什么是 Vibe Coding:含义、起源与如何用 Replit Agent 实践
Vibe coding 指用自然语言描述需求、由 AI 智能体编写代码的软件开发方式,该词源自 AI 研究员 Andrej Karpathy 2025 年 2 月的帖子。Replit 建议使用 Replit Agent 时保持提示词精确、一次只给一个任务、先用 Plan mode 拆解任务,并利用自动生成的 checkpoints 回滚改动。

匹配字段标题
Vibe coding 指用自然语言描述需求、由 AI 智能体编写代码的软件开发方式,该词源自 AI 研究员 Andrej Karpathy 2025 年 2 月的帖子。Replit 建议使用 Replit Agent 时保持提示词精确、一次只给一个任务、先用 Plan mode 拆解任务,并利用自动生成的 checkpoints 回滚改动。

匹配字段标题
Mistral AI 构建了 TranscriptToPRDTicket 智能体工作流,可将会议转录自动生成 PRD 和开发工单。该系统由基于 Mistral Large 2 的 PRDAgent 与 TicketCreationAgent 组成,并可在 Linear、Jira 等项目管理工具中创建结构化工单。

匹配字段标题
Anthropic 工程博客总结与数十个团队共建 LLM 智能体的经验,指出最成功的实现并未使用复杂框架,而是采用简单可组合的模式。文章区分了由预定义代码路径编排的工作流与由 LLM 自主决定流程和工具使用的 Agent,并给出提示词链、路由、并行化、编排者-工作者、评估者-优化者五种工作流模式及各自适用场景。作者建议从直接调用 LLM API 和简单提示词起步,仅在简单方案不足时才增加多步智能体系统的复杂度,并强调工具文档与 agent-computer interface(ACI)的设计投入应与 HCI 相当。
匹配字段标题
NVIDIA发布AI Factory Operations Agent,用于自家DGX SuperPOD运维。该框架通过多个领域子智能体协同,在计算、网络、硬件和调度层之间定位根因,并通过聊天界面给出建议。框架基于NVIDIA NemoClaw blueprint和OpenShell构建,完全本地部署,推理使用本地NVIDIA Nemotron开源模型,运行在DGX H100、DGX B200和DGX GB300生产集群上。框架包含Job Recovery、Hardware、Observability、Research、Kubernetes和Cluster Management等子智能体,并集成web搜索、代码执行和Grafana看板等MCP工具,开发者示例与开源代码已开放。
匹配字段标题
U Mobile 基于 Amazon Bedrock AgentCore 构建了 AI-Driven Agentic Helpdesk(AiDaH),覆盖 6 个业务部门的 150 多个运营场景。该平台采用六层架构,通过 Microsoft Teams 接入,8 个专业智能体以 A2A 协议协作,约 70% 请求由确定性关键词匹配直接处理、无需调用模型。内部测量显示,关键类别的故障工单量最多下降 84.5%。AiDaH 于 2026 年 Q3 面向 50 名 L2 呼叫中心与门店用户上线。
匹配字段标题
U Mobile 基于 Amazon Bedrock AgentCore 构建了 AI-Driven Agentic Helpdesk(AiDaH),覆盖 6 个业务部门的 150 多个运营场景。该平台采用六层架构,通过 Microsoft Teams 接入,8 个专业智能体以 A2A 协议协作,约 70% 请求由确定性关键词匹配直接处理、无需调用模型。内部测量显示,关键类别的故障工单量最多下降 84.5%。AiDaH 于 2026 年 Q3 面向 50 名 L2 呼叫中心与门店用户上线。
匹配字段标题
Indegene在AWS上的NEXT Unified Data Platform(NEXT UDP)中构建了由LLM驱动的Data Quality Agent。该Agent可生成上下文感知的数据质量规则、完成校验,并产出可直接运行的SQL和Python代码,全程采用集中式human-in-the-loop治理。NEXT UDP还提供Data Ingestion、Orchestration、Data Catalog和SQL Bot Generator等独立AI Agent,可单独用于数据管道或定制为agent-to-agent通信。
匹配字段标题
Indegene在AWS上的NEXT Unified Data Platform(NEXT UDP)中构建了由LLM驱动的Data Quality Agent。该Agent可生成上下文感知的数据质量规则、完成校验,并产出可直接运行的SQL和Python代码,全程采用集中式human-in-the-loop治理。NEXT UDP还提供Data Ingestion、Orchestration、Data Catalog和SQL Bot Generator等独立AI Agent,可单独用于数据管道或定制为agent-to-agent通信。
