处理 review 反馈）；(2) Canvases 交互式工作台——Agent 在上面更新计划/PR/浏览器/终端/部署状态，用户可以检查、编辑、批准或重定向 Agent 的工作；(3) Agent Merge——自动监控 CI、追踪 Reviewer、响应 Review 评论、条件满足时自动合并；(4) 云端会话——关闭电脑后 Agent 继续在云端工作；(5) Agentic Browsing——Agent 可以驱动内置浏览器点击、输入、截图来端到端验证自己的 UI 改动。

怎么用

# 从 GitHub 下载桌面应用（Win/Mac/Linux，需 Copilot Pro/Pro+/Business/Enterprise 订阅）
# https://github.com/features/copilot

# 启动后核心操作：
# - My Work 面板查看所有活跃 Agent 会话
# - 从 Issue/PR 一键启动 Agent 会话
# - Canvases 上实时查看和干预 Agent 工作进度
# - /rubberduck 命令：多模型家族交叉审查实现方案
# - /security-review 命令：专门的安全评估路径

为什么重要

GitHub 的数据：月 commit 量同比增长近一倍至 14 亿，每周 GitHub Actions 超 20 亿分钟——Agent 驱动的开发已经不是未来式而是现在式。Copilot App 的最大意义在于它定义了"Agent 时代的开发者体验"：开发者从"一行行写代码"转变为"编排和审查多个 Agent 的工作"。Canvases 概念尤其值得关注——GitHub 称之为 Agent Experience (AX) 的起点，类比 GUI 之于命令行。Copilot SDK 已在 Node.js/Python/Go/.NET/Rust/Java 六语言 GA，任何团队都可以在同一个 runtime 上构建自定义 Agent。

讨论现场

InfoQ 分析："并行 Agent 会话 + 隔离 worktree 是正确架构——多个 Agent 同时工作不冲突，任何 Agent 搞砸了直接丢弃 worktree 即可"

• Visual Studio Magazine 实测：从 Blazor Issue 到 PR，Agent 在后台自动完成了代码修改、测试更新、PR 创建的全流程
• 社区争议：Copilot App 和 VS Code / JetBrains 插件的关系是什么？GitHub 回应：桌面 App 是 Agent 层，IDE 插件是编辑层，两者互补

来源：github.blog · github.com/features/copilot

3. Apertus Mini：瑞士主权 AI 计划开源 16 款轻量级模型，知识蒸馏 + 量化蓝图（Swiss AI Initiative）

是什么

Apertus Mini 是瑞士 AI 计划（EPFL + ETH Zurich + 瑞士国家超算中心 CSCS 联合）于 6 月 22 日正式发布的 16 款小型语言模型集合。这是更大的 Apertus 项目（70B 参数全开源基础模型，支持 1000+ 语言，EU AI Act 合规）的"效率版"——通过知识蒸馏（将大模型的能力压缩到小模型）和量化（降低数值精度以减少内存和计算需求）两种技术，产出了一套可供任何团队直接使用的轻量级模型。所有模型完全开源：开放权重、开放数据、开放代码、开放方法论。主论文已被 ACL 2026 接收。

怎么用

# Hugging Face 下载 Apertus Mini 系列模型
huggingface-cli download swiss-ai/apertus-mini-1.5b
huggingface-cli download swiss-ai/apertus-mini-3b
# 共 16 款，覆盖 1.5B 到 8B 多种量化级别

# Ollama 本地运行
ollama pull swiss-ai/apertus-mini:3b-q4
ollama run swiss-ai/apertus-mini:3b-q4

# transformers 直接加载
from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained("swiss-ai/apertus-mini-3b")

为什么重要

在大模型军备竞赛的 2026 年，Apertus Mini 走的是一条完全不同的路——证明小模型 + 精良蒸馏 + 全开放 = 足以覆盖大多数实际场景。这不是又一个大模型比拼 benchmark，而是一份"如何做主权 AI"的完整操作手册：从数据处理（内置 PII 移除、退出机制）、训练方法（蒸馏+量化）、到部署（Ollama 一键运行），全部公开。对欧盟和全球南方国家来说，Apertus 提供了不依赖美国/中国大模型厂商的第三条路。1.5B 模型在消费级 GPU 甚至 CPU 上都能跑，真正把 AI 能力下沉到边缘设备。

