Лучший coding agent в новом тесте на закрытых production-кодовых базах решил 38,8% задач.
В свежем дайджесте — материалы о том, что идёт дальше: как проверять результат, контролировать агентов в production, разбирать сбои, считать расходы и вести технические обсуждения.
1️⃣
Introducing Real-SWE.Бенчмарк проверяет coding agents на задачах из закрытых production-кодовых баз: от расчёта налогов до миграции клиентов. Шесть из десяти задач решались менее чем в 15% запусков; среди частых причин неудач — пропущенные требования и непроверенные предположения.
2️⃣
New Harness Report Reveals Enterprise Confidence in AI Agents Isn't Backed by Real Controls.
Опрос 700 специалистов из крупных компаний сравнивает уверенность в AI-агентах с реальными механизмами контроля. Разрыв виден сразу в нескольких областях: 74% респондентов считают, что тестирование обнаружит опасный сбой до релиза, но автоматическая блокировка неудачного релиза есть у 19%.
3️⃣
Session Traces and Cost Controls Help Diagnose AI Agent Failures.
Как понять, почему агент зациклился, выбрал неверный инструмент или начал слишком быстро расходовать токены? В материале разбирают трассировку вызовов, ограничения на количество итераций, контроль повторяющихся запросов и поиск аномалий в расходах.
4️⃣
The Pulse: tech companies move to open AI models.Гергели Орос собрал примеры Uber, Pinterest, AT&T и других компаний, которые используют открытые модели и маршрутизацию запросов. Uber снизил стоимость AI-сессии на 52%, а AT&T сократила расходы на отдельные задачи до 56% при снижении качества на 2%.
5️⃣
How to lead a technical discussion.Руководителю технического обсуждения необязательно знать правильный ответ заранее. Автор показывает, как задать цель встречи, сделать знания команды видимыми, зафиксировать неизвестные и превратить возражения в предположения, которые можно проверить.
AI не снимает с команды ответственность за результат. Он добавляет новые места, где нужны проверка и ясные решения ✅