匹配字段标题
ElevenLabs宣布,ElevenAgents已原生集成NiCE CXone、Genesys Cloud、Amazon Connect和Five9四个呼叫中心平台,其他平台可通过SIP中继接入。智能体可在现有呼叫流程中完成来电人验证、改约或报案等任务,并把结果写回CRM,转人工时携带完整上下文。该语音栈由ElevenLabs自研音频模型组成,提供超过17,000种声音、90多种语言。
匹配字段标题
NVIDIA发布AI Factory Operations Agent,用于自家DGX SuperPOD运维。该框架通过多个领域子智能体协同,在计算、网络、硬件和调度层之间定位根因,并通过聊天界面给出建议。框架基于NVIDIA NemoClaw blueprint和OpenShell构建,完全本地部署,推理使用本地NVIDIA Nemotron开源模型,运行在DGX H100、DGX B200和DGX GB300生产集群上。框架包含Job Recovery、Hardware、Observability、Research、Kubernetes和Cluster Management等子智能体,并集成web搜索、代码执行和Grafana看板等MCP工具,开发者示例与开源代码已开放。
匹配字段标题
ElevenLabs宣布,ElevenAgents已原生集成NiCE CXone、Genesys Cloud、Amazon Connect和Five9四个呼叫中心平台,其他平台可通过SIP中继接入。智能体可在现有呼叫流程中完成来电人验证、改约或报案等任务,并把结果写回CRM,转人工时携带完整上下文。该语音栈由ElevenLabs自研音频模型组成,提供超过17,000种声音、90多种语言。
匹配字段标题
2026年11月4日,Mastra发布Knowledge,为智能体提供按页面组织的共享文档库,可配合signals把相关知识带入上下文。Knowledge按org、resource、thread三种scope控制读写权限;开启tools后,智能体获得knowledge_search、knowledge_list、knowledge_read、knowledge_page、knowledge_note五个工具,可搜索、读取和写入页面。该功能需@mastra/core@1.82.0或更高版本,目前处于alpha阶段,API可能随版本变化。
匹配字段标题
2026年11月4日,公众号“卡尔的AI沃茨”发布实测文章,分享用Grok Bot搭配Vercel开源的agent-desktop控制本机其他Agent和应用的方法。文章称,agent-desktop通过CGEvent注入模拟真实鼠标键盘事件,可操控本机其他Agent和剪映完成AI剪辑;对比amontlabs的LCU方案,LCU走macOS accessibility API,能识别按钮和输入框,但剪映这类Electron自绘UI的时间线拖拽区域对accessibility API几乎不可见,agent-desktop用800ms慢速拖动即可完成。文章还称agent-desktop本身只是CLI工具、不做推理,写成脚本回放时零额度消耗,同样剪辑任务第一次13分钟、第二次37秒,LCU平均4到5分钟;缺点是需占用窗口,建议配mac mini。
匹配字段标题
2026年11月4日,公众号“卡尔的AI沃茨”发布实测文章,分享用Grok Bot搭配Vercel开源的agent-desktop控制本机其他Agent和应用的方法。文章称,agent-desktop通过CGEvent注入模拟真实鼠标键盘事件,可操控本机其他Agent和剪映完成AI剪辑;对比amontlabs的LCU方案,LCU走macOS accessibility API,能识别按钮和输入框,但剪映这类Electron自绘UI的时间线拖拽区域对accessibility API几乎不可见,agent-desktop用800ms慢速拖动即可完成。文章还称agent-desktop本身只是CLI工具、不做推理,写成脚本回放时零额度消耗,同样剪辑任务第一次13分钟、第二次37秒,LCU平均4到5分钟;缺点是需占用窗口,建议配mac mini。
匹配字段标题