讨论现场

HN 热评："Finally, a serious open-source effort that treats documentation and reproducibility as first-class, not afterthoughts" — 199 points

• HN 讨论：Apertus 的 1000+ 语言支持是真实力还是营销噱头？社区正在测试小众语言的实际效果
• 瑞士媒体 SWI："Apertus 不是要挑战 OpenAI/Anthropic 的旗舰模型，而是为那些不需要 GPT-5 级别能力的 90% 场景提供可自控的替代方案"

来源：apertvs.ai · aitoolly.com

4. OpenMontage：全球首个开源 AI Agent 视频制作系统，12 条管线 + 500+ Agent 技能（calesthio/OpenMontage）

是什么

OpenMontage 自称"全球首个开源、Agent 驱动的视频制作系统"。它的核心理念是：把你的 AI 编程助手（Claude Code、Cursor、Copilot、Codex 等）变成一个完整的视频制作工作室。12 条生产线覆盖动画解说、纪录片蒙太奇、播客转视频、屏幕演示、角色动画等场景。每条管线标准化流程：research → proposal → script → scene_plan → assets → edit → compose。52 个集成工具 + 500+ Agent 技能。零 API 密钥也能跑——内置 Piper TTS 语音合成、Archive.org/NASA/Wikimedia 免费素材库、Remotion + HyperFrames 双渲染引擎。

怎么用

git clone https://github.com/calesthio/OpenMontage.git
cd OpenMontage
pip install -r requirements.txt
# 零 API 密钥模式：完全使用本地免费组件
python run_pipeline.py --pipeline documentary --topic "AI在医疗领域的应用" --mode free
# 接入云端 API（可选）：OpenAI / ElevenLabs / fal.ai / Runway / HeyGen
python run_pipeline.py --pipeline explainer --topic "What is MCP" --mode cloud

为什么重要

OpenMontage 的杀手锏是"真实素材"能力——通过 CLIP 语义搜索从 Archive.org 和 Wikimedia 等免费档案库中检索真实历史镜头来构建纪录片蒙太奇，这远超"PPT 加 Ken Burns 效果"的水平。实测成本极低：demo 视频制作费用 $0.15 到 $1.33。在 AI 视频赛道被 Runway / Pika / Sora 等闭源商业产品主导的背景下，OpenMontage 提供了一条完全开源、可自托管、可定制的路线。对内容创作者和教育工作者来说，这是把"AI 做视频"从"氪金特权"变成"开源标配"的关键一步。

讨论现场

CSDN 热评："12 条管线、52 个工具、500+ Agent 技能——这不是玩具，是一个可以跑在生产环境的视频工厂"

• GitHub Issues 中社区最关注的问题：中文语音合成质量如何？作者表示 Piper TTS 中文模型可用但不如 ElevenLabs，正在集成免费替代方案
• 值得关注的技术细节：Provider Scoring 机制用 7 个维度自动选择最佳 AI 提供商，并输出可审计的决策日志——这在 Agent 工具中很少见

