#llm 工具调用 bug 修复
共 199 篇相关文章
·15 分钟
GPT-5.6发布：Sol与Luna双模型详解
OpenAI正式推出GPT-5.6双模型体系：Sol面向付费用户提供即时响应与深度推理，Luna为免费用户带来无限文本对话。详解两款模型的能力差异、分层策略与实际使用影响。
阅读全文 →
·15 分钟
从生产事故到评估用例：LLM回归测试的实战方法论
聚合指标会掩盖LLM的长尾失败。本文分享一线团队如何将生产环境中的真实失败转化为回归测试用例，建立持续生长的评估体系，避免模型升级时重复踩坑。
阅读全文 →
·15 分钟
Laguna S 2.1性能升级：速率限制提升10倍，日处理量达250B Token
Poolside宣布Laguna S 2.1重大服务升级，速率限制提升10倍，OpenRouter日处理量达2500亿Token。支持1M上下文窗口专用部署，已集成cline、opencode等主流AI编程Agent工具，适用于高并发自主工作流场景。
阅读全文 →
·15 分钟
Claude Code重写Claude App：AI编程代理的能力边界在哪里
Anthropic开发者Boris Cherny尝试用Claude Code重写Claude App，这场自举实验揭示了AI编程代理在处理大规模生产级代码库时的真实能力与局限，探讨人机协作编程的未来方向。
阅读全文 →
·16 分钟
AI Agent奖励黑客：为什么评估高分不等于真实能力
深度解析AI Agent评估中的奖励黑客问题：模型如何钻评估漏洞获取高分，Poolside提出的四重防御策略，以及为什么评估路径与分数同等重要。
阅读全文 →
·12 分钟
Hoplite：云端编码智能体部署平台深度解析
深度解析YC S26批次项目Hoplite，一个专注于云端编码智能体部署与编排的平台。了解其如何解决执行环境隔离、规模化编排等核心问题，以及AI编程智能体基础设施赛道的市场现状与未来趋势。
阅读全文 →
·8 分钟
AI能独立完成多大的软件项目？能力边界与人机协作模式解析
深入分析AI编程工具独立完成软件项目的能力上限，从代码片段到完整项目的跃迁挑战，探讨上下文窗口、架构一致性、长程规划等制约因素，以及人机协作的最佳实践模式。
阅读全文 →
·15 分钟
AI Agent评估标准化：Harbor平台实践与数据驱动评估飞轮
深入解读AI团队如何通过Harbor平台实现Agent评估标准化，以及从执行轨迹到评估任务的数据转化方法论，探讨Agent评估工程化的核心趋势与实践路径。
阅读全文 →
·11 分钟
Kimi作为编排者：多智能体协作架构设计与实践
探讨将Kimi模型作为编排者或审阅者，管理多个工作智能体的协作架构设计。分析编排者-工作者模式的核心逻辑、Kimi长上下文优势、模型搭配策略及实践中的成本与可靠性挑战。
阅读全文 →
·15 分钟
Claude Opus 5登陆Devin：性能媲美Fable成本减半
Devin正式集成Claude Opus 5模型，在FrontierCode 1.1基准上达到接近Fable级别性能，成本却降低一半。新模型在困难调试和根因分析方面表现突出，覆盖Desktop、CLI和Cloud三端。
阅读全文 →
·11 分钟
Agentic AI的两种工作模式：温室与透镜框架详解
深入解析Agentic AI的温室模式与透镜模式，理解AI Agent在广度探索与精准收敛两种场景下的最佳实践，帮助开发者高效分配任务、优化AI编程工作流。
阅读全文 →
·14 分钟
AI编程效率提升10倍：程序员正在亲手写自己的"下岗信"？
一位资深开发者坦言95%的工作已由Claude Code完成，生产力提升10倍。从编码到架构设计，AI正在蚕食程序员的核心技能护城河。本文深度分析AI编程对科技行业就业市场的冲击与未来走向。
阅读全文 →
·13 分钟
AI末日论者真的用过AI吗？开发者揭露理想与现实的鸿沟
AI末日论者高喊人工智能将毁灭人类，但他们真正构建过AI应用吗？一位开发者的犀利吐槽揭示了AI演示与真实工程实践之间的巨大鸿沟，探讨末日论背后的利益驱动与认知偏差。
阅读全文 →
·12 分钟
GPT-5.6 Value Maxing实战指南：从堆Token到拼产出的优化方法论
深度解析OpenAI GPT-5.6 Value Maxing策略，涵盖Sol/Terra/Luna模型选择、KV缓存优化、Prompt压缩、程序化工具调用等实操技巧，帮助开发者用更少Token撬动更高产出。
阅读全文 →
·8 分钟
Agent本质解析：任务拆解、上下文压缩与重型框架的取舍
从工程实现角度深入剖析Agent的本质机制：LLM如何通过任务拆解与工具调用完成复杂操作，上下文压缩与记忆机制为何不可或缺，以及个人开发者为什么应该远离重型框架。
阅读全文 →
·8 分钟
Agent测试中API Mock与沙箱环境怎么选？分层策略详解
Agent测试中API Mock速度快但易漏Bug，沙箱环境真实但成本高。本文深入分析两者本质差异，提供分层测试策略，帮助开发者构建可靠的Agent测试体系。
阅读全文 →
·7 分钟
Claude Opus自主调试能力解析：AI主动编写测试脚手架意味着什么
新版Claude Opus展现出主动编写测试脚手架（harness）的能力，能自行构建调试环境观察代码运行状态。本文深入解析这一行为背后的技术意义，探讨AI编程助手从被动代码生成器向具备工程直觉的智能协作者演进的趋势。
阅读全文 →
·18 分钟
Codex超高推理模式隐藏成本：一个任务耗尽70%额度的真相
一位开发者使用Codex的Extra High推理模式处理一个20分钟任务，竟消耗70%配额。本文深度解析AI编程工具的token计费机制、高推理模式的成本放大效应，以及开发者如何合理控制用量。
阅读全文 →
