我们现在正处于新一轮大模型密集发布期。上周是 Grok 、 Gemini 3.0 、 Nano Banana Pro ，本周 Anthropic 的 Claude Opus 4.5 上线。 直观感受： Minecraft & 乐高测试 在只给出一条提示词的前提下，模型生成了一个 Minecraft 克隆版。在这个单提示词测试中，这是目前见过效果最好的一次。角色移动流畅、帧率稳定，可以 正常破坏和放置方块，在下方快捷栏切换不同方块类型，也可以在地图中自由飞行。就完成度和可玩性而言，这个 Demo 已经接近一款真正可玩的沙盒游 戏。 与之对比，在同样的"单提示词 Minecraft 测试"中， Gemini 3 Pro 给出的结果就明显逊色一截。世界同样是程序化生成的，但无法破坏或放置方块，角色移动 也略显混乱，只能算是基础可看的 Demo 。 在这个测试里， Opus 4.5 可以说是碾压式领先。用另一条提示词让它生成一个乐高搭建网站，支持用户自由拼搭积木。返回的结果是一个完整可用的乐高模 型。可以在场景中拖动视角，把积木逐块堆叠、修改颜色、切可以删除，甚至选择不同形状的乐高积木。这已经到了一条提示词，就能生成 ...

Sora应用市场表现 - Sora应用在推出后不到5天内实现100万次下载，速度超越ChatGPT初期表现 [1] - 尽管实行邀请制且仅面向北美iOS用户，该应用仍迅速登顶苹果应用商店排行榜 [1] - 公司计划推出更多功能及针对过度审核的修复 [1] Sora面临的争议与应对 - 好莱坞人才经纪公司CAA指出Sora将艺术家置于重大风险之中，主要争议围绕版权侵权 [1] - 公司首席执行官表示将很快推出内容版权控制功能，允许权利所有者决定其角色在Sora中的使用方式 [1] - 公司计划与授权方分享收益 [1] AI编码助手竞争格局 - OpenAI的Codex编码助手在开发者采纳率达74.3%，略高于Anthropic的Claude Code的73.7% [2] - 通过Modu平台生成的拉取请求中，Codex的合并占比为24.9%，Claude Code为32.1% [2] - 性能提升关键源于上月发布的GPT-5-Codex模型，该版本发布前Codex的代码生成成功率仅为69% [2] AI编码助手性能与成本 - Codex在复杂编码任务规划方面表现更优，且成本低于Claude Code [3] - 开发者目前愿意支付溢价，因普遍预期成本将随时间下降 [3] - 对企业CEO而言，购买编码助手增强现有工程师效率仍比扩招人力更经济 [3] 其他主要编码助手市场定位 - 代码采纳率最高的助手是Sourcegraph的Amp代理，达76.8%，被形容为精品级奢品，性能出众但定价偏高 [3] - 谷歌的Gemini CLI是最经济的编码助手，该开源AI代理支持用户在终端直接调用Gemini模型 [3] - 对Anthropic而言，编码技术是其营收核心驱动力，主要来自通过API向微软、Cursor、Lovable等客户销售AI模型 [3] 公司战略重点 - OpenAI拥有依赖度相对较低的ChatGPT业务，但其管理层将编码视为开发通用人工智能的关键领域 [3] - 公司去年已加强模型编码能力的优化投入 [3]

公司发展里程碑 - 成立不到两年即实现年经常性收入1亿美元，达到大多数SaaS公司需十年才能完成的里程碑 [1] - 公司成立一年半总融资达95亿美元，四位创始人年龄均为25岁 [5] - 4个月内ARR从1亿增至3亿美元，团队规模不足50人 [5] - 每日编写代码量达10亿行，工程师人均处理2万笔交易/秒 [3][7] 产品技术突破 - 通过Claude 3.5 Sonnet实现跨文件编辑能力跃升，推动产品大规模普及 [15][16] - 后台Agent功能支持异步任务处理，可完成90%工作后由开发者完善剩余部分 [23] - 采用"用Cursor构建Cursor"的递归开发模式，通过内部使用驱动产品迭代 [20][21] - 代码生成工具在用户中渗透率超90%，Tab功能完成70%手动编码内容 [39] 行业范式变革 - 开发者效率提升10倍，正在重构软件开发范式 [12] - 代码编写将遵循"AI生成+人类审核"模式，预计2027年AI参与度近100% [38][39] - 软件验证成为下一瓶颈，需解决代码审查与隐性知识获取难题 [24][27] - 代码结构趋向扁平化，API设计显性适配模型处理需求 [32] 核心竞争优势 - 专注开发者生产力工具赛道，拒绝盲目扩张保持小团队高效运作 [6] - 获得OpenAI领投的800万美元种子轮融资，形成战略联盟 [6] - 产品技术深度整合Claude系列模型，持续优化代理编码能力 [34][35] - 通过严格限制团队规模（<50人）维持极高人均产出效率 [5][7] 未来发展方向 - 重点突破大型代码库理解能力，解决数百万文件级别的复杂场景 [27][28] - 探索软件自适应进化，实现系统根据用户交互实时调整功能 [41] - 深化非技术因素整合，如销售端需求与代码决策的关联 [30] - 持续优化模型在工具链集成、环境迁移等方面的工程实践 [26]

AI生成代码的特性分析 - AI生成的代码缺乏上下文记忆和维护连续性，一诞生就处于"他人旧作"的状态 [1] - AI生成的代码具有"无状态"特性，无法真正理解作者意图或拥有时间点记忆 [3] - 每次AI生成的代码都像是"由别人写的"，跳过了"新代码"阶段直接进入"旧代码"模式 [5] 代码生命周期与维护行为 - 代码演进速度取决于编写时间远近和维护者是否为原作者 [1] - 人类维护者对不同时期代码的四种典型态度：近期自写代码最易改进，他人旧代码最不愿改动 [4] - 遗留代码的本质是支撑代码的"理论"随原作者离开而失传，仅保留低保真表达的代码和文档 [8] 行业解决方案与发展趋势 - 开发者尝试通过精心构造提示、设计上下文窗口和详细注释来弥补AI缺陷 [5] - Chain of Thought技术可能解决AI无状态问题，通过重新激活上下文理解代码 [10] - 未来代码可能更依赖模型推理和提示生成，而非长期维护的静态结构 [5] LLM时代的理论构建探讨 - LLM可能隐含某种尚未被理解的"程序理论"，或能从代码中逐步构建理论 [12] - 技术债管理新思路：保存Prompt可帮助理解代码存在原因，优于人类记忆 [10] - 理论掌握权可能转移至写prompt的人而非写代码的人 [12] 行业观点与讨论 - 软件开发本质是开发者集体心智构建的"理论"，代码只是其低保真表达 [8] - 人类开发者常通过"时代写法"解释代码，部分确实反映历史约束条件 [9] - 代码提示生成可能成为短期/中期的过渡桥梁，而非长期维护对象 [6]