来源：github.com/calesthio/OpenMontage · aitoolly.com

5. mattpocock/skills：TypeScript 教父的工程纪律 Skills，根治"氛围编程"（mattpocock/skills）

是什么

Matt Pocock（TypeScript 教育者、Total TypeScript 创始人）将自己的 .claude 目录公开为 GitHub 仓库，包含 28 个精心设计的 Agent Skills。这些 Skills 的定位是"给 AI 编程 Agent 装上工程纪律"——不是教 AI 怎么写代码，而是教 AI 怎么像一个真正的工程师一样思考和协作。核心 Skills：/grill-me（AI 在写代码前通过决策树式提问穷举所有歧义）、/grill-with-docs（同时维护 CONTEXT.md 共享词汇表和 ADR 架构决策记录）、/tdd（严格执行 Red-Green-Refactor 循环）、/diagnose（6 阶段结构化调试）、/improve-codebase-architecture（定期架构健康检查 + HTML 报告 + Mermaid 图）。

怎么用

# 一键安装所有 Skills
npx skills@latest add mattpocock/skills

# 在 Claude Code / Cursor / Codex 中直接使用：
# /grill-me               → AI 追问所有不明确的需求
# /tdd                    → 强制执行 TDD 开发流程
# /diagnose               → 6 阶段结构化调试
# /improve-codebase-architecture → 架构健康检查
# /handoff                → 生成上下文摘要供下一个 Agent 无缝接续
# /caveman                → 超压缩通信模式，节省 75% token

为什么重要

Matt Pocock 提炼了 AI 编程的四大失败模式并为每个模式设计了对应的 Skill：对齐失败（做错了需求）→ /grill-me；冗码症（代码像意大利面）→ CONTEXT.md 共享词汇表；无测试（没有反馈循环）→ /tdd；架构熵增（代码快速腐化）→ /improve-codebase-architecture。139,880 颗星的背后是开发者对"AI 写出能跑的代码"到"AI 写出能维护的代码"的集体渴求。这个项目的技术复杂度极低（就是精心设计的 prompt 模板），但工程智慧密度极高——融合了 DDD、TDD、极限编程等数十年的最佳实践。

讨论现场

Dev.to 深度评测（Evan Dong）："我试了全部 28 个 Skill——/grill-me 是真正的游戏规则改变者。它让 AI 从'好的我马上写代码'变成'等一下，我们先搞清楚你到底要什么'"

• 知乎热评："暴增 8 万 Star！TypeScript 大佬的真实工程 Skills 开源，让 Claude Code 不再随意 Vibe Coding"
• 社区对比：mattpocock/skills（Library 型，即插即用）vs obra/superpowers（Framework 型，方法论体系）vs anthropics/skills（官方参考实现）——三者解决不同层次的问题，互不冲突

来源：github.com/mattpocock/skills · dev.to

6. Recall 0.3.3：完全本地的 Claude Code 项目记忆插件，零 API 调用、零 Token 消耗（raiyanyahya/recall）

是什么

Recall 是一个 Claude Code 插件，为 AI Agent 提供持久化的项目记忆，完全在本地运行。每次 Claude Code 会话结束后自动将对话追加到 .recall/history.md，然后使用 TF-IDF + TextRank（经典抽取式摘要算法，非 LLM）将会话压缩为 ~1-2K token 的 .recall/context.md。整个流程零 API 调用、零外部模型、零网络请求——数据完全不出机器。v0.3.3 新增了 git 仓库安全加固（防范恶意仓库配置执行代码）、API 密钥自动脱敏、以及增量的历史归档策略。

怎么用

# Claude Code 插件安装（一条命令）
/plugin marketplace add raiyanyahya/recall
/plugin install recall@recall

# 日常使用命令：
# /recall:save    → 运行本地摘要器 → 写入 context.md
# /recall:show    → 打印当前上下文
# /recall:log     → 查看会话历史

# 下次打开 Claude Code 时，Agent 会自动读取 .recall/context.md
# 无需每次重新解释项目背景

为什么重要

AI Agent 的"失忆症"是 2026 年最大的开发者痛点——每次新会话都要重新解释项目背景、架构决策、当前进度。Recall 在众多"Agent 记忆"方案中独树一帜的原因是：它完全不依赖 LLM 来生成摘要（避免摘要本身也消耗 token 且可能出错），而是用经典 NLP 算法（TF-IDF + TextRank）。这个设计决策在工程上非常聪明——摘要的质量不需要达到"文学级别"，只需要提取关键实体和决策信息。隐私方面：零网络请求意味着在隔离网络/军工/金融等安全敏感环境中也能用。

