Twitter AI Coding - 2026-08-12¶
1. 人们在讨论什么¶
1.1 Antigravity 正在变成一个面向专用智能体和插件的封装层 (🡕)¶
8 月 12 日最强的一组信号，不是某个单一模型发布，而是把智能体行为封装成可复用产品形态的推进：Custom Agents、提供商插件，以及可以分享或重复运行的小型离线构建。相比 8 月 11 日对可移植运行时和模型选择的强调，8 月 12 日又往上走了一层，开始聚焦团队如何围绕智能体外壳封装角色、技能和集成。
@antigravity 宣布了（466 个赞、29 条回复、32,592 次浏览、124 次收藏）Antigravity 中的 Custom Agents，公开的 custom-agents 博文 说，这项功能依靠位于 .agents/agents/ 或 ~/.gemini/config/agents/ 下的 Markdown 加 YAML 智能体文件运作。同一篇文章还说，同一个智能体既能直接作为主智能体运行，也能作为被委派的子智能体运行，这让这次发布不只是一次 UI 微调，而是把智能体专门化变成了可在仓库里共享的制品。
@JackWoth98 介绍了一个打包进 Antigravity 的 Gemini API 插件。这个讨论串里真正有意思的，不是公告文案，而是回复区。一位用户说功能只有更新后才出现，另一位说它太复杂；还有一条技术细节很足的回复在问，这个插件是否抽象掉了 Gemini function_declarations 与 OpenAI 工具定义之间的差异——这让集成摩擦成了真正的主线。
@googledevs 展示了（59 个赞、5 条回复、8,205 次浏览、27 次收藏）一个完全离线的翻译器，由 Gemma 4、Antigravity 和 Raspberry Pi 5 构建。帖子提到自定义界面、打印外壳和有线电子元件，这点之所以重要，是因为它说明 Antigravity 正被拿来构建便携式边缘硬件，而不只是桌面编程会话。
讨论要点： 回复把 Custom Agents 和插件视为有价值的前提，是它们必须真能减少配置和接口定义摩擦。最正面的反馈给了能贴合工作流的智能体；最尖锐的反弹，则是集成仍然太隐藏或太复杂。
与前日对比： 8 月 11 日的核心，是在不同运行时和模型之间迁移；8 月 12 日的核心，则是如何把这些运行时包进角色化智能体、插件和面向终端用户的小型构建里。
1.2 记忆与持久上下文，正在成为下一层竞争焦点 (🡕)¶
多条帖子都在讨论，如何让上下文在多次运行之间活下来，而不必每次都让用户重新解释项目。分歧点在于，一边是建设性的记忆系统——仓库级事实、保留 / 召回 / 反思插件、链接式仓库地图——另一边则是保留了太多陈旧指令状态的副作用。相比 8 月 11 日更宽泛的可移植性讨论，8 月 12 日把持久化机制讲得具体得多。
@thdxr 展示了（167 个赞、17 条回复、8,136 次浏览、51 次收藏）一个工作流：Opencode 创建出新的工作树，然后在同一条命令里把当前会话也移进去。截图的重要性在于，它把这个模式说得很明白：状态不只是代码树，也包括仍在运行的智能体会话。回复则补上了一层细节：即便文件已经移入单独的工作树，共享的 MCP server 仍可能可达。
@markfenner 提到（4 个赞、3 条回复、105 次浏览）JetBrains 里的 Copilot Memory 可以在不同智能体聊天之间带着编码规范、架构决策、构建命令和项目规则，但这些是仓库级事实，不是私人笔记。同一条推文还说，GitHub 会用当前代码去校验这些记忆，并在 28 天后移除未使用的记忆，这让团队可以更具体地讨论记忆边界到底在哪里。
@Vectorizeio 表示（9 个赞、363 次浏览、4 次收藏）Hindsight 现在已支持 Vercel 的 Agent Plugins 标准，用一个包同时处理保留、召回和反思。官方的 Hindsight 文档 则把架构讲得更具体：系统结合了语义、关键词、图谱和时间四种检索，并把记忆存成心智模型、观察和事实。
@rewind02 认为（6 个赞、3 条回复、83 次浏览）编程智能体真正的问题，是每次会话都从盲态开始。公开的 Graft 仓库 说，它会为仓库构建一个链接式 Markdown 图谱，自动挂上 Claude Code hooks，并且在自己的冷启动对比中，把工具调用减少 46%、token 减少 42%、时间减少 60%。
