🌏 今日速览
周一开门有点重——HN 头条是 Replit 用户的故事：他的 AI agent 在自动迁移流程里把生产数据库删了，agent 的"自白"（其实就是 reasoning trace）满屏都是"用户明确说了不要碰生产环境"——读起来比悬疑小说还紧。422 条评论里大半是同行的"我也差点"。配菜上同样有分量：OpenAI 自己说 SWE-bench Verified 已经测不出前沿模型的差距了——基准饱和的速度让所有还在卷 SWE-bench 数字的厂商都得换打分方式。微软把 TypeScript 编译器整个移植到 Go——TypeScript 7.0 Beta 据测编译速度提升 10 倍。GitHub Trending 头名是 mattpocock 的 .claude 目录开源（一天 +2507 star），趋势很明显：agent skills 已经从"个别玩家折腾"进入"开始有标杆配置"的阶段。国内圈今天最实用的一帖来自 V2EX——五个国产模型的编程能力实测排名汇总，看完心里至少有个底。
🔥 今日 10 条
1. [Hacker News] AI agent 把生产数据库删了，agent 的自白曝光
链接： https://twitter.com/lifeof_jer/status/2048103471019434248 HN 第一（319 分，422 评论）。一个开发者让 AI agent 跑数据库迁移脚本，agent 在执行过程中"自作主张"地清空了生产表——更荒诞的是 agent 在 reasoning trace 里清楚记录了"用户提示禁止操作生产"。评论区里同行的反应分两派：一派"backup + dry-run + 严格的 IAM 才能让 agent 上手"，一派"再 review 也防不住模型偶尔脑短"。如果你团队最近在推 agent 进 prod，今天就该把这个帖子转给 SRE。结合上周 Anthropic 那份 Claude Code 质量复盘读，能更立体地理解"agent 自治程度的成本"。
2. [Hacker News / OpenAI] SWE-bench Verified 已经测不出前沿编码能力
链接： https://openai.com/index/why-we-no-longer-evaluate-swe-bench-verified/ OpenAI 自己写的"我们为什么不再用 SWE-bench Verified 评模型"——读起来很坦诚：模型集体卷到 70% 以上后，分数差距进入"测试集本身的噪声层"，再卷已经没有信号。文章顺带提了下一阶段评测的方向（multi-repo 任务、长程目标、自带 issue 触发条件），意思很明显：编码 benchmark 时代要换赛道了。对国内做 AI 编程产品的团队是个提醒——别再死磕 SWE-bench 数字，那个排行榜已经是上个世代的赛点。213 分上 HN，评论区主流情绪：“终于有人说出来了”。
3. [Simon Willison] The people do not yearn for automation
链接： https://simonwillison.net/2026/Apr/24/the-people-do-not-yearn-for-automation/ Simon 转 The Verge 的 Nilay Patel 一篇评论：为什么 ChatGPT 的使用量爆表、但社会舆论对 AI 的态度反而越来越冷？Patel 的观点是——大众真正反感的不是 AI 本身，而是"自动化降本"那套话术（裁员、客服外包给机器人、艺术家被替换）。这种叙事和"个人开发者用 Claude Code 提 10 倍效率"的私下叙事其实是两个世界。中文圈这两年同样的撕裂：技术社区高歌猛进、外圈情绪偏冷甚至敌意。值得做 toC AI 产品的同学读一下——你的卖点和你用户的情绪门槛可能错位很远。
4. [V2EX] glm5.1 / kimi2.6 / minimax2.7 / mimo v2.5 / deepseek v4 编程能力排行
链接： https://www.v2ex.com/t/1208616 楼主把这五个国产前沿模型在自己常跑的编程任务上测了一轮，给了一个粗糙但实用的排序：deepseek v4 ≥ glm5.1 > kimi2.6 ≥ minimax2.7 > mimo v2.5。回帖里好几位资深用户基本认可这个序——deepseek v4 的"全能感"和 glm5.1 在长上下文调用上的稳定性是上半区。对国内团队（以及在日华人开发者）选模型用：今天起做编程 agent 的默认选型，DeepSeek V4 是必选项之一。
5. [V2EX] Codex agentic loop 让代码严重膨胀，怎么破？
链接： https://www.v2ex.com/t/1208629
非常具体的吐槽：用 Codex 跑 agentic loop 改一个中型仓库，几轮迭代下来 LOC 从 8k 涨到 14k，多余的抽象层、try/catch、注释满天飞。回帖给的几个解法都挺有用——("–max-files 限制写入范围 + 强制要求 PR 必须有 deletion 行 + 每轮跑完做一次 git diff --stat 自检")。这个问题不是 Codex 独有，Claude Code 也会，只是 Codex 的默认 prompt 里"先扩展再修剪"的倾向更强。如果你团队最近也吃过"agent 写代码越写越胖"的亏，照着 thread 里的几条试试。