讨论现场

HN Show HN 热评："Zero LLM、zero tokens、zero network——这个设计哲学在 2026 年的 AI 工具生态中是一股清流" — +70 points

• 技术讨论：TF-IDF + TextRank 对中文项目的支持如何？作者回复目前主要优化英文，中文分词在 v0.4.0 路线图中
• 竞品对比：与 Eidetic Works Pro（$29/月，云端同步）和 codebase-memory-mcp（C 语言高性能，AST 级解析）相比，Recall 定位更轻量——不需要索引整个代码库，只记录会话级别的关键信息

来源：github.com/raiyanyahya/recall · news.ycombinator.com (Show HN)

7. cognee v1.2.0：6 行代码给 AI Agent 装上持久记忆，知识图谱 + 向量检索双引擎（topoteretes/cognee）

是什么

cognee 是一个开源的 AI Agent 记忆平台，核心理念是用 6 行代码给任何 AI Agent 装上持久化的长期记忆。底层架构融合了知识图谱（提取实体和关系做结构化推理）和向量嵌入（语义搜索）两种互补技术。数据管线遵循 ECL 架构：Extract（从 30+ 数据源提取，包括 PDF/Slack/Notion/图片/音频/数据库）→ Cognify（提取实体和关系，构建知识图谱）→ Load（存入图数据库+向量数据库）。支持 SQLite+LanceDB+Kuzu 本地三件套，也支持 Neo4j/pgvector/Qdrant 等生产级后端。v1.2.0（6 月 17 日发布）新增了 Claude Code 插件集成和 session-aware 知识图谱。

怎么用

pip install cognee

import cognee
import asyncio

async def main():
    # 4 个核心 API，6 行代码搞定
    await cognee.remember("Cognee 将任意文档转化为 AI 记忆。")
    await cognee.remember("用户偏好中文详细解释。", session_id="chat_1")
    results = await cognee.recall("Cognee 做什么的？")
    await cognee.forget(dataset="main_dataset")

asyncio.run(main())

# CLI 模式
cognee-cli remember "把这份设计文档存到知识图谱"
cognee-cli recall "项目的认证流程是什么"
cognee-cli -ui   # 启动本地 Web 管理界面

为什么重要

cognee 的差异化在于把"Agent 记忆"从工程胶水代码变成了一行 API。对比其他方案：Recall（会话级摘要，零 LLM）→ 适合轻量场景；codebase-memory-mcp（代码 AST 级索引）→ 适合代码理解；cognee（知识图谱+向量混合检索）→ 适合企业级多模态数据源的长期记忆。30+ 数据连接器意味着不只是索引代码，还能消化 Slack 讨论、Notion 文档、邮件附件等——这让 Agent 拥有"组织记忆"而不只是"代码记忆"。€7.5M 种子轮说明资本市场也看好这个方向。

讨论现场

• OpenSpawn 项目在评估了 cognee 后选择了自研，理由包括混合搜索灵活性和 schema 约束——这说明 cognee 在极端定制场景下还有提升空间，但对 90% 的使用场景已经足够
• ArcadeDB 官方博客主动写教程教用户如何搭配 cognee + ArcadeDB——多模数据库社区对 Agent 记忆赛道的重视可见一斑
• 社区反馈：cognee.remember() 的单行 API 设计是最大的采用驱动力——"不需要理解知识图谱、向量数据库、RAG 就能用"

