Anthropic 工程师现在每季度提交的代码量是 2021-2025 年均值的 8 倍，其中 80% 由 Claude 编写；代码库测试总量涨了 10 倍，六个月内 CI 任务涨 25 倍。承接"每个 PR 该跑哪些测试"的测试影响分析（TIA）服务被压垮：去年 10 月核心数翻倍，撑了 70 天；今年 2 月按包分片并行化，撑了 29 天；3 月改成每日重启，不到一天就失效——20 分钟的监听延迟意味着数万条测试结果没应用到选择器上，selector 拿着陈旧数据把本来就 flaky 的测试反复跑。

最终方案是推倒重写成无状态架构：listener worker 处理完任意结果就追加进内存 journal、立刻释放内存，独立的轻量 consumer 每隔几秒把 journal 滚动汇总成 per-test 历史供 selector 查询。重写由 1 名工程师花 3 周完成——作者说一年前干同样的活要将近一个季度，干活的还是 Claude。改造后积压曲线拉平，服务至今稳定，journal 大小和 worker 数的细粒度调优也是 Claude 自己完成的。

越来越多开发者发现 Claude Code 里请求 Opus 5 的表现和网页版明显不同，通过 /status 和抓包确认背后模型 slug 已指向 Opus 5.2——Anthropic 大概率跳过了 5.1 直接灰度新版本。实测反馈集中在三点：生成速度肉眼可见变快；输出更干净、长文本和代码完成度高一档；遇到复杂长任务不再丢一个框架让你自己填，而是自主进行"gauntlet loop"持续迭代到任务收尾。

社区还传出一个判别探针：关闭联网搜索，问"你知道重置哥 Tibo 是谁吗"——旧权重没见过这个人物，网页版 Opus 5 会答不上来，被路由到 5.2 的会话则能准确讲出来历。有开发者晒出两侧答案完全不一致的截图。Anthropic 未官方确认。另有一份 8 月中旬流传的内部风险报告称 Anthropic 内部模型已接管大部分代码编写、将替代 85% 研究团队工作，此说法与本轮灰度无直接关联，需核查。

DeepSWE 榜上四个模型挤在 0.7 个百分点内：V4.1-Flash（max 档）74.34% / $0.43，GPT-6 Astra（xhigh）74.12% / $6.52，Gemini 3.8 Flash（high）73.83% / $2.36，Claude Opus 5（max）73.65% / $11.84——质量同一档，成本差出 15 到 28 倍。架构上是 552B MoE 加新的编码器-解码器拆分：8B 激活管输入、16B 管输出。这个不对称正好对上 coding agent 的用量形状——DeepSWE 实测每任务 3690 万输入 token 对 21 万输出 token，174:1。

省钱的大头在缓存：该 run 里 99.6% 的输入 token 是缓存命中，缓存费用占了账单 60%。KV cache 优化后 HBM 占用降到上一代的 1/4、SSD 占用 1/8。Terminal-Bench 2.1 上 86.5% 对 Astra 的 87.5%，差 1 分便宜 12 倍。HLE 是短板：34.52% 对 Astra 50.40%。但 oracle router 实验显示两者相加能做到 54.80%，超过单独的 Astra——两个模型做错的题不是同一批。

硅基流动宣布 Hy4 preview 上线：总参数 770B、每 token 激活 49B、1M 上下文，Apache 2.0 协议，定位编码、分析、研究和复杂实际工作，可直接接入 Claude Code、Codex、Cursor 等现有工具。平台标价：每 1M tokens 输入 $0.834、输出 $2.501、缓存 $0.042。榜单数据同日更新：Agent Arena 开源模型第 3 名，净提升 +4.87%，每任务中位成本 $0.07——比第 2 名便宜 68%，成绩只差 0.09 个百分点，直接改写了开源侧的 Pareto 前沿。总榜排名第 12，Confirmed Success 信号排名第 4（+13.75%）。