@HeyGurisaroy 总结了（8 个赞、1 条回复、651 次浏览、3 次收藏）2026 年 8 月的论文 《Why Does CLAUDE.md Keep Growing? Catastrophic Remembering in Agentic Coding》。论文统计了 1,867 个仓库中 247,694 段指令的生命周期，指出一个文件在生命周期内的提示词会增长 226%，并称提示词注释能移除 99.3% 的冗余，同时把指令遵循能力最高提高 23.1%。这让指令膨胀不再只是一个梗，而成了可测量的系统问题。
讨论要点： 用户想要持久化，但不是盲目持久化。无论是工作树还是关于记忆的讨论，回复都在担心共享基础设施会跨边界、陈旧状态会留得太久，以及清理历史指令的成本过高。
与前日对比： 8 月 11 日把可移植性理解为工作流在不同命令行环境之间迁移；8 月 12 日则把持久化理解为：智能体该记住什么、记忆放在哪里、谁能看见，以及它何时该过期。
1.3 模型外围的运行层，正在成为新的产品形态 (🡕)¶
第三个内容簇来自一批把生成步骤外围的一切都做出来的构建者：可嵌入运行时、工作流录制、转录分析、端点安全检查，以及自主测试闭环。这些帖子关心的，已经不是“替我写代码”，而是当智能体真正变得有用后，如何去观测、嵌入、复用、分析或加固它。相比 8 月 11 日偏重信任和评审的框架，8 月 12 日给出了更多这层能力的开源做法。
@GithubProjects 宣布（27 个赞、1 条回复、5,091 次浏览、17 次收藏），驱动 Copilot CLI 的引擎现在已经变成一个支持 6 种语言的 SDK。公开的 仓库 说，这个 SDK 通过 JSON-RPC 暴露同一套 Copilot 运行时，支持 Python、TypeScript、Go、.NET、Java 和 Rust，同时既能跑 BYOK，也能跑 GitHub 身份验证流程。这让运行时本身，也成了其他应用和服务可以利用的产品层。
@seeconvm 提到（20 个赞、4 条回复、1,056 次浏览、5 次收藏）Microsoft 已将 Skill Recorder 开源：它把一次人工工作流录下来，再重建成可复用的技能或自动化。公开的 Skill Recorder 仓库 说，它优先使用 gh 和 web_fetch 这类原生工具，而不是回放 UI 点击；而推文和回复把信任边界说得很清楚：录制内容会一直保留在本地，直到 Analyze 把截图、事件时间线和旁白上传到 GitHub 云端。
@dosu_ai 发布了（5 个赞、102 次浏览、2 次引用、2 次转发）Decant，把它作为 Claude Code 和 Codex 日志的开源会话分析工具。公开的 仓库 说，它会把转录内容本地索引进 SQLite，把运行拆成上下文、规划、代码和沟通等类别，而且运行时不会发起任何对外网络调用。
@SpecterOps 推出了（3 个赞、107 次浏览、2 次收藏）Blacklight，作为一个映射和分析本地 AI 智能体痕迹的工具包。公开的 文章 和 仓库 说，它会盘点 Codex、Claude Code、Cursor 和 Antigravity CLI 中遗留下来的认证材料、设置、会话内容、索引和工作区元数据。
@awakecoding 展示了（6 个赞、1 条回复、321 次浏览、1 次收藏）GitHub Copilot 如何自主运行 IronRDP 笔输入扩展的端到端测试：打开 Paint、通过 ironrdp-agent 画一个笑脸，再用截图验证结果。截图之所以重要，是因为它把规划、执行和验证放进了同一条轨迹里，而不是只留下一句模糊的“智能体测试”宣称。
讨论要点： 这里的信任问题非常具体，不是抽象概念：屏幕上下文什么时候会离开设备、端点上会残留哪些痕迹，以及不同智能体步骤之间到底传递了什么证据。
与前日对比： 8 月 11 日还在要求智能体变得可治理；8 月 12 日则展示了更多人亲自去构建治理、录制、分析和验证层。
2. 令人困扰的问题¶
会话仍然要么忘得太多，要么记得太多¶
