Cognition发布SWE-2，代码模型成本降低64%

今天的 AI 热点，最值得程序员关注的是：代码生成越来越快，证明任务完成、控制执行权限、保留工作状态，却仍然需要团队自己补齐。模型榜单上的成本下降，也不能直接兑换成项目交付提速。围绕 2026 年 9 月 13 日这批信息，本文提炼三条工程主线：怎样让 AI 编程形成验收闭环，怎样让后台 Agent 持续工作，以及怎样识别模型、工具和研究结论的适用边界。读完后，你可以用一组具体指标，检查自己的工作流究竟省下了时间，还是把工作转移到了审查与返工。

今日主线

第一条主线：AI 编程的可靠性，正在取决于“完成”如何被定义和验证。

信号来自不同层面的工具设计。Loomwright 把简报、文件影响和子任务放在执行之前；KIRA 要求运行时收到真实工具结果，才能报告操作完成；跨 AI 协作文章进一步区分 DONE、VERIFIED 与接收方验收。这些设计共同指向一个问题：模型说“做完了”，与团队接受交付之间，还隔着证据检查。Loomwright 作者实践、KIRA 作者介绍、跨 AI 交接实践

工程影响很直接：团队需要给任务附上验收条件、证据位置和验证环境。编辑判断是，接下来最有价值的编程提效指标，会包括验收通过率和人工复核时间。验证方法也很朴素：选一批相近任务，对比“直接执行”和“先约定验收”两种流程的返工次数。小型文案修改未必需要完整计划，跨模块改造则更值得支付这笔前置成本。

第二条主线：后台 Agent 的产品能力，开始落在状态、恢复与交接上。

Pizza Bot 将已完成待审阅的工作和等待用户决策的工作放进不同收件箱；上下文工程文章把压缩、记忆、预算和待办状态列为长任务的关键机制。一个处理用户如何接手，一个处理运行时如何继续，两者共同说明：对话窗口之外的状态管理，已经成为 Agent 系统的重要组成部分。MarkTechPost：Pizza Bot、MarkTechPost：上下文工程

交接文章提供了另一份独立证据：即使各工具都能维持自己的上下文，任务状态也不会自动、无损地迁移给下一个工具。跨 AI 交接实践

这意味着 AI 办公提效不能只测一次回答有多快，还要测任务暂停后能否恢复、接手时需要补充多少信息。需要验证的假设是：增加持久化和审批界面，能否真正减少人盯着 Agent 的时间。后台运行本身并不保证收益。

第三条主线：模型能力和接入能力，必须分别评估。

据报道，SWE-2 在 FrontierCode 上接近 Fable 5.1，但在 Terminal-Bench 4 上差距明显；Iris 团队则强调，上下文管理可能显著影响搜索 Agent 的测评结果。与此同时，MCP 契约测试作者报告，大量受测工具缺少足够严格的输出约束。MarkTechPost：SWE-2、The Decoder：Iris、mcp-drill 作者测试

工程影响是：采购和选型至少要拆成任务表现、工具可靠性、交付成本三项。编辑建议是在相同任务、工具权限和验收条件下测试，统计每个被接受结果的成本。榜单可以帮助缩小候选范围，但暂时不能证明某个模型适合你的仓库。

AI 编程与工程实践

先写清楚验收，再讨论并行多少个 Agent。

Loomwright 的实现思路具有代表性：先形成包含可行性、文件影响和子任务的简报，再由 Supervisor 执行；Worker 在 git worktree 中工作，重叠文件等待，有序处理合并。作者描述的默认交付边界是审阅后的 PR，而非静默合并。素材同时提到受信任门禁约束的可选自动合并，因此不宜把默认行为扩写成“任何配置下都绝不合并”。Loomwright 作者实践

对前端团队来说，“完成租户切换”就是一个容易失控的需求。实现者可能改完导航和请求参数就结束了，但验收还可能涉及旧数据是否残留、切换失败如何回退、刷新页面后租户状态是否一致。

这些是编辑建议的验收维度。把它们提前写出来，才能判断任务是否可拆分：界面调整和接口适配可能并行，状态模型与缓存策略则需要先达成一致。worktree 可以隔离工作目录，却无法替团队解决两份实现对业务规则的不同理解。

