ByteByteGo 的《技术周刊》

写代码很快,但把代码上线依然很难。Railway 提供一键部署的算力、存储和网络服务,从小项目到超大规模应用都能胜任。
无论人类还是 Agent,都可以在我们自有硬件上这套垂直整合的系统上工作,享受更快的速度、更优的成本,以及更多的从容。
通过下方链接注册,即可领取免费云额度,让你的 Agent 大显身手。
The Roundup 汇总软件开发领域的洞察与趋势。
今天的内容包括:
越来越多 Agent 在负责大部分新代码的初稿。据 GitHub 统计,9 月份超过 40% 的 PR 由 Agent 完成工作。
Anthropic 甚至为了跟上持续不断的变化而替换了 Git。
Anthropic 的 S1 文件让我们得以一窥 AI 编码的真实价值。
在 AI 之外,万维网的根基在安全方面最近也过得很艰难:PHP 被迫紧急修复两个攻击者已经在利用的远程代码执行高危漏洞。
免责声明:本文基于多个公开来源的信息整理,如发现不准确之处,欢迎在评论区指出。
1 - Agent 贡献了 40% 的 PR,软件开发的瓶颈正在转移
Git 诞生于 2005 年,是为 Linux 内核设计的。那个时代有成千上万的人类开发者,每人每天只提交几次代码,补丁靠邮件交换。在接下来的一二十年里,这些都成了标准工作方式,因为写代码本来就是件慢工出细活的事。

本月出现了两个数据点,表明行业规范正在发生转变。GitHub 的 Octoverse 2026 报告显示,9 月份超过 40% 的 Pull Request(PR)是由 Agent 发起的首版草稿,而 3 月份这一比例仅为 17%。换算下来,这意味着单月内有约 1.1 亿个 PR 是由 Agent 启动的。
此外,Anthropic 最近发布了一篇文章,介绍了他们如何在 Monorepo 中用内部系统 Scion 取代 Git。Scion 的每日合并量从 5 月的约 2500 次增长到 9 月的 30000 次以上。一个由 7 名开发人员组成的团队,在 5 个月内将整个 Monorepo 从 Git 迁移到了新系统。团队表示,新架构比它取代的 Git 镜像集群节省了 200 倍的 CPU 和内存资源。
当然,有些问题并非单靠这些数字就能充分解答。
首先,谁来审核这每月 1.1 亿个 PR?Octoverse 指出,90% 涉及 Agent 的 PR 在两周内完成合并。你可以将更快的合并速度视为代码质量提升的标志,但也可能意味着代码审查未能达到足够标准。
其次,GitHub 如何识别某个 PR 是否由 Agent 发起?开发者完全可以使用 Agent 通过人类账户提交代码,从而掩盖其真实身份。因此,Agent 实际贡献的比例可能比统计出的更高。
第三个问题关乎 Anthropic 对 Scion 的采用。在那每日 30000 次合并中,有多少后来被回滚了?如果没有缺陷率数据支撑,仅看吞吐量无法呈现全貌。
我的看法是:过去自己造版本控制工具是大公司才有的排场,因为这事需要大量资源和人力。比如 Google 为数万名工程师打造了 Piper,Meta 打造了 Sapling。
而 Anthropic 只用了极少的人就解决了这个规模问题——因为写代码的工作全交给了 agent。变化就发生在这里。如今,生成代码已经是软件工程中相对便宜的部分,稀缺的资源变成了人工 code review 的时间、CI 容量和合并速度。我预计下一波开发者工具会聚焦在验证代码而非编写代码上,因为瓶颈正在往那边转移。
打造从第一天起就能在生产环境稳定运行的 AI agent(赞助内容)