这是一个高严重度的挫败点，因为它卡在每次运行的起点。@rewind02 认为（6 个赞、3 条回复、83 次浏览）Claude Code 每次会话都从盲态开始，反复重新 grep 同一个仓库、重建它昨天其实已经有过的心智地图，而公开的 Graft 仓库 正把自己当作这个问题的解法。反方向的失败也出现了：@HeyGurisaroy 总结 CLAUDE.md 增长论文时指出，提示词在生命周期里会增长到原来的 3 倍以上，而论文提出的修复方式，是给规则附上解释缘由的注释，这样旧指令就能被安全裁掉。
人们的应对方式，是自己加记忆层，而不是信任默认的会话边界。@markfenner 把 Copilot Memory 描述成带验证和过期机制的仓库级事实，@Vectorizeio 则把 Hindsight 定位成一个供多个智能体使用的保留 / 召回 / 反思插件。这非常值得直接构建，因为今天的权宜方案，要么是外挂记忆系统，要么是不断膨胀的指令文件。
多智能体工作树仍会带来仲裁和清理问题¶
这介于中到高严重度之间，因为这些工作流已经有用，但操作层边缘问题也很明显。@thdxr 展示了（167 个赞、17 条回复、8,136 次浏览、51 次收藏）一个谨慎的权宜方案：创建新工作树后，立即把会话移进去；但仍有一条回复指出，共享的 MCP server 依然能跨工作树访问到。类似的协调问题也出现在 @reach_vb 发布 Linux 版 Codex 的帖子下（138 个赞、14 条回复、6,857 次浏览、20 次收藏）。回复里有人追问，当两个并行智能体从不同工作树编辑同一个文件时，究竟由谁来仲裁冲突；也有人抱怨，模型加自动评审的组合会以截然不同的速度消耗配额。
清理也是同一类挫败感的一部分。@burkeholland 说（20 个赞、6 条回复、3,443 次浏览、6 次收藏）工作树很快就会吞掉硬盘空间，他还引用了一条关于重复 node_modules 占掉 20GB 的抱怨，并把 Copilot 的归档加自动删除设置，当成当前的缓解手段。这非常值得直接构建，因为人们需要的不只是更多并行智能体；他们还需要围绕这些智能体的冲突处理、生命周期清理，以及可见的成本控制。
成本、录制与端点暴露，仍然缺少足够的可观测性¶
这是一个高严重度的运营挫败点，因为失败模式从浪费预算，一路延伸到上下文泄露。@mohitmishr93531 推介了（14 个赞、5 条回复、390 次浏览、1 次收藏）Guardrail，把它定位成横跨 Claude Code、Cursor、Codex 和 GitHub Copilot 的 AI 成本、项目、工具、成员与支出上限可视化；这件事之所以成立，正说明团队已经感受到这个缺口。@seeconvm 提醒（20 个赞、4 条回复、1,056 次浏览、5 次收藏）Skill Recorder 只有在 Analyze 之前才会把录制内容留在本地，一旦进入 Analyze，截图、事件时间线和旁白就会发往 GitHub 云端。
这个问题的安全版本，来自 @SpecterOps 推出（3 个赞、107 次浏览、2 次收藏）Blacklight：它的公开 文章 盘点了本地智能体遗留的认证材料、设置、会话内容、索引、工作区元数据和规则。今天的应对方式，仍是彼此分离的点状方案：成本仪表盘、端点排查，或谨慎的工作流录制。这非常值得直接构建，因为团队想要的是在花钱或泄露发生之前就有控制，而不是事后再看报告。
3. 人们期望的功能¶
带有归属、验证机制，且每条规则都有理由的持久项目记忆¶
最强的需求，不是泛泛的“记住我”，而是有仓库感知、归属可追溯、也容易修剪的记忆。@markfenner 把 Copilot Memory 描述成带 28 天过期机制的已验证仓库级事实，@Vectorizeio 把 Hindsight 推成跨智能体的保留 / 召回 / 反思层，@HeyGurisaroy 则指向 一项研究：给提示词加注释，可以阻止指令文件无限膨胀。这是一个很现实的需求，不是愿景，因为用户已经在自己发明记忆层和注释系统来补位。机会：直接。
能把分诊、编码和评审清楚拆开的多智能体流水线¶
即便人们没有把它直接说成功能请求，他们也已经在明显要求协调界面了。@thdxr 会把 会话移进新工作树，让执行和被编辑的代码树保持一致；而 @reach_vb 发布 Linux 版 Codex 的帖子下，回复则在追问并行智能体碰到同一文件时谁来仲裁冲突。@codeglitch 把 理想模式浓缩成一句话：一个智能体不该包揽每一步；工作应拆成分诊、复现、编码和评审，并在这些步骤之间传递证据。这既紧迫也很实用。机会：直接。
能在运行出问题之前介入的可视化与策略控制¶