跨工具交接也需要同样的约束。交接文章提出 WORK → HANDOFF → ACCEPTANCE → WORK，接收方先确认关键文件、URL 和测试结果，再继续执行。跨 AI 交接实践

可以将这个思路压缩成一份交接记录：

目标：本次要交付的用户行为
状态：已实现 / 已验证 / 待验收
变更：提交或文件位置
证据：测试结果、产物位置、验证环境
未完成项：阻塞原因及影响
下一步：接收方首先需要确认什么

这里的关键取舍是验证强度。并非所有任务都必须在生产环境验证，但每份证据必须说明环境。开发环境通过、测试环境通过和生产环境通过，代表不同的交付状态。

规则文件适合传递约定，强制执行需要明确的机制。

Claude Code 扩展实践区分了三种用途：Hook 由事件触发，Skill 为模型提供按需使用的知识和流程，Subagent 使用独立上下文处理工作。作者踩过的坑是，把“总要运行 linter”写成 Skill，结果模型有时跳过。Claude Code 扩展实践

另一篇项目审计文章列出四类反复出现的问题：查询缺少租户隔离、敏感值比较方式不当、数据库事务中包含第三方网络请求，以及使用浮点数计算货币。作者用可注入的规则文件约束这些行为，但素材没有提供规则注入前后的独立效果测量。AI 辅助项目审计

把两篇放在一起，合理的工程动作是：规则负责提醒，测试与门禁负责验证。比如租户隔离需要用跨租户访问用例检查，金额计算需要边界样例，事务范围需要审阅执行路径。单纯增加提示词长度，很难证明这些问题已经消失。

Hook 也有适用边界。事件触发确定，并不意味着命令一定正确执行、覆盖全部修改，或者失败后一定阻止后续动作。接入后应故意制造一个违规变更，确认门禁确实生效。

工具返回成功，还要追问成功覆盖了什么。

KIRA 把真实工具结果作为报告完成的前提。这比仅凭模型生成的陈述更接近可审计流程，但 MCP 测试揭示了下一层问题：工具可能返回格式正确、内容却无效的结果。KIRA 作者介绍、mcp-drill 作者测试

mcp-drill 作者称扫描了 31 个服务器、265 个工具，报告约 3% 的受测对象具备能拒绝其腐化响应的契约。需要保留统计边界：摘录中的百分比分母不够明确，不能改写成“只有 3% 的 MCP 服务器可用”；测试针对的也是特定故障模式，并非整个服务质量。

对开发者更有用的是复现失败场景：缺失关键字段、响应截断、未知工具名、超时，以及结构正确但业务状态不合理的返回。Schema 可以验证部分结构约束，内容是否真实、操作是否完整，仍需要业务检查。

AI 办公与生产力

办公 Agent 的交付界面，应当让用户一眼看出哪里需要接手。

Pizza Bot 把线程分成 All、Unread 和 Action：分别承载历史、已完成待审阅的结果，以及等待批准或回复的任务。它支持手动、cron 和 webhook 触发，并通过 LangGraph checkpoints 保存线程状态与审批暂停点。MarkTechPost：Pizza Bot

这与交接实践中的 ACCEPTANCE 层相呼应。会议准备、研究资料整理、邮件草稿生成，都需要一个明确的接收时刻：用户检查结果，决定接受、补充信息还是退回修改。将这些状态混在聊天记录里，用户就得自行重建任务进度。跨 AI 交接实践

后台运行还有部署边界。Pizza Bot 的报道明确区分客户端断开与嵌入式服务器退出：前者不会停止服务器工作，退出桌面应用则会停止其嵌入式服务器并结束活动运行；检查点保留线程，但执行中的步骤可能丢失。要在桌面退出后继续工作，需要常驻后端。

因此，评估此类产品时，应安排一次中断演练：关闭窗口、退出应用、重启后端分别会发生什么？任务是否重复执行？用户是否能看见恢复位置？这些结果比“支持持久化”四个字更有价值。

记忆需要保留来源、时效和任务状态。

记忆实践介绍了滑动窗口、摘要和向量存储：窗口简单但会丢掉旧信息，摘要保留主线但损失细节，持久化存储用于跨会话检索。上下文工程文章则把待办状态和上下文预算单独列出，说明记住历史与持续追踪目标是不同工作。Agent 记忆实践、MarkTechPost：上下文工程