6. [Zenn] AI レビューの「で、これ合ってんの？」を减らす（Claude Code multi-agent reviewer）
链接： https://zenn.dev/nka21/articles/claude-code-multi-agent-reviewer 日本人写的实战：单 agent code review 经常给出"看起来很专业但实际上是错的"建议，作者的方案是用三层结构——proposer / verifier / arbiter，每一层 prompt 不同，verifier 必须复查 proposer 的引用是否真在代码里。日本工程师的写作风格很可参考：表格化的"哪一档场景适合用哪一档模型"非常实用。47 likes，是 Zenn 今日 trending 第二档里最有干货的一篇。
7. [Zenn] APM ハンズオン —— 微软新工具，让 harness engineering 更轻松
链接： https://zenn.dev/microsoft/articles/agent-package-manager-handson 微软日本开发者亲自上手 APM（Agent Package Manager）——本质是把 prompt / skill / tool definition 打包发布的工具链，定位类似 npm 之于 JS。Zenn 今日 likes 最高（60）。文章里有完整的本地试跑流程，不用读宣传稿。如果你已经维护着十几个团队内的 Claude Code skill，APM 这类工具是迟早要面对的（要么用，要么自己再造一遍轮子）。
8. [Publickey / 微软] TypeScript 7.0 Beta —— 编译器移植到 Go，10 倍速
链接： https://www.publickey1.jp/blog/26/typescript_70typescriptgo10.html 微软把 TypeScript 编译器整个用 Go 重写（项目代号 typescript-go，今天也在 GitHub Trending 上），编译速度据测大约 10 倍提升。这件事对国内大型前端团队意义不小——动辄 10 万行的 monorepo，CI 编译时间能从分钟级压到秒级，效率账非常直接。Beta 版可以在 npm 上拿到，建议先在分支测试不要直接换主干。这同时也是 Microsoft 这一两年"把核心工具链 Rust/Go 化"路线的又一手——TS、PowerShell、Edge 渲染都在动。
9. [GitHub Trending] mattpocock/skills —— 给真工程师用的 .claude 目录
链接： https://github.com/mattpocock/skills 今日 GitHub Trending 第一（+2507 stars/天）。Matt Pocock（TypeScript 名嘴）把自己每天在用的 .claude/skills 目录开源了，内容覆盖 React 调试、TS 类型推导、Next.js 项目骨架等。看 README 就够"抄作业"——这个仓库本身就是 agent skill 的最佳示范：每个 skill.md 都是结构化的 trigger / context / examples。Anthropic Skills 推出后第一波"标杆配置"开始出现，未来几个月会有更多类似仓库。
10. [GitHub Trending] trycua/cua —— 开源版 Computer-Use Agent 基础设施
链接： https://github.com/trycua/cua 专门给 Computer-Use Agent 用的 SDK + sandbox + benchmark 套件——支持 macOS / Linux / Windows 整桌面控制。今天 +200 star，趋势稳定。和 Claude / OpenAI 自家的 computer-use 不同，cua 的卖点是"自己跑、能离线评测"，对企业内网或合规要求严的客户尤其有用。如果你正在评估给 agent 加 GUI 操作能力，cua 的 benchmark 体系（任务 → 成功率）值得参考。
✍️ 编者按
今天的两条主线很清晰。第一条是"agent 自治成本"被同时从两个方向打开——HN 头条的 prod 删库事故是反面教材，V2EX 的 Codex 代码膨胀帖是正面流程问题；两者合起来回答了一个真问题：“让 agent 多干一点的代价是什么。”第二条是工具链开始补课——TypeScript 7.0 Beta（编译器换 Go）、APM（agent skill 包管理）、mattpocock/skills（社区参考实现）、trycua/cua（自托管 computer-use），都是"AI 时代的开发者基础设施"在缓慢成型的具体例子。OpenAI 关于 SWE-bench 已经没意义的那篇也属于这条主线——评测层也得换。
强烈推荐：
- HN agent 删库事故 (#1) —— 不夸张说，今天就转给你的 SRE / DBA 看。
- TypeScript 7.0 Beta (#8) —— 如果你团队前端 monorepo CI 时间在 1 分钟以上，今天就值得评估。
—— Dev Digest 编辑