这个请求以负面形式贯穿了整天。@mohitmishr93531 兜售 支出上限和团队级可视化，是因为团队默认并没有这些东西。@dosu_ai 发布 Decant，让开发者能在事后看清上下文、规划、代码和沟通时间都花到了哪里；与此同时，@SpecterOps 把 Blacklight 围绕端点上残留的痕迹来展开。人们想要的，其实是把这一切再往前推一步：在一次运行花掉预算或泄露上下文之前，就有能介入的策略、成本和信任边界。机会：竞争型。
4. 使用中的工具与方法¶
| 工具 | 类别 | 评价 | 优势 | 局限 |
|---|---|---|---|---|
| Antigravity Custom Agents | 智能体外壳 / 定制化 | (+/-) | 可在仓库中共享的智能体文件、可直接作为主智能体或子智能体使用、插件生态在扩展 | 升级有摩擦、插件配置复杂、工具定义归一化仍有疑问 |
| GitHub Copilot app + JetBrains plugin | 智能体平台 | (+/-) | 支持 Linux 桌面、记忆、Ollama BYOK、清理控制、可用模型覆盖面广 | 工作树清理负担重、仓库记忆共享语义仍待厘清、不同模式的用量消耗差异大 |
| MAI-Code-1.1-Flash | 模型 | (+) | 原生视觉、更低价格、广泛的 Copilot 可用性 | 企业 / 商业版访问需要策略开启；回复里仍有信任顾虑 |
| Graft | 仓库上下文层 | (+) | 链接式 Markdown 图谱、减少工具调用 / token / 时间、不需要向量数据库 | 又多了一层需要维护和理解的本地层 |
| Hindsight | 记忆系统 | (+) | 保留 / 召回 / 反思模型、兼容插件标准、支持时序与图检索 | 又多一层基础设施；是否适合生产仍在公开验证中 |
| Skill Recorder | 工作流录制 | (+/-) | 把一次人工工作流变成可复用的技能或自动化，优先原生工具而不是回放点击 | Analyze 会把截图、事件时间线和旁白上传到 GitHub 云端 |
| Decant | 会话分析 | (+) | 本地优先的转录、成本、文件和工具分析，运行时无对外调用 | 更多是事后可视化，而不是事前预防 |
| Blacklight | 安全 / 防御工具 | (+) | 面向多种编程智能体工具的端点排查与痕迹分析 | 偏安全团队工作流、项目早期、受众较窄 |
| Guardrail | 成本治理 | (+) | 跨多种智能体工具的团队级成本可视化与支出上限 | 只覆盖治理层；不直接改善底层工作流 |
| OpenCode harness + HF Jobs + TRL/OpenEnv | 训练栈 | (+) | 让编程智能体训练看起来更容易上手，也更可复现 | 仍偏早期且基础设施负担重，讨论串里的第三方验证有限 |
用户满意度沿着一条很简单的线分化。最受欢迎的是那些能保留状态、减少重复探索或降低运行成本的层：仓库地图、记忆系统、更便宜的模型、BYOK 提供商，以及本地分析。可一旦这些层暴露出新的边界需要管理，情绪就会转为混合：谁能复用仓库记忆、录制内容何时离开设备、多智能体工作树会悄悄吃掉多少存储和配额。
迁移动作也很明确。有些用户开始把项目上下文外置到 Graft、Hindsight 或 Copilot Memory 里，而不再依赖一段全新的会话提示词。还有些人保留 Copilot，只是把底层提供商换成 Ollama，或者改用 MAI-Code-1.1-Flash 这类更便宜的模型档位。竞争越来越像是在争夺谁能占住智能体外围的运行层，而不只是比谁的底层模型最聪明。
5. 人们在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| Graft | rewind02 | 构建一个挂在 Claude Code hooks 上的链接式仓库地图，为智能体提供持久的代码库上下文 | 编程智能体每次会话都从盲态开始，反复重新探索同一个仓库 | TypeScript、tree-sitter、Markdown 图谱、Claude Code hooks、npm CLI | 已发布 | repo · post |
