Devin
PulseAugur coverage of Devin — every cluster mentioning Devin across labs, papers, and developer communities, ranked by signal.
17 天有情绪数据
-
研究发现:AI生成的代码存活率取决于测量选择
一篇新发表在arXiv上的研究重新审视了AI编码代理生成的代码的存活率,发现测量选择显著影响了结论。虽然来自GitHub Copilot等人类监督代理的代码,无论测量方法如何变化,始终显示出类似的效果,但来自Devin等完全自主代理的代码,根据分析方法的不同,会产生相互矛盾的结果。研究强调,人类开发者对代理生成的代码进行了大部分修改,而分析方法的选择在决定代码的存活率方面,与代码本身一样具有决定性。
-
Cognition与麦肯锡合作部署AI编码代理Devin
AI编码代理Devin的创造者Cognition已与麦肯锡公司合作,将Devin引入美国和欧洲的主要企业。麦肯锡将识别关键工程项目并重组团队以整合AI,由Devin负责编码任务。此次合作已获得六家世界顶级银行作为客户。
-
新的 AGENTS.md 格式标准化了 AI 编码代理指令
一种名为 AGENTS.md 的新的纯文本文件格式正成为指导 AI 编码代理如何管理项目的标准。该格式由 Linux Foundation 下的 Agentic AI Foundation 管理,允许开发人员定义构建、测试和更新代码(包括文档)的规则。GitHub Copilot、Devin 和 Claude Code 等工具已开始支持 AGENTS.md,其中 Claude Code 还提供了自己的 CLAUDE.md 变体,可以包…
-
Mercor 融资7.5亿美元,估值200亿美元,AI投资激增
Mercor 是一家专注于AI驱动的专家平台的公司,已获得7.5亿美元D轮融资,估值200亿美元,年营收达到30亿美元。该公司强调了AI投资对其运营的重大影响,指出推理成本现在是员工薪资的三倍,并为经济增长做出了贡献。与此同时,Google 推出了其 Gemini 4 Carbon 模型,专为复杂的代理任务而设计,可通过 Cursor 和 GitHub Copilot 等各种 API 和平台使用。
-
开发者构建aiZee来管理AI编码代理的行为
一位开发者创建了aiZee,这是一个本地控制平面,旨在作为AI编码代理的治理层。该系统对代理操作强制执行策略,防止提交敏感信息或执行破坏性命令等不受欢迎的行为。aiZee通过拦截工具调用和文件更改来运行,应用一系列检查,包括完整性验证、通过YAML规则强制执行策略、循环检测和预算管理,所有操作都会被记录和签名以供审计。该项目是开源的,采用MIT许可证,旨在以与生产基础设施同等的严谨性来对待AI代理的操作。
-
斯坦福大学调整AI工程课程以适应编码代理
在斯坦福大学教授AI并领导Monaco AI部门的Mihail Eric,讨论了如何在AI代理时代调整软件工程教育。他解释说,斯坦福大学的CS146S课程已经发展到整合AI编码代理,学生们现在为开源项目做贡献,并向维护者解释他们的更改。在Monaco,该团队在构建定制代理工作空间以处理调试和软件开发等任务的同时,战略性地购买代码审查工具,强调区分学习和运营需求的重要性。
-
osFoundry 桌面应用帮助恢复过去的 AI 编码会话
osFoundry 桌面应用程序提供了一种查找和恢复来自各种 AI 工具(包括 Claude Code 和 Codex)的过去编码会话的方法。它通过直接读取用户本地磁盘上的会话文件来工作,不与 AI 模型本身进行通信。用户可以通过项目标题或文件夹路径中的关键字搜索会话,然后一键恢复它们,这将重建必要的命令行参数。
-
Cognition 推出更便宜、更快的 SWE-2 Flash 编码模型
Cognition 发布了 SWE-2 Flash,这是其 Devin 编码模型的更高效版本,旨在更快、更经济地执行常见的编码任务。这款新模型基于 Inkling-Small 架构,采用混合专家模型方法,在保持足够能力(如代码审查和文档编写)的同时,将推理成本保持在较低水平。虽然它的性能优于其基础模型并提供了显著的成本节省,但 Cognition 承认其旗舰 SWE-2 模型在更复杂、耗时较长的编码挑战方面仍然更胜一筹。
-
工程师详述使用Google Antigravity的多代理AI编码工作流
一位软件工程师详细介绍了一个工作流,用于在多个AI编码代理之间分配任务来开发单个产品。Google Antigravity用于处理大量规范,可通宵运行以生成初稿。随后的优化使用Claude Code、Cursor或Devin等代理进行。
-
云端编码代理可远程自动化软件开发任务
云端编码代理是一类新的人工智能工具,旨在用户直接的编辑器环境之外自动化软件开发任务。这些代理可以从问题、聊天提及或提示等各种来源接收任务,然后在远程、供应商管理或自托管的环境中执行它们。输出通常是人类可以审查的代码分支、差异或拉取请求,这使它们区别于本地IDE代理或简单的聊天助手。