同样的 50 个公开 PR（Cal.com、Sentry、Discourse、Keycloak、Grafana 各 10 个）、同样的提示词：GPT-5.6 Luna 找到 69 个经双裁判验证的 bug，花 $0.20，精度 74%；GPT-6 Astra 找到 92 个，花 $5.66，精度 96%。折到单价，单次评审 $0.0041 对 $0.113，每个验证 bug 的成本 $0.0030 对 $0.061——Luna 用 3.6% 的钱干了 75% 的活，还更快（23 秒对 36 秒）。

差距集中在安全敏感代码：24 个安全 bug Luna 只抓到 9 个，Astra 抓到 19 个。Keycloak（身份认证服务器）上最悬——Luna 只发现 6 个 bug 且一半是误报，Astra 发现 14 个、精度 93%。漏掉的两个例子：联合恢复码用后未标记、可重复使用；全局视图权限覆盖了单个 client 的拒绝规则——单看哪一行都没毛病，得推演权限模型的组合效果才能看见。反过来，25 个 bug 只有 Luna 抓到。两个模型都跑，143 个验证 bug 能覆盖 117 个（82%），总共 $5.86。

Ruby 核心开发者 Aaron Patterson 逐行拆解了 GemStuffer 恶意 gem（Socket.dev 5 月首报，Reuters 与 WSJ 本周报道称其被指与 OpenAI 的爬虫机器人相关，归因仍需核查）。第一个发现：gem 里藏一个 .yardopts，写上 --load ./script.rb——只要你装了这个 gem 且装有 YARD，文档工具就会执行包内的任意脚本。更糟的是 RubyDoc.info 会在新 gem 发布时自动下载并处理 YARD 文档，虽然跑在 Docker 容器里，但容器有网络访问权限，恶意代码可以直接在里面爬网站。

第二个发现更刁：这些 gem 会先 GET 一下 RubyGems.org 的页面，用正则 /rubygems_[a-f0-9]{20,}/ 在响应体里找泄露的 legacy API key，找到就用它把爬来的数据打包成新 gem 发布出去——这正是 RubyGems.org 7 月安全公告里修掉的缓存密钥泄露问题。也就是说，攻击者不仅知道这个漏洞，还写了利用代码。

BestBlogs 9 月 15 日早报收录的 Vercel 动向：其开源 agent 框架 Eve（一个 agent 就是一个目录——instructions、tools、skills、subagents、channels、schedules 全是文件，框架负责编译运行）背后，内部数据 agent D0 在改用 Claude Code 与 Opus 4.5、把工作方式转向文件系统后，评估成功率翻倍，过程中沉淀了约 100 个 skills。目前 Vercel 内部约 20 个 agent 跑出了产品市场契合。以上为早报转述口径，原文数字需核查。

MarkTechPost 发文厘清三层架构的职责边界：agent harness 拥有执行循环、状态、权限和恢复——它决定循环何时停、上下文如何延续、哪个工具调用需要人批准、出错后从哪一步重来；agent framework 只暴露钩子，把这些能力封装成可复用组件但不替你做决策；MCP 仅拥有工具传输，在协议层无法强制 consent——"这个工具该不该执行"的判断根本不在它的管辖范围。

Plasma AI 发布 Radio：面向 agent 的共享聊天室。创建频道、分享链接，队友和 agent 就能加入，无需注册。任何能抓取 URL 的 agent 都可以进房间——包括 Claude Code、Codex、Cursor。设计意图是把多智能体系统里通常藏在 orchestrator 内部的协调层变成可见的房间：谁说了什么、谁接了任务、进展到哪，人可以直接围观和插话。

作者记录了把一套 35KB 的大型预提示从 Anthropic/OpenAI 迁移到自托管 Ollama 的全过程：65k token 上下文窗口下，长提示词迅速饱和，直接后果是 agent 开始重复调用同一个工具。笔记给出的修正清单：把单目标提示拆分成多个声明式定义的 opencode agents；显式调大 Ollama 的上下文参数（默认值远小于你以为是的样子）；管理好会话状态，避免每轮重复注入全量上下文。