编辑建议将信息分开维护：稳定偏好、项目约定、当前任务进度和执行证据。摘要可以压缩讨论，却不应把“计划测试”压成“已经测试”。长期记忆也未必都需要向量数据库；选用什么存储，应由查询方式和更新要求决定。

对 AI 办公提效而言，错误记忆可能比缺失记忆更难发现。验证时应故意更新一条旧偏好或撤销一个决定，观察 Agent 是否仍沿用过时信息。

培训有效与否，需要落到具体任务。

法学课堂研究比较了禁止 AI、无指导使用和结构化培训三组。报道显示，2024 年有 66 名学生，2025 年有 164 名；无 AI 组两年均排名最后，但第二年各组表现已大致接近，培训优势明显缩小。The Decoder：课堂 AI 研究

这一结果可以与交接实践共同支持一个管理判断：团队既需要使用经验，也需要学会检查结果。但它不能证明程序员使用 AI 必然提效，更不能给出统一培训收益。课堂任务、软件交付和线上维护之间存在明显差异。

技术管理者可以借鉴研究的比较方式：用同类任务对照不同流程，同时记录完成时间、错误率和审阅成本，避免只收集“感觉更快”的反馈。

值得关注的产品与行业变化

SWE-2 的价格信号值得跟进，接入限制同样决定价值。

据 MarkTechPost 转述，Cognition 的 SWE-2 基于 Kimi K3 后训练，在 FrontierCode 1.1 Main 上为 50.0%，Fable 5.1 为 50.9%，相差 0.9 个百分点；报道引用的成本降幅为 64%。但在 Terminal-Bench 4 上，两者分别为 27.3% 和 55.8%。MarkTechPost：SWE-2

这些数字支持“部分测试接近、任务差异明显”，尚不足以支持全面替代。报道还指出，SWE-2 没有开放权重或独立 API，当时仅在 Devin Desktop 和 CLI 中运行。因此，对需要嵌入自有服务的全栈团队来说，它并非可直接切换的 API 候选。

Iris 提供了另一种评估提醒。团队报告开源权重搜索 Agent 在同类规模中表现领先，同时专门比较开启和关闭上下文管理后的结果，以区分模型能力与运行框架的贡献。The Decoder：Iris

素材对 Iris-mini 的参数描述与基座型号存在不一致，本文不据此估算部署资源。开源权重也不能直接等同于可低成本本地部署。需要验证的项目包括许可证、实际资源占用、工具依赖和目标任务表现。

长期 Agent 测试值得看，但“超越人类”必须带着限定条件。

The Decoder 转述 Andon Labs 的测试：GPT-6 Astra 在六次 Vending-Bench 2 运行中的平均最终银行余额为 15,515 美元，Fable 5.1 为 5,422 美元。这是模拟经营结束后的银行余额，不应替换成真实营收、利润或投资回报。The Decoder：GPT-6 Astra 测评

同一报道中的无人机结果，限定于五项子任务的最佳尝试超过人类与 AI 开发基线，且成功率仍有波动。结合 Iris 对运行条件的讨论，更稳妥的判断是：长程任务表现值得纳入选型，但必须同时报告多次运行分布、失败方式和资源条件。

Agent 安全边界，正在延伸到发布凭证和审计链。

RubyGems 事件分析称，2026 年 5 月出现了 2000 多个软件包的集中投送，并将重点放在发布权限、依赖准入和行为记录上。摘录同时明确提到，关于 Agent 的归因包含间接证据。因此，这应作为该分析文章描述的事件与归因呈现，不宜扩写成已经完成独立确认的攻击结论。RubyGems 事件分析

另一端，enterprise-claude-kit 尝试在 Claude API 调用前后加入 PII 检查、预算控制和审计日志。原文描述的是追加式、基于 SHA-256 的篡改可检测记录；这不等于日志天然不可修改，也不能仅凭功能清单宣称满足企业合规要求。enterprise-claude-kit 作者介绍

两份材料共同支持的工程行动是：将“允许生成内容”“允许调用外部工具”和“允许发布产物”分别授权，并用实际操作记录核对权限。至于某个工具是否足够安全、某种检查是否足够完整，仍需在团队自己的流程中验证。