来源：github.com/topoteretes/cognee · arcadedb.com/blog

8. Moebius：0.22B 参数图像修复模型达到 11.9B FLUX 级别效果，推理加速 15 倍（HUST + VIVO AI Lab）

是什么

Moebius 是华中科技大学和 VIVO AI Lab 联合研发的超轻量图像修复（inpainting）框架。仅 0.22B 参数——不到 FLUX.1-Fill-Dev（11.9B）的 2%——在 6 个基准测试中达到甚至超越后者的修复质量。两项核心创新：(1) LλMI（Local-λ Mix Interaction）Block——将自注意力和交叉注意力中的空间上下文和全局语义先验压缩为固定大小的线性矩阵，避免传统注意力机制的二次方计算开销；(2) 自适应多粒度蒸馏策略——仅从教师模型（PixelHacker）的潜在空间中迁移知识，不需要昂贵的像素空间解码。推理速度约 26ms/step，总加速超 15 倍。

怎么用

# 克隆仓库 + 下载权重
git clone https://github.com/hustvl/Moebius.git
cd Moebius
pip install -r requirements.txt
# 从 Hugging Face 下载预训练权重
huggingface-cli download hustvl/Moebius-0.2B

# Python 推理示例
from moebius import MoebiusPipeline
pipeline = MoebiusPipeline.from_pretrained("hustvl/Moebius-0.2B")
result = pipeline("path/to/image.jpg", mask="path/to/mask.png")
result.save("output.jpg")

为什么重要

Moebius 打破了"高质量图像修复 = 大模型"的惯性思维。0.22B 参数意味着可以在消费级 GPU（甚至某些场景下 CPU）上实时运行图像修复，这对移动端修图 App、浏览器端在线 PS 替代品、以及需要批量处理的产品场景是巨大利好。技术思路上，"不做通用模型、做极度优化的专用模型"正在成为 AI 模型发展的第三条路——不必每个模型都是万能瑞士军刀，一个极致锋利的专用小刀往往更好用。

讨论现场

HF Papers 热评（+113 upvotes）："0.2B beating 12B is not just impressive — it's a proof that we've been massively over-parameterizing vision models"

• 社区实操反馈：在 RTX 3060（12GB）上可以用 batch_size=8 实时跑 1024×1024 修复，显存占用不到 4GB
• 项目页面提供的交互式 Demo 效果令人印象深刻——特别是肖像修复场景下，面部细节的自然度远超同参数级别的其他模型

来源：arxiv.org/abs/2606.19195 · github.com/hustvl/Moebius · hustvl.github.io/Moebius/

9. Anthropic Cybersecurity Skills：754 项结构化安全技能，5 大框架对齐，给 AI Agent 装上蓝队/红队能力（mukul975/Anthropic-Cybersecurity-Skills）

是什么

社区项目（非 Anthropic 官方出品），将 754 项网络安全操作封装为结构化的 AI Agent Skills，覆盖 26 个安全领域（云安全 60 项、威胁狩猎 55 项、Web 安全 42 项、恶意软件分析 39 项、红队渗透 47+ 项等）。每个 Skill 同时映射到 5 大安全框架：MITRE ATT&CK（攻击战术）、NIST CSF 2.0（防御框架）、MITRE ATLAS（AI 对抗威胁）、MITRE D3FEND（防御对策）、NIST AI RMF（AI 风险管理）。采用渐进式披露设计：扫描元数据仅 ~30 tokens/Skill，完整加载 500-2000 tokens——AI Agent 可以快速扫描全部 754 项而不爆上下文窗口。

怎么用

# 一键安装到 Claude Code / Cursor / Codex
npx skills add mukul975/Anthropic-Cybersecurity-Skills

# 使用示例（在 Claude Code 中）：
# "对当前项目执行 OWASP Top 10 Web 安全检查"
# "模拟一次针对 AWS 环境的云安全审计，对照 NIST CSF 2.0"
# "分析这段日志中的 LOTL（Living Off the Land）攻击痕迹"