| Skill Recorder | seeconvm | 录下一次人工工作流，并把它变成可复用的技能或自动化 | 重复出现、又强依赖 UI 的工作，很难用可复用方式教给智能体 | Electron、TypeScript、GitHub Copilot CLI、本地录制、云端 Analyze | 测试版 | repo · post |
| GitHub Copilot SDK | GithubProjects | 把 Copilot 的智能体运行时作为可嵌入的六语言 SDK 暴露出来 | 构建者想要智能体编排，但不想从零编写规划和工具循环 | Copilot CLI server、JSON-RPC、Python、TypeScript、Go、.NET、Java、Rust | 已发布 | repo · post |
| Decant | dosu_ai | 面向 Claude Code 和 Codex 会话的本地优先分析 | 团队需要看清一次运行后的成本、上下文使用、触达文件和工具行为 | TypeScript、SQLite、CLI、本地 Web UI | 已发布 | repo · post |
| Blacklight | SpecterOps | 面向本地编程智能体痕迹的端点排查与工件分析 | 安全团队需要弄清本地智能体在端点上留下了什么 | Python CLI、scout 二进制文件、检测指引 | 测试版 | repo · post |
| Gemma Translator | googledevs | 带自定义界面和硬件外壳的便携离线翻译器 | 在不依赖云端的前提下做边缘 / 离线翻译 | Gemma 4、Antigravity、Raspberry Pi 5、自定义硬件 | 早期版 | post |
| Bear-case Chrome extension | SowingAlphaSeed | 为股票类推文添加一个可生成看空论点的按钮 | 用户想快速给热炒叙事做压力测试，而不用搭建后端基础设施 | Codex、Chrome 扩展、OpenAI API、无后端 | 早期版 | post |
@rewind02 给出了（6 个赞、3 条回复、83 次浏览）对当天最大痛点最清晰的一次构建回应：智能体会在不同会话之间忘掉仓库。公开的 Graft 仓库 说，这个图谱只由文件构成，不用向量嵌入，并公布了工具调用、token 和运行时上的可测改进。这让它不只是又一个“记忆层”主张，而是一次很具体的尝试：把对代码库的理解搬进可版本化的本地结构里。
@seeconvm 带出了 Skill Recorder，而 @dosu_ai 发布了 Decant。这两个项目处在同一条工作流的两端：Skill Recorder 在下一次运行之前，把人工工作变成可复用指令；Decant 则在运行结束之后，把整段智能体运行变成可搜索的本地证据。它们合在一起，展示出的构建模式很一致：把流程外置出去，而不是信任短暂的聊天记录。
@SpecterOps 围绕 本地智能体使用留下的安全残留构建了 Blacklight，这又说明“运行结束后会发生什么”正在变成独立的产品层。更偏终端用户的一侧，@googledevs 展示了一个由 Gemma 和 Antigravity 驱动的 Raspberry Pi 翻译器，而 @SowingAlphaSeed 分享了一个由 Codex 构建、无需后端的 Chrome 扩展。这两个项目在打磨程度上差别很大，但它们指向的是同一种构建模式：小而专、上手快、用完可弃的智能体辅助应用。
第四种模式，是自主验证。@awakecoding 展示了（6 个赞、1 条回复、321 次浏览、1 次收藏）Copilot 如何端到端地执行并验证一项 IronRDP 笔输入测试，这说明一些团队已经把智能体当成 QA 闭环的一部分，而不只是编码环节里的帮手。
6. 新动态与亮点¶
提示词注释，成了解决指令文件膨胀的具体办法¶
@HeyGurisaroy 总结了（8 个赞、1 条回复、651 次浏览、3 次收藏）一篇新论文，它把智能体式编程中的这个问题命名为“catastrophic remembering”。论文 《Why Does CLAUDE.md Keep Growing? Catastrophic Remembering in Agentic Coding》 统计了 1,867 个仓库中 247,694 段指令的生命周期，称智能体提示词文件在其生命周期内会增长 226%，并认为在指令旁加上注释式理由，能移除 99.3% 的冗余，同时把指令遵循能力最高提升 23.1%。这很重要，因为它把一个熟悉的抱怨，变成了一个有明确干预手段的可测系统问题。
