17Ge

今天体验了 OpenManusBot，体验上完美还原了 GrokBot，并且可以对不同的 Bot 配置不同的模型，效果真是非常好。 github.com/milind-soni/OpenM…

@Kling_ai 最新发布的 Kling 4.0 在广告视频生成上效果还是非常好的，视频在主体一致性、画面合理性、清晰度、镜头合理性、故事传达等各个方面表现都非常不错。

模型的能力越来越强，模型的发布速度也越来越快了，这是一个疯狂的时代~

ADPS 终于要发布啦~👇👇👇 adpsagent.com/zh/patterns/

最近这两天我一直在尝试使用 Gemini 4 Argon 完成编码任务，但是整体感知 Gemini 4 Argon 的编码效果真的非常差，非常 简单的任务也无法正常完成。 但我发现了 pele 这款 mermaid 图标渲染库后，我用下面的提示词让 Gemini 4 Argon 来优化我的博客系统： ```prompt pele（pele.run/）是一款轻量级的开源 mermaid 图标渲染库，我的博客现在用到的渲染是mermaid方式，请按照mermaid的配置方式，为博客增加pele的渲染方式，注意不要去掉对mermaid的支持。 ``` Gemini 4 Argon 运行了 20 分钟还在浏览代码，还没启动优化。我切换成 Opus 5.5 之后，2 分钟 就完成了如下的代码提交。 github.com/wangwei1237/wangw…

随着 AI 能力提升，软件工程的价值重心正在从 “代码本身” 迁移到 “环境与验证”。未来的核心竞争力，不是更会写代码，而是拥有更强的环境与验证体系， 让每一代模型都能释放更大价值。

这也比较符合逆康威法则的要求和我之前提到过的“逆向工作”（wangwei1237.github.io/2023/0…）思路。

根据阿里最近发布的《AI Native 研发范式实践手册》 ai-native.alistatic.com/app/…： 模型 Coding 能力的快速提升，并没有同步转化为研发效率的同比提升。 一个典型例子是，某个 C 端用户动线改造需求，编码和本地验证可能 1 个小时就能完成，但真正上线还需要经过多个内部平台、发布流程和环境约束，如果再遇到封网等情况，从代码完成到最终生效可能仍然需要数周。 按照我们团队内部的粗略统计，生成代码本身只占整个研发链路的 20%～30%，甚至更低。按照阿姆达尔定律，当一个只占三成的环节被压缩到接近零之后，整个系统能够获得的收益依然存在明显上限；Coding 被解决得越彻底，Coding 之外的需求理解、领域知识、构建测试、发布变更、权限与环境操作等环节，就越会成为新的瓶颈。 大模型缺少企业内部业务知识，以及 benchmark 上的高分并不等同于生产环境中的真实交付能力，这些判断都成立，但它们最终指向的是同一个问题：下一阶段研发提效真正需要解决的，不再只是 Coding，而是如何让 Agent 能够完整地参与并推进 Coding 之外的整个软件研发与交付过程。