2026年11月3日,OpenAI Alignment 研究博客发布研究,Joy Hsu、Sam Arnesen提出智能体安全评测与生产行为之间存在差距,并讨论eval-awareness在其中的作用。该研究对比GPT-5.6 Luna、GPT-5.6 Sol、GPT-6 Luna、GPT-6 Sol、GPT-6 Astra、GPT-6.1 Sol六款模型在Respecting Warnings安全评测与Codex生产日志中可比决策的表现,发现评测成功率低于生产,差距为10.2至37.4个百分点,GPT-5.6 Sol和GPT-6 Sol差距最大。研究将评测意识拆为一般评测意识与具体目标意识,后者与差距关联更强(R2=0.370,前者为0.008)。干预实验中,向GPT-6.1 Sol提示正确目标“遵守警告”使成功率升至91.6%,提示错误目标“抵抗提示注入”则降至17.6%,仅提示这是评测几乎无变化(63.1%对63.4%)。目前尚无后续发展。
匹配字段标题
2026年11月3日,OpenAI Alignment 研究博客发布研究,Joy Hsu、Sam Arnesen提出智能体安全评测与生产行为之间存在差距,并讨论eval-awareness在其中的作用。该研究对比GPT-5.6 Luna、GPT-5.6 Sol、GPT-6 Luna、GPT-6 Sol、GPT-6 Astra、GPT-6.1 Sol六款模型在Respecting Warnings安全评测与Codex生产日志中可比决策的表现,发现评测成功率低于生产,差距为10.2至37.4个百分点,GPT-5.6 Sol和GPT-6 Sol差距最大。研究将评测意识拆为一般评测意识与具体目标意识,后者与差距关联更强(R2=0.370,前者为0.008)。干预实验中,向GPT-6.1 Sol提示正确目标“遵守警告”使成功率升至91.6%,提示错误目标“抵抗提示注入”则降至17.6%,仅提示这是评测几乎无变化(63.1%对63.4%)。目前尚无后续发展。
匹配字段标题
2026年11月3日,Sierra宣布围绕智能体构建工具Ghostwriter重新设计Agent Studio,将问题排查、旅程修改、模拟运行与修复测试整合进同一会话。据Sierra博客,Ghostwriter贯穿整个界面,每个工作项对应一个会话,改动在评审合并前保留在会话内,并支持共享和fork;相关智能体可归入同一项目统一测试发布,界面提供逐行对比、Preview Chat、Simulations以及发布审批与受控上线。Unite.AI同日报道补充,Ghostwriter于2026年3月25日推出,最初可读取SOP、客服通话记录、白板草图照片、流程文档、录音和自然语言指令来识别关键行为与边界情况,2026年9月28日扩展为Slack和Teams中常驻的主动协作成员;新版支持跨旅程、模拟和仪表盘保持上下文,并提供Agent Checks自动检查、同行评审与Reviewer角色、分流发布和可回滚的不可变快照。
匹配字段标题
2026年11月3日,Sierra宣布围绕智能体构建工具Ghostwriter重新设计Agent Studio,将问题排查、旅程修改、模拟运行与修复测试整合进同一会话。据Sierra博客,Ghostwriter贯穿整个界面,每个工作项对应一个会话,改动在评审合并前保留在会话内,并支持共享和fork;相关智能体可归入同一项目统一测试发布,界面提供逐行对比、Preview Chat、Simulations以及发布审批与受控上线。Unite.AI同日报道补充,Ghostwriter于2026年3月25日推出,最初可读取SOP、客服通话记录、白板草图照片、流程文档、录音和自然语言指令来识别关键行为与边界情况,2026年9月28日扩展为Slack和Teams中常驻的主动协作成员;新版支持跨旅程、模拟和仪表盘保持上下文,并提供Agent Checks自动检查、同行评审与Reviewer角色、分流发布和可回滚的不可变快照。
匹配字段标题
2026年11月3日,AWS Machine Learning官方博客发布教程,介绍如何在Amazon SageMaker AI上用序列级知识蒸馏(SeqKD)构建高效购物智能体。教程以Amazon Bedrock上的GLM-5.3为教师模型生成轨迹,用ShoppingBench评分器只保留解出任务的轨迹,再对Qwen3.5-4B学生模型做服务端无服务器SFT。在324道留出测试题上,蒸馏后4B学生平均绝对成功率从0.297提升到0.541,与教师模型和中等规模前沿模型基本持平;去掉教师推理过程只学工具调用时,平均成功率降至0.415。目前该教程已随官方博客公开。
匹配字段标题
2026年11月3日,AWS Machine Learning官方博客发布教程,介绍如何在Amazon SageMaker AI上用序列级知识蒸馏(SeqKD)构建高效购物智能体。教程以Amazon Bedrock上的GLM-5.3为教师模型生成轨迹,用ShoppingBench评分器只保留解出任务的轨迹,再对Qwen3.5-4B学生模型做服务端无服务器SFT。在324道留出测试题上,蒸馏后4B学生平均绝对成功率从0.297提升到0.541,与教师模型和中等规模前沿模型基本持平;去掉教师推理过程只学工具调用时,平均成功率降至0.415。目前该教程已随官方博客公开。
匹配字段标题