10月28日 周三

• Enveda：Claude 找出人工审阅发现的全部 11 个问题，另标出 7 个人工漏掉的；审查时间从 25 小时以上降到不足 3 小时
• BigHat：约 10 周测试约 1,010 个抗体片段变体，最好版本结合力提升超过 10 倍
• Divergence Labs：约一个月生成约 35,000 个抗体设计，测试得到 3 个结合 IgE 的设计和 20 个能把 IgE 挤下来的设计
• 页面说明工作尚早、多为临床前，结果由合作方和 Anthropic 报告，没有独立验证

为什么值得关注属于行业动态，与自部署开源模型的开发工作没有直接关系；值得留意的是，它们大量依赖「Agent 加专用 Skill、由人把关」的工作方式，可作为其他行业落地思路的参考。

• 每条边标为 EXTRACTED（源码中明确存在）或 INFERRED（由工具推断），便于区分事实与推断
• 语义抽取可用 Gemini、Claude、OpenAI、Ollama 或 Bedrock 等后端；设置 `GRAPHIFY_BACKEND=none` 可关闭模型后端
• README 自报的评测是检索与问答类：ERPNext 关键事实覆盖率 82.0%，对比 grep/读文件基线的 70.8%；「省 80% token」的说法出现在其付费云服务宣传中，页面未给出基线和方法
• 注意：PyPI 包名是 `graphifyy`（两个 y），命令是 `graphify`；页面未显示发布版本和日期

为什么值得关注代码部分离线可跑，语义部分可接 Ollama，适合在自部署环境里给 Agent 一张项目结构图，缓解「不了解已有组件和规范」的问题；效果数据是作者自报，建议在自己的仓库上先对比再推广。

• 可以把同一个提示词发给多个 Agent 并行跑，再对比结果
• Design Mode 会把选中界面元素的 HTML、CSS 和截图发给 Agent
• 支持 SSH worktree、GitHub 与 Linear 视图，以及手机端监控和通知
• 安装：`brew install --cask stablyai/orca/orca`，或从 GitHub Releases 下载；页面未显示版本号和发布日期

为什么值得关注README 没有写对开源权重模型的专门支持，但既然「任何命令行 Agent 都能跑」，接 OpenCode 加自部署模型的团队可以用它做多方案并行对比；Design Mode 依赖把截图交给 Agent，没有视觉能力的模型用不上这一项。

• README 明确写到：Agent 默认以 `danger-full-access` 和 `approvalPolicy: never` 运行，可免确认读写文件、执行命令和访问网络
• 商业使用需要另行取得许可；公司内使用前先确认许可条款
• 支持 Docker（`ghcr.io/nightly-labs/openbot:latest`，需配 seccomp profile）和无头服务器安装
• 页面未显示最新版本号和发布日期

为什么值得关注能接本地模型，但「默认免确认」和非商业许可两点都要先过评估；团队想试的话建议只在隔离环境里用，并先确认许可是否允许。

• 客户端默认连接官方云服务；「Skip Sign-In」模式可在本地运行 Agent，但依赖服务端的功能不可用
• 后端在另一个仓库，不在本仓库中
• 开发需要 Node.js 22.x、pnpm 10.x（暂不支持 v11）和 Git LFS
• README 未点名具体的开源权重模型，也没有显示发布版本和日期

为什么值得关注默认依赖官方云服务，对内网自部署环境不太友好，目前更适合当作多 Agent 应用的设计参考，先关注，不急着上手。

• d1 用法示例：`ollama run d1:2b "..." --ask "Is this a billing issue?"`
• `ollama launch` 修复了与 OpenCode v2 的配合问题，并修复 Kimi CLI 只有工具调用的回合
• Apple 芯片上 Gemma 4、Flint、Laguna 的提示词处理提速；MLX 上支持 DFlash2 草稿模型的投机解码
• 上一版 0.40.11 已介绍过语音生成与 d3 决策模型

为什么值得关注如果团队用 Ollama 加 OpenCode 做本地开发，这一版修复了启动问题；LFM3 和 d1 目前仅限 Apple 硬件，Linux 服务器用不上，等待后续平台支持。

