我统计了最近的 4 个开发需求的 token 成本消耗(单位:¥),从这个分阶段的成本花费表可以看到,测试已经成为整个 AI Coding 中的成本大户,整体占比达到 58%。对应的,开发阶段的成本反而更低,只有不到 19%。
今天体验了 OpenManusBot,体验上完美还原了 GrokBot,并且可以对不同的 Bot 配置不同的模型,效果真是非常好。
github.com/milind-soni/OpenM…
61
最近这两天我一直在尝试使用 Gemini 4 Argon 完成编码任务,但是整体感知 Gemini 4 Argon 的编码效果真的非常差,非常 简单的任务也无法正常完成。
但我发现了 pele 这款 mermaid 图标渲染库后,我用下面的提示词让 Gemini 4 Argon 来优化我的博客系统:
```prompt
pele(pele.run/)是一款轻量级的开源 mermaid 图标渲染库,我的博客现在用到的渲染是mermaid方式,请按照mermaid的配置方式,为博客增加pele的渲染方式,注意不要去掉对mermaid的支持。
```
Gemini 4 Argon 运行了 20 分钟还在浏览代码,还没启动优化。我切换成 Opus 5.5 之后,2 分钟 就完成了如下的代码提交。
github.com/wangwei1237/wangw…
40
根据阿里最近发布的《AI Native 研发范式实践手册》 ai-native.alistatic.com/app/…:
模型 Coding 能力的快速提升,并没有同步转化为研发效率的同比提升。
一个典型例子是,某个 C 端用户动线改造需求,编码和本地验证可能 1 个小时就能完成,但真正上线还需要经过多个内部平台、发布流程和环境约束,如果再遇到封网等情况,从代码完成到最终生效可能仍然需要数周。
按照我们团队内部的粗略统计,生成代码本身只占整个研发链路的 20%~30%,甚至更低。按照阿姆达尔定律,当一个只占三成的环节被压缩到接近零之后,整个系统能够获得的收益依然存在明显上限;Coding 被解决得越彻底,Coding 之外的需求理解、领域知识、构建测试、发布变更、权限与环境操作等环节,就越会成为新的瓶颈。
大模型缺少企业内部业务知识,以及 benchmark 上的高分并不等同于生产环境中的真实交付能力,这些判断都成立,但它们最终指向的是同一个问题:下一阶段研发提效真正需要解决的,不再只是 Coding,而是如何让 Agent 能够完整地参与并推进 Coding 之外的整个软件研发与交付过程。
38









