AI 日报

嗨，HN，我们是 Wei-Wei 和 Jeff。我们正在开发 Momentic，这是一组 QA 智能体，能够自主规划、探索并集中测试你的 Web、iOS、Android 以及即将支持的桌面应用中的控件和用户流程，从而发现缺陷。演示视频：https://youtu.be/BFsM-Se1Fh8 我们都是软件工程师，职业生涯一直围绕开发工具和基础设施展开，曾在 Robinhood、Retool、WeWork 和 Qualtrics 等公司工作。测试一直是件让人头疼的事（尤其是 Playwright 和 Selenium），所以我们开发了智能体来替我们做这件事。 如今的软件存在大量缺陷，而随着编程智能体的采用规模不断扩大，变更失败率也在加速攀升。大语言模型非常擅长生成代码，但会不断强化自身的假设，编写大量无用的测试，而且不擅长视觉理解。在 DeepSWE v1.1 上，Sonnet 5.5 在被禁止编写测试时达到了 66.2% 的通过率，而允许编写测试时的通过率为 65.3%。Playwright、Selenium 或 Maestro 等开源端到端测试框架会迫使你在测试中硬编码 XPath、文本或 aria-* 属性等实现细节。即使有智能体辅助，构建和维护这些测试仍然需要花费不少时间和词元。 2023 年，我们看到 Nat Friedman 通过 natbot 使用 GPT-3 操控浏览器。这启发我们用这项技术来自动化软件工程中最痛苦、最繁琐的环节：测试。起初，我们使用大语言模型生成和维护 Playwright 测试，但很快意识到，这些基础机制与智能体驱动的软件开发生命周期存在根本性的不匹配。我们认为，QA 的未来是让智能体亲自执行测试，而不是编写脚本。 Mo 是一个专为发现缺陷而定制的智能体运行框架，建立在 Momentic 过去 3 年的积累以及来自复杂真实应用的数百万条测试轨迹之上。Mo 以召回率为设计重点：它能发现最多的真实缺陷，不过 Codex 的精确率略高，为 86%，而 Mo 为 84%。代价在于成本：Mo 每发现一个缺陷的成本为 2.67 美元，Codex 则为 0.80 美元，但 Mo 的成本仍低于 Claude Code 和 Devin。 - 自组织智能体图。Mo 会在探索过程中构建有向无环图（DAG）。大型产品功能区域会自动分叉，由多个并行子智能体负责，每个子智能体都有自己的浏览器或设备，可并发执行任务。 - 面向特定领域任务的专用智能体。规划智能体根据截图和视频进行推理，专门的定位智能体则检查页面结构，以确定用日常英语描述的交互目标。其他智能体还负责图像分析、视频理解、音频生成等任务。 - 并行智能体通过协作式资源租约进行协调。智能体可以声明自己正在“使用”或“修改”彼此重叠的资源或测试夹具。多个“使用”声明可以共存，但对于任何一个特定资源，同一时间只能有一个生效的“修改”声明。 - 可规模化扩展的基础设施。Mo 自带隧道功能，让用户可以将私有站点和本地应用开放给我们托管的智能体及基础设施访问。单次集中缺陷排查就能启动数百个并发运行的浏览器和设备。 我们在 4 个热门开源应用上，将 Mo 与编程智能体进行了基准对比：Gitea（5.88 万颗星）、Metabase、Twenty (YC) 和 Saleor，涵盖 1,396 个人工标注的缺陷。每个智能体都获得相同的任务说明和一个全新的 E2B 沙盒，且无法访问源代码。Codex 和 Claude Code 使用 Browserbase 托管的浏览器，而 Devin 使用其内置浏览器。评估方面，我们采用大语言模型担任裁判（GPT-6.1 Sol），并配备一名人工审核员。 限时 60 分钟运行的结果： - Mo：269 个缺陷，召回率 19.3%，精确率 84%，每个缺陷成本 2.67 美元 - Codex（GPT-6.1 Sol + Playwright MCP）：86 个缺陷，召回率 6.2%，精确率 86%，每个缺陷成本 0.80 美元 - Claude Code（Opus 5.5 + Playwright MCP）：59 个缺陷，召回率 4.2%，精确率 80%，每个缺陷成本 4.09 美元 - Devin：27 个缺陷，召回率 1.9%，精确率 84%，每个缺陷成本 3.89 美元 给 Mo 的时间越多，它发现的缺陷就越多。从 30 分钟延长到 60 分钟后，它发现的缺陷从 177 个增加到 269 个（增长 52%），而 Codex 仅增长了 16%。 结果：https://momentic.ai/qa-bench 详细文章：https://momentic.ai/blog/qa-bench 数据集：https://huggingface.co/datasets/momentic/qa-bench 运行框架：https://github.com/momentic-ai/qa-bench 我们刚刚推出了针对 Vercel 和 Cloudflare 部署预览的 PR 测试功能，并向每位新注册用户赠送 250 美元的 Mo 使用额度。付费套餐提供更高的基础设施容量和套餐内使用额度，也支持额外充值。 欢迎大家试用并向我们提供反馈。随时在这里留言，我们一整天都会在线！ 评论链接：https://news.ycombinator.com/item?id=50339913 得分：13 评论数：0

