最新

此集成方案允许使用托管的 Prime Intellect 评估 + 训练管道和 Browserbase 上的无头浏览器基础设施，对浏览器代理进行可扩展的评估和训练，从而利用 LoRA 对浏览器代理进行强化学习训练。

我想，和你们许多人一样，我一直在同时切换多个 Claude Code/Codex 会话，管理多个代码库中的多条工作线和工作树。我希望有一种方法可以轻松管理多条工作线，并减少我需要提供的输入量，从而让这些智能体尽可能地将我从流程的瓶颈中解放出来。因此，我构建了一个用于 AI 编码智能体的编排工具： Optio 是一个开源编排系统，它使用 AI 编码智能体将工单转化为已合并的拉取请求。你只需将其指向你的代码库，它就会处理整个生命周期： - 接收 — 从 GitHub Issues、Linear 中提取任务，或手动创建任务 - 执行 — 为每个代码库启动隔离的 K8s Pod，在 Git 工作树中运行 Claude Code 或 Codex - PR 监控 — 每 30 秒监视 CI 检查、审查状态和合并准备情况 - 自我修复 — 在 CI 失败、合并冲突或审阅者更改请求时自动恢复智能体 - 完成 — 压缩合并 PR 并关闭链接的 issue 关键在于反馈循环。Optio 不仅仅是运行一个智能体就置之不理——当 CI 失败时，它会将失败反馈给智能体。当审阅者请求更改时，评论将成为智能体的下一个提示。它会一直运行，直到 PR 合并或你告诉它停止。 使用 Fastify、Next.js、BullMQ 和 Drizzle on Postgres 构建。随附用于生产部署的 Helm Chart。

我一直将 eforge 称为一个“智能”构建系统。传统的构建系统将源代码转换为工件——而 eforge 将规范转换为源代码，然后验证其自身的输出。 我构建它的原因是我厌倦了将编排逻辑记在脑子里——为盲审生成一个单独的会话，切换回实现会话以评估结果，然后决定下一步构建什么。我为各个部分都配备了插件，但排序仍然需要我自己来完成。我想要一个能够处理整个循环的工具，并且这个工具在各个项目中都通用，而不是硬编码到特定的代码库中。 你给它一个规范——一个提示、一个计划文件、一个产品需求文档（PRD）——然后 eforge 会根据你的代码库评估复杂性，选择一个工作流程（简单的更改走快速通道，复杂的更改分解成子计划的依赖关系图），在隔离的 git 工作树中构建、审查和验证——所有这些都无需人工干预。 我实际使用它的方式是：我在 Claude Code 中交互式地规划一个功能，然后运行 `/eforge:build`。插件会获取计划，将其加入队列，然后一个守护进程接管。 eforge 从队列中提取计划，理解它们之间的依赖关系，在可能的情况下并行执行，并按拓扑顺序合并。排队的工作在执行前会重新评估，以便考虑早期构建的更改，而不是盲目地应用于已经发生变动的代码库。当构建完成后，我会检查结果——一个 Web 监控仪表板实时跟踪进度、成本和令牌使用情况。 eforge 也是这样构建自身的。 每个构建阶段都有自己的智能体——规划者、构建者、审查者、评估者、修复者。审查者在一个全新的环境中运行，对代码的编写方式一无所知。Anthropic 的工程团队独立地得出了相同的模式（<a href="https://www.anthropic.com/engineering/harness-design-long-running-apps" rel="nofollow">https://www.anthropic.com/engineering/harness-design-long-ru...</a>）——他们的发现是：单独的智能体批准自己的工作；对抗性评估显著提高了质量。然后，评估者会应用每个代码块的裁决，接受严格的改进，同时拒绝任何改变意图的内容。

假设一个拥有高强度身体（比如由钛合金制成）的 AI 机器人，如果明天就获得了意识和情感，它应该被赋予人类权利吗？