本周 Signal
Signal #32 · 2026.10.05
Coding Agent 正在接手研发流程的推进
GitHub 本周公开预览 Dynamic Workflows，让代码规定步骤顺序、结果交接和人工检查点。Kiro Workflows 则把需求、设计、实现和评审组织成可保存复用的执行计划：官方示例中，设计和代码各最多循环三轮，仍未获批准就停止，最后按原始需求验证结果。 这些更新...
长期技术观察 / LONG-TERM OBSERVATION
AI 软件工程与研发自动化的长期观察站
持续观察 AI 如何改变软件工程、研发系统与组织协作，从技术动态、开源项目和真实实践中，识别值得长期跟踪的变化。
- Weekly
- #292
- Signals
- 31
- Essays
- 75
HOW IT WORKS
从信息到判断，是一条连续的研究链路
这里不追求把所有信息摆在读者面前，而是持续筛选、组织和验证，最终留下可以复用的判断。
LONG-TERM TOPICS
长期追踪的六个问题
它们不是短期热点标签，而是理解 AI 如何改变软件工程的一组持续问题。
LATEST OBSERVATIONS
最近的技术观察
2026-10-11 周日01
Coding Agent 降本，不能只看 Token 单价
LangChain 在 Coding Agent 的真实任务中引入模型路由，让每线程模型成本的中位数下降了 64%。这项实验除了展示降本效果，还提供了一套可以借鉴的方法：先分析真实任务，再按任务选择模型，并用实际交付结果检查成本优化是否成立。
2026-10-10 周六02
给 Computer Use Agent 加上 CLI，准确率反而下降了
一项新研究发现，给四种现有 Computer Use Agent 直接开放 CLI，任务准确率反而下降了 2.5～11.5 个百分点。研究者随后通过混合操作训练，让一个 9B 模型在 OSWorld 上达到 53.6% 的准确率。问题出在哪里？Agent 应该怎样在 GUI 和 CLI 之间作出选择？
2026-10-09 周五03
Signal #32：Coding Agent 正在接手研发流程的推进
GitHub、Kiro 正将工作流执行能力引入 Coding Agent，让系统负责研发步骤的衔接、结果传递和运行状态管理。随着 Agent 能够连续推进更多工作，团队需要进一步明确每一步的完成依据，以及哪些决策必须由人来作出。 本文是「每周 Signal｜AI × SE」第 32 期，关注 AI 如何改变软件工程与研发实践。
#coding-agent#workflows
2026-10-07 周三04
很多人并不想当管理者，只是过去没有别的路
过去，一个人想获得更大的影响力，最成熟的方法往往是带更多人。AI 正在松动这个前提：当个人可以跨过更多职能边界，从发现问题一路走到交付和反馈，影响力开始有机会和管理人数解绑。 这带来的变化可能比“AI 提效”更深。我们习以为常的晋升路径、人才标准和组织分工，都可能跟着重新调整。
#career#AI
RESEARCH LIBRARY
形成判断之前，我们从哪里看见变化
公众号、主题导航和 arXiv 共同构成支撑长期观察的信息与研究基础设施，并作为 Signal 和技术观察的资料来源。
ABOUT THE EDITOR
由真实研发实践持续校准的个人观察
长期关注 AI 软件工程、研发自动化与 Agent 系统，持续维护技术周刊，并参与真实团队中的 AI 研发落地与开源实践。这里记录的不是旁观式评论，而是问题、实践与判断之间的往返。
关于梯度不陡 →