Claude开发者分享两种多智能体模式Advisor与Orchestrator的实战数据
官方团队分享了两种省钱的混搭模式：用便宜的Sonnet 5跑大部分任务，偶尔让贵的Fable 5把把关，性能损失不大但预算砍半。
#SWE-bench
共 50 条 · 7 天 8 条 · 30 天 26 条
7月8日
6月29日
GitHub Copilot agentic harness 基准测试：性能持平但 token 更省
GitHub 实测了 Copilot 智能体框架，五个基准上不输原生，还省 token，支持 20 多种模型，值得试试。
6月18日
6月13日
6月11日
Claw-SWE-Bench：评估OpenClaw风格智能体编程能力的基准
做智能体编程评估的团队终于有了公平比较的基准——Claw-SWE-Bench解决了不同框架无法直接对比的痛点，建议做Agent评估的开发者直接用它来测试自己的适配器设计。
6月9日
MetaAI 递归自设计：从 0 到 1 再到 N 的可复现工程证据
做 AI 自我改进研究的团队终于有了可对照的评估框架——DGM 的 80 轮迭代提升数据值得参考，建议用 MetaAI-Mini 协议复现验证。
6月8日
AGENTS.md 对 Coding Agents 效果微弱，成本显著上升
这篇论文戳破了 AGENTS.md 的神话——自动生成不仅没用还更贵，手写提升也有限。做 Coding Agent 工具或维护大型仓库的团队，看完会重新评估是否值得投入 context file。
Socratic-SWE：通过历史追踪自我进化的编程智能体
Socratic-SWE 解决了智能体训练数据依赖人工标注的瓶颈，做 AI 编程或智能体开发的团队可以直接借鉴其闭环进化思路，提升模型在真实仓库中的修复能力。
5月23日
5月13日
Claude 3.5 Sonnet 在 SWE-bench Verified 上刷新纪录
Claude 3.5 Sonnet 在 SWE-bench 上的突破意味着 AI 编程助手离真正解决复杂工程问题更近了一步，做软件开发的团队可以关注这一能力提升对日常代码修复和功能开发的潜在影响。