# 兼容 20+ 平台：Claude Code、GitHub Copilot、Cursor、Gemini CLI、
# OpenAI Codex CLI、LangChain、CrewAI 等

为什么重要

安全是 AI Agent 生态中容易被忽视但至关重要的底座。754 项 Skill 的体量意味着 AI Agent 在安全领域的操作能力从"懂一点"变成了"系统化覆盖"。5 大框架对齐是最大亮点——不只是告诉 Agent 怎么做，还告诉它为什么要这样做、在什么合规框架下这样做。这对于受监管行业（金融、医疗、政府）使用 AI Agent 做安全审计意义重大。局限：Skills 本质是线性 SOP 封装，缺乏跨域非线性推理；更适合 L1 级安全运营自动化（基础资产测绘、合规核查等），不能替代资深安全专家的判断。

讨论现场

安全内参："754 个安全 Skills，能否堆出一个'高级分析师'？答案是：堆不出，但能堆出一个不知疲倦的 L1 分析师"

• 社区实测：在 AWS 环境安全审计场景中，Agent 使用这些 Skills 自动发现了 3 个之前人工审计遗漏的配置问题
• 争议：项目名为"Anthropic Cybersecurity Skills"但并非 Anthropic 官方出品——命名是否构成误导？社区普遍认为虽然名字有歧义，但内容质量过硬

来源：github.com/mukul975/Anthropic-Cybersecurity-Skills · secrss.com/articles/89590

10. StaminaBench：编码 Agent 耐力测试基准——没有测试反馈的 Agent 5-6 轮就崩（Vlad Sobal et al., arXiv）

是什么

StaminaBench 是首个专门测试编码 Agent"耐力"的基准——不是看Agent 能不能完成单次编码任务，而是看它能在连续多轮修改请求中坚持多久不崩溃。核心发现令人警醒：在没有测试反馈的情况下，主流编码 Agent 在 5-6 轮交互后就出现代码质量崩溃（引入 bug、破坏已有功能、偏离任务目标）。引入测试反馈后，Agent 的"存活轮数"最多提升 12 倍。研究者测试了 Claude Code、Codex、Devin 等多个主流 Agent，结论一致。

怎么用

# 论文和数据集
# arXiv: https://arxiv.org/abs/2606.19613
# 基准包含 100+ 轮连续交互任务，覆盖代码修改、重构、功能添加等场景

# 如果你在构建编码 Agent，核心启示：
# 1. 必须为 Agent 提供测试反馈循环（不能只给自然语言指令）
# 2. 每 5-6 轮交互后，考虑重置 Agent 上下文或做摘要压缩
# 3. 长任务应该拆成多个短 Agent 会话，每个会话后有测试验证

为什么重要

StaminaBench 暴露了当前编码 Agent 最被忽视的短板——不是单次任务做不对，而是连续工作时会逐渐"漂移"。这个发现对实际使用场景影响巨大：很多开发者会让 Agent 在一个会话中连续处理多个任务，但从未意识到第 6 个任务开始 Agent 已经不太可靠了。论文给出的"12 倍提升"来自测试反馈循环，这为 Agent 工具设计提供了明确方向：与其让 Agent 自主判断对错，不如强制接入自动化测试作为外部校验信号。

讨论现场

• 研究社区反馈："这个发现太重要了——我们一直在优化 Agent 的 SWE-bench 单次得分，却忽略了 Agent 在真实场景中需要连续工作数小时。StaminaBench 填补了这个空白"
• 工程师视角："12x improvement with test feedback 意味着 CI/CD 流水线对 Agent 的意义比对人类更大——人类可以靠经验判断，Agent 必须靠测试信号"
• 局限性讨论：StaminaBench 目前只覆盖 Python/JS 任务，Java/Go 等强类型语言中类型系统本身就能提供一部分"免费"的反馈信号，Agent 耐力可能更好

来源：arxiv.org/abs/2606.19613

✦ ✦ ✦

其他值得关注