「工程基准」共找到 1647 篇相关文章
上下文工程又进化了：Harness实现AI完全自主化
近期Harness Engineering讨论火热，Harness是围绕AI模型的支撑架构，Anthropic用其突破AI局限，解决AI完成复杂任务时的偷懒问题，还通过多智能体架构用于前端设计、软件开发，经实战检验效果良好，后续还对其进行简化。
OpenClaw 火了半年，Agent 执行层依然是工程空白
当前主流 Agent 工具链执行层基本空白，Violoop 是少数在执行层做系统化设计的项目。它是桌边触屏硬件，获取三类运行时数据，具备感知 - 判断 - 执行运行时，有多种核心能力，适合特定场景团队评估。
用第一性原理超越AlphaFold：告别蛋白质工程的「碰运气」时代
在‘AI生物制造专场’中，杨晓锋副教授指出AI4S重塑蛋白质全生命周期，但面临维度鸿沟挑战。其认为AI需有外推能力，还展示可切割自聚集标签法简化流程，推动生物制造发展。
Claude Code 5亿美元背后的AI工程革命
文章介绍了Claude Code的诞生故事、技术选型、开发流程等。它从听歌小工具变为年入5亿美元产品，90%代码自写，开发流程快，还重新设计终端交互。Anthropic团队各环节AI化，也有特殊条件，有些经验可借鉴。
The Batch: 929 | Qwen3.5 超越更大模型，领跑视觉基准测试
阿里巴巴发布 Qwen3.5 系列，含 8 个开源权重的视觉 - 语言模型。其小模型表现超大体量 OpenAI 开源权重模型，在视觉任务中整体出色，部分在语言任务也有竞争力。虽团队有人员离职，但阿里承诺加大 AI 投入。
AI编程真面目：完整项目通过率仅27% | 上交大新基准
多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。
生产级Prompt自动化推理评估A/B实验结果的工程实践
本文围绕生产级Prompt自动化推理评估A/B实验结果展开，介绍系统背景与痛点，展示主Prompt和决策树，用deepseek - r1等模型推理。通过分析Bad Cases优化Prompt，总结设计原则和迭代方法，还给出通用启示与展望。
感觉这次扣子 2.0 触碰了模型和工程的天花板
2026 年，真正好用的 AI Agent 应能拆解目标、推进过程和交付验收。扣子 2.0 正式发布，从“给指令的工具”变为“能干活的工作伙伴”，有技能和长期计划两大核心升级，还具备扣子编程功能，拓宽了 AI 能力边界。
微调已死？Agentic上下文工程登场，无需微调实现模型进化
斯坦福大学等团队提出 Agentic Context Engineering 技术，让语言模型无需微调自我提升。它将上下文视为作战手册，引入三种协作角色与三项创新，实验显示其在两类任务上表现优异，成本和延迟显著下降。
OpenAI核心研究员：比提示词工程更重要的，是spec-writing
OpenAI研究员Sean Grove在AIEWF 2025演讲提出，程序员最有价值技能是向AI传达意图，完善规范是含完整意图的「源代码」。他还分享软件工程看法，涉及规范执行、模型训练等内容。