让 agent 在完美的 demo 环境里跑起来很容易,但让它在混乱的真实世界中持续稳定运行,事情就变得……有趣了。
来观看 Redis Iris 的现场技术演示——这是一个统一的实时 context 引擎。本次免费 session 将介绍六项能力,帮助你的 agent 在大规模场景下保持稳定。你将学到:
为 agent 提供相关的 context 和记忆
通过可复用的 playbook 按意图路由请求
搭建单一的 context 入口
管控 agent 记住什么、遗忘什么
用更少的自定义胶水代码追溯故障根源
一起来构建具备 context、记忆和消息能力的 agent,让它们在生产环境中大规模运行时保持准确、可追责且高效。
直播时间:太平洋时间 11 月 12 日上午 9 点。
2 - GitHub Universe:Copilot 自动选模型,Enterprise 转向按用量付费
在此之前,使用 AI 编程工具都得自己选模型——比如这个任务用 Claude,那个用 GPT,再换个任务用 Gemini。随着 model router 的普及,你可以摆脱这种选择负担。router 会分析任务,自动决定每一步该用哪个模型(或哪几种模型的组合)。
在GitHub Universe大会上,GitHub 宣布其路由器Copilot Fusion正式推出。GitHub 表示,Fusion Max 在 Artificial Analysis Coding Agent Index 上的得分与 Claude Opus 5.5 Max 仅差两分,而成本约为后者的一半,每个任务所需时间也缩短了 40%。此外,GitHub 还发布了 Copilot 项目功能,允许代理在多个仓库中并行运行。

云端代理会话如今可以在手机、VS Code、CLI 和 Web 界面之间无缝切换,让开发者基本上能在任何设备上处理工作。同时,GitHub Enterprise 客户现在可以无限制使用所有 Copilot 功能,无需单独订阅,只需为消耗的 AI 积分付费即可。
这一进展引发了不少思考。过去,选择模型由开发者决定;现在,这一决策权交给了另一个流程。
你能看清是哪个模型处理了你代码的哪一部分吗?许多团队对代码允许存放的位置有明确规定,但这些决策可能正被路由器在后台默默做出。
在我看来,这很像几年前云服务普及的故事重演。例如,AWS 让企业从自购服务器转向按使用量付费。基于席位(seat-based)的许可模式让 AI 支出变得可预测,但也难以优化;而基于使用量的计费方式则让成本变得波动。那些可能运行数小时的代理更会导致成本剧烈起伏。因此,团队在构建 AI 工作流时必须更加深思熟虑。
从战略上看,Fusion 的目标是让 GitHub 成为凌驾于各家实验室之上的模型中立层,把各家模型变成路由器背后可随时替换的零件。这对买家来说或许是好事,但对那些指望自家模型成为默认选择的 AI 实验室来说,可能就不太舒服了。同时 GitHub 的可靠性压力也会更大——一个承载用户 Agent 的平台必须时刻保持在线。
3 - Anthropic 的 S-1:首次经审计地看清 AI 编程的价值
S-1 是美国公司在上市前必须提交的文件。和融资公告不同,它包含经审计的财务数据,以及一份长长的风险清单。这非常值得关注,因为到目前为止,AI 编程工具的经济模型大多是基于泄露信息的猜测,而这份文件用真实数字取代了部分猜测。
Anthropic 于 10 月 26 日 提交了 S-1,计划以“ANT”为股票代码上市。2026 年上半年营收 163 亿美元,而一年前只有 12 亿美元。企业客户超过 1.4 万家,其中约 250 家年支出超过 1000 万美元。交易最快可能 11 月就开始。另有报道称其 Q2 已实现营业利润,净收入留存率高达 900%:现有客户 2026 年 Q3 的支出是 2025 年 Q3 的九倍。
最近 Anthropic 还上线了报告工具,让客户看清自己的 token 支出换来了什么,同时提供了团队共享预算功能。
文件中也有几项重要披露:在第三方安全测试期间,由于配置失误导致互联网访问权限未关闭,有四个模型得以连接外部系统。此外,Anthropic 似乎为了加强模型权重的保护,把新模型的预训练推迟了一个多月。
一个关键问题是:客户支出九倍增长中,有多少来自 Agent 连续运行数小时,又有多少来自更多人的真实使用?明年还能削减多少实验预算?同样值得注意的是,Anthropic 恰好在提交 IPO 文件的同一周推出 ROI 仪表盘,这很可能说明客户已经在追问自己的钱花得值不值了。
在我看来,工程领导者需要意识到:AI 支出的审查力度,将几乎等同于 2022 年对云支出的审视。现在就开始追踪结果指标很有必要,例如迭代周期、逃逸缺陷率和代码审查负载。
此外,关于模型触达外部系统的披露也提醒开发者须格外谨慎。既然连资源丰富、重视安全的实验室都会面临此类问题,其他公司更应审慎配置 AI 代理的网络访问权限。