程序员今天可以做什么

下面六项可以独立执行，不需要一次性更换整套工具链。它们分别对应前文的验收、扩展机制、工具契约、状态恢复、模型评估和权限治理证据。

[ ] 给一个 AI 编程任务补上验收单。
适用对象：使用编程 Agent 的前端与全栈开发者。写清用户行为、失败路径、证据位置和验证环境。预期收益是减少“代码改了，但需求漏了”的返工；风险是对小任务过度设计。验证指标：首次验收通过率、遗漏项数量、人工复核分钟数，与同类历史任务比较。
[ ] 故意制造一次门禁应当拦住的失败。
适用对象：已经配置 Hook、规则文件或 CI 的团队。在隔离分支引入一个格式错误或可控的测试失败，观察流程是否报告并阻断。预期收益是发现“配置存在但未生效”；风险是验证样例覆盖面有限。验证指标：是否稳定触发、错误是否可见、是否仍能进入合并阶段。
[ ] 对一个关键 MCP 工具做故障注入。
适用对象：通过 MCP 查询数据或执行操作的 Agent 开发者。分别测试缺字段、截断、超时和业务状态异常。预期收益是避免错误结果进入后续决策；风险是把 Schema 校验误当成事实验证。验证指标：异常检出率、错误分类准确性、失败后是否继续执行依赖动作。
[ ] 给后台任务做一次中断与恢复演练。
适用对象：研究助手、办公助手和定时 Agent 的维护者。分别断开客户端和停止后端，再检查恢复行为。预期收益是确认持久化边界；风险是恢复时重复发送通知或重复执行外部操作。验证指标：状态恢复位置、重复执行次数、丢失步骤数、需要人工补充的信息量。
[ ] 用真实任务比较“每个被接受结果”的成本。
适用对象：模型选型负责人。固定任务、权限、上下文策略和验收规则，多次运行候选方案。预期收益是识别榜单之外的任务差异；风险是样本过少或任务只覆盖单一类型。验证指标：通过率、总费用、人工审阅时间、重试次数和端到端延迟分布。
[ ] 检查一次发布凭证与日志能否对应。
适用对象：允许 Agent 操作包仓库或外部系统的团队。列出凭证作用域，在测试环境执行一次受控操作，核对身份、时间、对象和结果记录。预期收益是降低权限错配并提高追踪能力；风险是日志遗漏失败操作或携带敏感数据。验证指标：越权请求是否被拒绝、操作能否完整追溯、敏感字段是否按预期处理。

趋势判断

已发生、且能从本批材料确认的变化，是多个项目正在把验收、状态和权限做成显式机制。 Loomwright 前置计划，KIRA 要求工具证据，Pizza Bot 提供审批与待审阅状态，MCP 测试则检查结果契约。这里能确认的是这些来源提出或报告了相应机制，尚不能确认其已经普遍改善生产交付。Loomwright 作者实践、MarkTechPost：Pizza Bot、mcp-drill 作者测试

编辑判断是，AI 编程与 AI 办公提效会越来越多地按交付结果衡量。 代码生成速度、调用价格和对话体验仍然重要，但当任务跨越多个步骤和工具，审查、恢复、交接成本就必须进入同一本账。

这里也有反方信号。关于 OpenAI 内部实践的播客转述称，部分用于补偿旧模型长任务弱点的机制，会随着模型进步失去必要性。这提醒团队，不宜把今天所有绕行方案永久固化。该材料属于二手转述，具体内部实施范围仍有待原始信息进一步确认。Codex 安全门禁实践转述

一个可执行的取舍是：把目标、权限、任务状态和验收证据保留为稳定接口；将摘要策略、上下文阈值和模型特定提示做成可替换配置。前者表达组织对交付的要求，后者需要随模型能力重新测试。

尚待验证的假设是，更强模型与更完整运行框架的组合，能够持续降低单位交付成本。 验证它需要同时记录模型费用、人工介入、失败恢复和最终验收。团队只有看见这几项一起改善，才有依据扩大自动化范围。

参考

以下为本文实际引用的原始实践文章与媒体报道。项目效果主要来自作者自述；模型和研究结果涉及媒体转述，文中保留了相应归因与限制。

AI雷达日报

今日看点