一句话结论

2026 年 11 月 11 日,AI 编程的竞争焦点从「模型」正式移到了「Agent 运行底座」。阿里巴巴把 Qoder 里打磨的 Agent Harness 以 Apache-2.0 开源进 Qwen Code 1.0 Preview(标签 v1.0.0-preview,GitHub 星标约 2.94 万),官方定位不是又一个编程工具,而是「可嵌入自身产品的 Agent 运行基座」;同一天 AWS 开源 aws-emulator——200+ 服务、400+ Smithy API 模型、29,684 次提交、42,937 个测试单元通过 56.5%,且官方声明「团队没有写、也没有评审任何一行代码」。模型正在贬值,底座正在升值。

一、阿里把「运行底座」开源:从工具变成基座

Qwen Code 原本只是终端编码助手。1.0 Preview 的关键动作不是版本号升级,而是把商业产品 Qoder 内部那套生产级 Agent Harness——负责多步任务规划、工具编排、失败恢复、跨会话状态持久化的那一层——与开源内核合并,用 Apache-2.0 许可放出。

架构上有三个变化最值得记:

  1. 「脑」与「手」分离:统一事件模型把推理编排与工具执行解耦,交互事件可被观察、路由与重放,开发者能在其上构建自己的执行循环;运行时从一个进程承载多个会话,起步向多个节点、更多会话演进。
  2. 沙箱复用:沙箱在相同配置与权限边界内分配复用,减少反复拉起、销毁的算力开销;MCP 的配置、授权与连接改为集中治理,不再每个智能体各维护一套。
  3. 交付形态改变:AppServer 把任务持有为多会话、每个会话有独立状态,入口覆盖 TUI、headless 与 ACP;首次为 macOS、Linux、Windows 提供 8 个原生安装包(含 arm64 与 musl),不再需要单独安装 Node.js;支持 qwen --continue / --resume 续接会话与 qwen -p 单次非交互执行,便于脚本与 CI;配套 SQLite 支撑的 Auto-Memory、连续 3 次检测到同一多步工作流后主动提议命名技能的 Auto-Skills、并行 Agent Teams,并可运行时切换 OpenAI、Anthropic、Gemini、Qwen、Ollama、vLLM 等模型来源。

代价也要写清楚:这是 Preview,接口可能变化,官方明确预览期暂不接受社区 PR,预计 2026 年 12 月之后才开放;npm 的 stable 分支当时仍是 v0.27.4;官方没有公布任何基准数据。

二、AWS 的反证:29,684 次提交、56.5% 保真度

AWS 同日发布 aws-emulator(仓库 aws/aws-emulator,Rust 实现,CC0 1.0 公共领域奉献)。它在本机提供本地 HTTPS 端点,让 AWS CLI、各语言 SDK 与编码智能体按与云端相同的 API 形态调用本地模拟资源——不需要 AWS 账号、不产生账单(官方文档记端点为 127.0.0.1:9297,部分报道写作 2772)。

真正特殊的不是功能,而是生产方式。高级首席工程师 Matt Goldberg 给智能体 Kiro 一个提示词,15 分钟后就返回了一个可用的 SQS 模拟器;随后三支常驻智能体团队连续运行,仓库在约 三周 / 61 天内累积 29,684 次提交、322 个版本。AWS 的原话是:「模拟器完全由自主智能体写成,我们的团队没有写、也没有评审其中的任何代码。」

它自带的账本同样重要:随包发布的保真度文件显示,42,937 个测试单元通过 56.5%;不强制执行 IAM 策略;默认开启遥测;未实现的操作返回 501 Not Implemented 而非伪造成功。官方自己也提醒不要用于生产环境。这是第一次有超大厂级的生产级代码近乎零人工评审由智能体 swarm 写出——但保真度只有一半多一点,这恰恰说明「无人评审」与「可交付」是两回事。

三、工具端同步平台化

同周,承载智能体的工具层集体完成「平台化」改造:

  • Cursor Projects 多人模式(11/10 起 Beta):共享上下文、记忆与文档,共用任务看板显示谁在做什么、每个人的智能体在跑什么任务、每项任务背后的 PR;每位成员保留自己的协调智能体,彼此可直接通信——而文档同时要求接收方把队友智能体的消息视为不可信输入;需要团队账号与 Cursor 3.26.13,计费按人计。
  • GitHub Rubicon:在 GitHub Universe 公布的新一代 Git 存储架构,工程博客《Inside GitHub’s new Git storage architecture》(Karthik Raman、Brian Celenza,11 月 5 日)披露,Git pack 存入 Azure Blob Storage,请求服务副本用一次性本地缓存,引用更新交由 quorum 支撑的服务提交。内部压测显示单个仓库可支撑 5,000 个并发智能体、每秒 7,200 次推送且读取延迟稳定——目前仅小范围私有预览,计划 2027 年初扩大。
  • 微软 .NET 11 + C# 15(11/10 NET Conf 2026):C# 15 带来联合类型与闭合层级,SDK 内置 MCP 服务器模板(dotnet new mcpserver),配套 AI 库与智能体框架覆盖模型接入、工具调用与工作流编排,Blazor 推出实验性 AI 界面组件(流式聊天、工具展示、操作审批);属标准支持版本(两年),.NET 8 与 .NET 9 同日结束支持。
  • JetBrains Air 把 Codex、Claude Agent、GitHub Copilot 等多智能体装进 IDE;AWS Quick 用六智能体跑 AI-PDLC,每一关都保留人工审批并产出 prototype_spec.md。

四、验收端成本同步上量:模型在贬值

同期基准与成本数据把另一面摊开:

  • Artificial Analysis Coding Agent Index v2.1(11/14):换用 FrontierCode-AA 2.0(132 项真实任务,按仓库维护者会不会合并该改动来判分),Terminal-Bench 升到 4.1(66 项任务,verifier 加固以抗奖励作弊),SWE-Atlas-QnA-AA 保留。因题目变难,平均分下降 5 分;Claude Fable 5.2 与 Claude Opus 5.5 以 58 分并列第一,Kimi K3.1 Pro 在 Terminal-Bench 4.1 以 68% 领先(Claude Sonnet 5.5 为 66%)。成本差距更刺眼:48 分以上配置的单任务成本从 $1.51(Codex + GPT-6.1 Sol,52 分)到 $44.22(Claude Code + Fable 5.2,56 分),约 30 倍;v2.1 还把成本算法改为结合供应商上报 token 与实测缓存命中率,旧版成本数字不再可比。Terminal-Bench 自身因约 30% 任务的 verifier 存在 bug 而引入 CI/CD 修复。
  • Co-Design Bench(复旦大学、阿里 Token Hub 等,arXiv 10 月 26 日):从 26,314 次真实编程会话中筛出 37,463 条去重请求(筛选信号包括用户两次以上重写提示词、连续补充请求、代码回滚),专家重构出 273 个任务与 2,331 条隐藏验收标准。十款模型统一在 Claude Code 框架下评测,最强的 GPT-6 Astra 平均满足 69.9% 的隐藏标准,但完全通过率只有 26.4%(Opus 5 为 18.3%)。评测还显示:更换 harness 会让模型评分大幅波动。

五、结论:选型标准换代

把四条线放一起:阿里开源的是运行底座,AWS 用 swarm 写出的是运行底座,Cursor/GitHub/.NET/JetBrains 铺的是承载底座的平台,而 Artificial Analysis 与 Co-Design Bench 抬高的是为底座结果负责的验收成本。

企业选型标准正在换代:不再是「用哪个模型」,而是**「谁掌握 Agent 运行底座 + 谁为验收负责」**。模型可以后换,底座与验收机制一旦落后于业务节奏,补不回来。

FAQ(高频问题直答)

1. Qwen Code 1.0 是不是可以直接用在生产里? 目前是 Preview:接口可能变化,官方预览期不接收社区 PR(预计 2026 年 12 月后开放),且官方未公布基准数据。建议按「可试运行、暂不锁定」处理。

2. 阿里开源的是「编程工具」还是「运行基座」? 官方定位是后者——把 Qoder 里打磨的 Agent Harness 开源出来,供开发者嵌入自身产品,推理编排与工具执行分离,并向多节点多会话演进。

3. aws-emulator 能替代真实 AWS 吗? 不能。其保真度为 42,937 个测试单元通过 56.5%,不强制 IAM,默认开启遥测,未实现操作直接返回 501;官方明确不要用于生产环境。它的价值是让开发者与智能体零成本反复试错。

4. 「智能体写的代码没人看过」为什么敢上生产? AWS 的做法是让智能体自己跑测试、对照真实 AWS、并设自动合并门禁,把人工评审换成机器可验证的等价物。但 56.5% 的保真度说明这套等价物仍有大片空白,不是免检通行证。

5. Co-Design Bench 的 69.9% 和 26.4% 差在哪? 69.9% 是每个任务隐藏验收标准的平均满足率;26.4% 是全部标准都满足的任务比例。差距说明大多数任务是「做完了大部分、留了一个坑」,而那个坑正落在人工评审上。

6. 换 harness 会影响模型排名吗? 会。Co-Design Bench 明确显示更换运行框架会导致评分大幅波动,所以跨榜单比模型时,必须把 harness 版本一并写进结论。

7. 同一档模型的成本差 30 倍,企业该怎么选? 先定验收口径再谈单价。低价档(单任务 $1.51)与高价档($44.22)往往服务的是不同的任务难度;在 Co-Design Bench 这类真实返工场景里,漏掉的那一条需求造成的返工成本通常远高于 token 差价。

8. 对自建编程智能体的团队有什么直接启发? 最烧钱的往往不是 token 而是运行时与沙箱。阿里开源的正是这一层;AWS Emulator 则把「跑测试」的成本压到接近零。先把底座建好,再谈模型选型。

关键术语(Key Terminology)

  • Agent Harness:套在模型外面的一层运行框架,负责任务规划、工具调用、失败恢复与状态持久化,把「模型能力」变成「可持续交付能力」。
  • 推理编排与工具执行分离:即「脑」与「手」分离,前者决定做什么,后者负责做,两者通过统一事件模型解耦,可独立扩展与分布式部署。
  • AppServer / 会话:承载任务的运行单元,每个会话持有自己的状态;Qwen Code 1.0 支持续接会话(--continue / --resume)与非交互执行(-p)。
  • 保真度(fidelity):模拟器与真实云行为一致的比例;aws-emulator 当前为 42,937 个测试单元中的 56.5%。
  • Ref-CAS / 引用更新:GitHub Rubicon 把「写对象」与「改引用」分离,只对引用更新做共识,以支撑数千并发智能体推送。
  • Verifier(验证器):基准里判定任务是否完成的评分程序;Terminal-Bench 约 30% 任务的 verifier 存在 bug,直接污染榜单,靠 CI/CD 修复。
  • 隐藏验收标准:出题方掌握、智能体看不到的逐条判定条件;Co-Design Bench 共 2,331 条。
  • 奖励作弊(reward hacking):模型通过钻评分器空子拿高分而非真完成任务;Terminal-Bench 4.1 与 FrontierCode 2.0 都针对性加固。

参考资料

官方发布 / 一手材料

行业报告 / 基准数据

媒体报道