今天选择两篇原始发布于 2026 年 11 月 9 日与 11 月 3 日的工程研究与产品实验。Anthropic 把 Coding Agent 推向更大、更长的软件系统任务;OpenAI 则把 Agent 接入 CAD、PCB、固件和制造流程,尝试交付可触摸的实体产品。两者共同强调:Agent 的能力不应停留在生成代码或漂亮演示,而要接受下游工程约束和独立检验。

1. Claude Fable 5.2 and Mythos 5.2

推荐理由: 值得关注的不是又一个模型排行榜,而是 Anthropic 公布的长时任务执行样本:生产服务迁移、千余子代理协作构建系统软件,以及用代码维护者是否愿意合并修改来衡量能力。这些细节提示未来 Software Factory 要同时衡量任务完成度、成本、审查负担和可运行产物;但文中的案例和部分评测来自模型提供方,不能视为独立复现。

3 条核心要点:

  1. 将评测目标对齐到可合并的软件变更。 官方报告,在 FrontierCode 2.0 上,Fable 5.2 于 High effort 得到 45.3%,约等于 Opus 5.5 最佳设置的 45.5%,同时单题成本约为后者一半;Xhigh effort 达 49.1%。该基准关注修改是否会被开源仓库维护者接受,比只检查生成代码能否编译更接近真实交付;但成绩受评测设置与成本口径影响。
  2. 长时系统任务展示了 Agent 编排能力,也暴露了验证需求。 Anthropic 称一组早期 Fable 5.2 代理将关键生产服务从 Python 迁移为 Rust,启动速度约为原来的 26 倍;另一项实验中,模型从空目录出发,在约 8 天中协调 1,000 多个子代理,产出可在笔记本启动、包含驱动、文件存储、图形窗口和登录功能的操作系统原型。它们是具体工程案例,而非说明所有迁移或系统开发都具备相同成功率。
  3. 将模型角色与任务复杂度匹配,而不是让最强模型接管一切。 发布材料建议一般编码先用 Opus 5.5,将 Fable 用于更困难、开放的任务;也可让 Fable 担任向小模型派活的 Orchestrator,或被其他模型按需咨询的 Advisor。Fable 与 Mythos 使用同一基础模型,但面向不同敏感领域的访问和防护边界不同。复杂任务需要同时记录模型选择、实际执行轨迹与最终验收证据。

核心启示: 长时多 Agent 协作把「能否生成代码」变为「能否完成可合并、可运行、可审核的系统变更」。发布方的内部案例和分数提供研究线索,但不足以代替跨项目、跨模型的独立回归评测。

2. Accelerating engineering for the physical world

推荐理由: 这是一条与传统 Coding Agent 不同的交付路径:模型既要生成软件,还要处理电路连接、机械公差、器件封装、制造图纸和外部仿真工具。文章包含实物原型与失败边界,比仅展示自动生成 3D 图片更适合思考 AI-native 产品及工程工具链将如何形成反馈闭环。

3 条核心要点:

  1. 从自然语言需求走向真实硬件,但制造可行性仍是硬边界。 OpenAI 使用 GPT-6 Astra 定义一个与 Codex 对话设备的功能需求、外壳和内部结构、PCB 元件与连线、界面、固件及软件集成。两名团队成员在不足一周内完成设计测试,代工厂在不足一个月内制作小批量原型。不过模型未能稳定满足制造限度、公差与装配细节,进入生产前仍需多轮人工审查和修改。
  2. 完整反馈链横跨 CAD、ECAD、仿真与组织协作。 内部团队使用 Codex/ChatGPT 生成和修改 CAD、从 3D 转换制造用 2D 图纸、设置有限元分析(FEA),并检查跨专业设计冲突。自 2026 年 2 月以来,硬件团队模型 Token 使用量增长 23 倍;这反映采用规模,不是生产率提升 23 倍。外部案例包括从扫描件重建可编辑 CAD,以及为汽车外形提出变化后运行气动仿真。
  3. 建立任务指标,但不要把局部基准当作全生命周期验收。 BenchCAD 2.0 检查 3D 零件/装配重建和电路连接识别;文章报告较新的内部模型平均分 0.875,GPT-6 Astra 最高推理设置为 0.594。该指标没有覆盖采购、制造良率、装配可靠性与实际安全性。因此 OpenAI 让行业工程师审查正确性及可制造性,保持人类对最终成果的验收权。

核心启示: AI-native 工程 Agent 的交付物可以是 CAD、PCB、可运行固件甚至实物;验收不能只靠模型或代码测试,必须连接仿真、制造限制、人工审图与现场结果。

今日思考

两篇文章处理的是同一问题的两种极端:

  • 软件系统: 长时运行、子代理协调与跨语言迁移使可观察性和独立审查变得关键。
  • 实体产品: 生成代码只是其中一环,尺寸、公差、电路连接、成本与制造约束都能否决一个表面上完成的方案。

一种有用的交付模型是:

Intent → Domain Constraints → Agent / Tools → Executable Artifact → Independent Evaluation → Human Acceptance

值得追问的不是「Agent 最多能干多少小时」,而是:交付物如何定义完成,验证器与生产环境相隔多远,失败时能否追溯最初的假设?

两篇均为原始机构发布的案例与评测,统计数字来自各自官方材料;本文区分了可观察的工程成果、内部基准与尚未被普遍验证的能力边界。