• 2.1.311 起 `ultrathink` 在 Opus 5.5、Sonnet 5.5、Haiku 5.5 和 Fable 5.1 上按 xhigh 强度运行
• 提示词和 Agent 类 hook 每个会话最多同时运行 24 个，子 Agent 也计入
• 不再发送 `claude_code.safety_event` 这个 OpenTelemetry 事件
• 云端会话改进：例程可选择强度，环境设置页的启动脚本框带语法高亮

为什么值得关注Claude Code 本身依赖闭源模型，自部署团队用不上；但规则文件被误覆盖、技能路径失效这类问题在其他命令行 Agent 里也可能出现，可作为自查清单。

• `confirmed` 必须有完整的源码追踪和有限的观察结果；证据不足的写成 `needs_validation`，且不给严重度
• 目标仓库的构建和测试要在能禁网、限资源的操作系统级沙箱里执行；没有沙箱时只记线索、不执行目标代码
• 默认输出到 `~/security-audit-skill/<repo-name>/run-<N>`，不会写进被审计的仓库
• 要求模型支持工具调用和并行子 Agent；页面没有写版本号和发布日期，仓库只有 14 次提交

为什么值得关注「提出者与验证者分离、结论必须带证据」的做法与模型无关，可借鉴到团队的代码审查 Agent 上；技能自身要求并行子 Agent，在自部署模型上效果需要自行验证，并务必先准备沙箱。

• 命令：`/hallmark <prompt>`、`/hallmark redesign <path>`、`/hallmark audit <path>`；Codex 里用 `$hallmark`
• 静态检查只需 Node 18+；浏览器渲染检查还需 `npm i -g puppeteer-core` 和 Chrome
• 内置 755 张可商用的 Wikimedia Commons 图片，并要求在页面上署名
• 渲染检查依赖浏览器截图和子 Agent 评审；README 未写版本号，Releases 为空

为什么值得关注它的「静态规则检查加首屏单独评审」思路对「AI 不遵守项目已有组件库」有参考价值，但技能本身是为生成新页面设计，不会自动使用你们现有的组件库；没有视觉能力的模型无法完成截图类评审。

• Think Before Coding：写明假设、说出歧义和取舍，不确定就先问，不要猜
• Simplicity First：只写解决问题所需的最少代码，不加投机性功能和多余抽象
• Surgical Changes：只改请求涉及的地方，无关的死代码只提示、不删除
• Goal-Driven Execution：先定义可验证的成功标准（如测试），循环到通过为止

为什么值得关注这类规则写在 CLAUDE.md 或同类规则文件里，与具体模型无关，开源命令行 Agent 通常也能读；对应「AI 乱改代码」和「澄清需求问太多」两个问题，可以先在一个项目里试，注意「先问」要配合「最多问几个」的约束，免得澄清又变长。

• 文中原则：先从最简单的方案做起，简单方案不够时才增加复杂度
• Agent 可在检查点或遇到阻塞时暂停，等待人工反馈
• 用最大迭代次数之类的停止条件保持控制，并先在沙箱里测试

为什么值得关注这是与模型无关的委派习惯，开源权重模型驱动的编码 Agent 同样适用；对「AI 一路改下去、改了一大堆没人看」的情况尤其有效。

• 四个决策的跟随比例：评价指标 92%，比较方法 82%，覆盖范围 81%，加权方式 90%
• 分析师在已有倾向的 38 个案例中，Agent 不同意时有 60% 改了主意，Agent 同意时只有 6%；作者称差距不精确，不能认定为因果
• 经验、专业程度、对 AI 的信任等都没能预测跟随程度；77% 的人在解释中重复 Agent 的论点，只有 15% 提到了 Agent
• 局限：只有一个任务、一个领域、一个模型，Agent 的倾向被刻意加强；没用 Agent 的对照组经验较少，不可直接比较

为什么值得关注这意味着「人来把关」不等于有独立判断。让 AI 澄清需求或给方案时，可以先写下自己的判断，再让它给出多个选项和各自的理由；论文提到的这类做法尚未在实验中验证。