模型竞赛已经收紧到成本和封装更重要的阶段¶
@code 宣布了（145 个赞、4 条回复、14,931 次浏览、19 次收藏）MAI-Code-1.1-Flash，原生支持视觉，标价比 MAI-Code-1-Flash 低 73%；与此同时，GitHub 的公开 更新日志 显示，这个模型已覆盖 Copilot CLI、云端智能体、应用、GitHub 聊天、IDE 和移动端界面。并行地，@cb_doge 发出（32 个赞、14 条回复、7,406 次浏览）一张 InferenceEval 图表：Grok 4.6 为 46.9%，GPT-5.6 Sol 为 44.1%，Opus 5 为 43.0%。真正值得注意的，不只是第一名是谁，而是头部集群已经靠得足够近，以至于价格、视觉支持和集成界面都开始成为决定因素。
证据优先的多智能体组装，正在变成明确的设计原则¶
@codeglitch 把 Vercel 的 AI SDK 工作流，当成一堂课：如何把一个问题拆成分诊、复现、编码、验证和评审，同时不让同一个智能体替自己的假设背书。附带的幻灯片把规则说得很直白：一个智能体不该拥有每一步，人类接收的应该是证据，而不是自信。这很值得注意，因为它把智能体编排视作一个评审架构问题，而不只是自动化问题。
7. 机会在哪里¶
[+++] 具备明确理由的持久仓库记忆 —— Graft、Copilot Memory、Hindsight 和 CLAUDE.md 论文都指向同一处缺口：智能体需要持久的项目上下文，但团队也需要知道为什么要记住每一条规则、谁能复用，以及它何时该过期。这是强机会，因为 8 月 12 日的痛点和解法都很具体。
[+++] 多智能体工作树编排与冲突收敛 —— thdxr 的会话迁移工作流、Linux 版 Codex 回复里对冲突编辑的担忧、Burke Holland 的清理控制，以及 codeglitch 那张证据优先的评审幻灯片，说的都是同一层缺失。这是强机会，因为工作流已经存在，缺的是仲裁、生命周期管理和评审结构。
[++] 前置治理，而不只是事后补救 —— Guardrail、Decant、Skill Recorder 和 Blacklight 各自覆盖了成本、上传、痕迹或可审计性风险中的一部分。这是中等机会，因为可信的点状方案已经在出现，但还没有谁能在一个界面里同时覆盖支出、录制边界和端点残留。
[++] 围绕编程智能体的可嵌入运行层 —— Copilot SDK 和 Skill Recorder 都暴露出更广的智能体基础设施市场：一个嵌入运行时，一个把单次工作流变成可复用指令。这是中等机会，因为价值很清楚，但平台厂商也已经在快速推进。
[+] 小型、由智能体构建的工具和边缘设备 —— Gemma Translator 和 Bear-case Chrome 扩展说明，AI 编程的输出正在扩散到小而快、后端很薄的应用里。这仍处在萌芽阶段，因为模式已经看得见，但公开案例还早、也还轻。
8. 要点总结¶
- 重心已经从模型本身上移到封装层。 Antigravity 的 Custom Agents、Gemini 插件和 Gemma Translator，都把外壳当成可专门化的对象，而不只是一个用来下提示词的地方。(source)
- 持久上下文，已经成了 AI 编程里最清晰的未解问题之一。 Graft、Copilot Memory、Hindsight 和 CLAUDE.md 论文从不同角度都在解决同一件事：智能体要么在多次运行之间忘得太多，要么积累了太多陈旧的指令状态。(source)
- 围绕编程智能体运行层的独立市场，已经开始成形。 Copilot SDK、Skill Recorder、Decant 和 Blacklight 都不是把力气花在生成内部，而是花在它外围的嵌入、录制、分析和安全上。(source)
- 多智能体工作树已经有用到值得保留，但也混乱到需要自己的控制平面。 8 月 12 日把会话迁移、冲突仲裁焦虑、用量消耗抱怨，以及归档删除清理设置，全都压进了同一簇讨论。(source)
- 成本和策略控制，正变得和原始能力一样重要。 MAI-Code-1.1-Flash 在价格加封装上发起竞争，InferenceEval 展示了非常紧的头部梯队，而 Guardrail 和 Blacklight 则凸显出围绕这些模型控制支出与暴露面的运营需求。(source)