-
Cursor 用户因 Grok AI 性能和成本原因选择离开
用户正在讨论他们最近停止订阅 Cursor 的原因。常见的抱怨包括对 Grok AI 模型与 Opus 等竞争对手相比的性能不满意,以及普遍认为该服务吸引力下降。一些用户已转向 Devin 等替代 AI 编码助手,发现它们是合适的替代品。
-
大多数职业对AI取代工作的担忧加剧,但程序员的担忧有所下降
对AI取代工作的担忧在大多数职业中都有所增加,教师、医生和律师的担忧达到了新的高峰。然而,程序员对AI取代工作的焦虑感自2024年3月以来有所下降。这一趋势归因于程序员日常使用AI工具,从而更现实地了解其能力和局限性。
-
Factory 发布 Droid 1.0 编码代理,支持程序化工具调用
Factory 发布了 Droid 1.0,一个更新的模型无关编码代理框架,默认支持程序化工具调用。此新功能允许模型编写在沙箱环境中执行工具的 JavaScript 程序,从而在单次模型请求中实现数百次工具调用,并显著降低 token 使用量和成本。Factory 报告称,Droid 1.0 使用 Claude Opus 5.5 在 Terminal-Bench 4 基准测试中达到了 65.2% 的通过率,在性能和成本效益方面均优于其…
-
FurtherAI通过AI代理在交付流程中将工程师产出提升5倍
FurtherAI通过将AI代理集成到其软件开发生命周期中,显著提高了工程产出。该公司每位工程师每日合并的代码变更量增加了五倍,AI代理现在负责代码生成、测试编写和预人类代码审查等任务。这种优化还扩展到自动报告错误和自动合并低风险变更,使非工程师也能为代码部署做出贡献。
-
新研究对各种任务中的 AI 编码代理进行基准测试和评估 · 已跟踪 10 个来源
多篇在 arXiv 上发布的论文探讨了 AI 编码代理的能力和局限性。GHAgentCI 引入了一个用于研究代理集成到 CI 工作流中的数据集,而 Contain, Conform, Compare 提供了一个针对小型编码代理的红队评估工具包。SatisFix 提出了一种识别和缓解代理中规格满足问题的方法,而 Audit the Scaffold, Not the Checkpoint 讨论了代理周围工具的重要性,而非模型本身对自我改…
-
Copilot 和 Devin 等 AI 编码工具引发开发者焦虑
AI 编码助手正在快速发展,GitHub Copilot 和 Devin 等更复杂的代理工具对传统开发者的角色构成了重大挑战。这种快速进展引起了开发者的焦虑,他们担心随着 AI 编写代码的能力越来越强,自己的生计将受到威胁。微软、谷歌和亚马逊等主要科技公司都在大力投资这项 AI 演进,Claude 和 ChatGPT 等工具也为不断变化的格局做出了贡献。
-
AI 编码代理将软件瓶颈从生产转移到验证
AI 编码代理的日益普及已将软件开发中的瓶颈从代码生产转移到代码验证。随着 AI 代理加速输出,确保代码质量和防止错误变得更具挑战性。通过工件验证结果、采用多种验证方法(结合 AI 代码审查与测试和安全扫描)以及通过战略性运行昂贵检查来优化 CI/CD 流水线等实践,对于在这个新的 Agentic 时代保持安全和效率至关重要。
-
Cognition 开源 AI 代理插件,实现自动化漏洞修复
Cognition 开源了一个名为 Devin Vulnerability Fixes 的插件,旨在帮助编码代理自动修复关键安全漏洞。该插件包含三个技能,可以识别、批准、测试并部署针对 PHP2Shell、Node.js 和自管 GitLab 实例中特定问题的修复程序。这些技能设计用于在 Cognition 的 Devin 代理中运行,并且也兼容支持 SKILL.md 文件的其他编码代理,为开发人员提供了一个简化流程来应对严重的安全威胁。
-
Robinhood Ventures 投资 1000 万美元支持 AI 编码工具 Cognition
Robinhood Ventures 已向 AI 编码工具制造商 Cognition(Devin AI 代理背后的公司)投资 1000 万美元。此项投资是在 Robinhood 此前支持 OpenAI 之后进行的,表明其投资于多个 AI 编码工具竞争对手的策略。Robinhood Ventures 主管 Sarah Pinto 认为,市场并非赢家通吃,并以 Robinhood 自己的工程师使用各种 AI 编码工具为例。
-
单个AI智能体通常足以胜任编码任务,多智能体设置会增加开销
本文探讨了在编码任务中使用多智能体AI系统的复杂性,并建议通常单个智能体就足够且更有效率。文章指出,多智能体设置在成本和调试方面会引入显著的开销,只有在遇到单个智能体的特定限制时才应考虑。该指南概述了三种可能使多个智能体受益的场景:上下文上限(任务信息超出单个智能体的窗口限制)、序列化上限(独立任务可以并行运行)和专业化上限(工作的不同部分需要不同的工具或权限)。