— Hacker News 熱門

大家好，HN，我们是 The Subvocal Company（YC F26）的 Aarush 和 Arnav。我们正在开发一款智能眼镜，让你无需出声就能与电脑交谈。你只需悄无声息、不引人注意地做出说话的口型，眼镜就能以说话的速度将其解码为文本。这是 YC 的 Dave 试用它的视频：https://youtube.com/shorts/-L1Qb5oINK4 今年年初，Arnav 和我还在 Georgia Tech 学习计算机科学，对无声语音或传感技术毫无经验。我们都是 AI 原生开发者，也是 Wispr Flow 的重度用户。让我们苦恼的是，在图书馆、办公室或公共场合无法使用这些工具。 2 月，在 Stanford 的 TreeHacks 上，我们决定做一件在技术上能想到的最离谱的事。我们读过有关 AlterEgo 的资料，那是 MIT Media Lab 开发的一套无声语音系统，我们想在 36 小时内复现它。我们把肌电（EMG）电极贴在我的脸上，搭出了一个粗糙的原型：https://drive.google.com/file/d/1mwhv5HZMz3UTevdrgwS5O7g2jWV... 它勉强能以非常不稳定的方式识别字母。虽然不足以赢得黑客松，却让我们下定决心全力投入。第一次在无人察觉的情况下输入一句话时，我感受到了这项技术的魔力。我们获得了 Afore Capital 的种子前轮融资，随后全身心投入其中！ 我们很快意识到，EMG（读取肌肉电信号）这条路走不通： - 汗水会导致信号变化 - 存在电气干扰 - 电极放置位置存在差异 - 最重要的是，没人愿意往脸上贴电极！！ 于是我们转向射频（RF）技术，做出了你现在看到的这副眼镜。它会发射类似 Bluetooth 的无线电波，穿过你的面部。当电波经过舌头、嘴唇和软腭时，无声的口型动作会对其产生调制。我们用这些数据训练基础模型，将这些扰动解码为文本。 尽管此前已有相关学术研究，真正让它运作起来仍是一项巨大的工程挑战。首先，我们构建了一套噪声极低的射频传感系统。然后，我们必须合理布置天线，让它们的电磁场尽可能覆盖发音器官。第一次将天线装在眼镜上的尝试彻底失败，于是我们又回到老办法，把天线贴在脸上：https://drive.google.com/file/d/1ks0dS0eZiTV9EqSFsyB_w5BBjpc... 由于很难每次都把天线以相同角度贴在同一位置，我们制作了这个古怪却有效的头部支架，将它们固定住：https://drive.google.com/file/d/1rhzNFpdDzr7oHk0isFY70dkoV4C... 这套装置奏效了，但显然还算不上产品。因此，我们深入开展仿真，设计能够容纳天线的眼镜。它逐渐演变成我们如今的设计：将天线嵌入镜框内部。 确认能够获取信号后，下一个障碍是跨用户泛化。每个人的面部解剖结构都大不相同，因此射频信号模式也差异巨大。我们尝试过从算法上寻找变通办法，但最终意识到，唯一有效的手段是大幅扩大预训练数据规模。于是我们就这么做了。我们在办公室里搭建了隔间，付费请人戴着眼镜朗读提示文本，以此收集模型预训练数据。 这带来了一条漂亮的规模扩展曲线：随着数据集扩大，错误率迅速下降，跨用户表现也变得真正令人信服。正如上面的视频所示，Dave 只做了简短的 20 句校准。 我们总听人说要从第一性原理出发做东西，但在这之前从未真正理解。我们试过自上而下地解决问题，却彻底失败了。只有把每个组成部分——天线、电子电路、机器学习——都拆解到最基本的原理，加以理解和优化后，我们才让它真正出色地运作起来。 接下来的几个月，我们将继续研发，把原型眼镜打造成网站上展示的那款精致产品，并于 2027 年第一季度发货。我们也在扩大数据集，以改善边缘情况下的表现。 如果你喜欢语音输入，却讨厌在别人身边使用它，我们已开放首批 500 台产品的预订，价格比最终售价优惠 200 美元。名额正在迅速减少，欢迎前往 https://subvocal.co/preorder 预订。 评论链接：https://news.ycombinator.com/item?id=50340088 得分：12 评论数：0

— Hacker News 熱門

Circle K 的 DevOps 团队通过在 Amazon Bedrock 上构建智能体分诊系统，将事件分诊时间从 45–60 分钟缩短至 15 分钟以内。本文详细介绍了该系统的架构、最初基于 Amazon Bedrock Flows 的实现、向 Amazon Bedrock AgentCore 的迁移，以及在扩展系统规模过程中总结的经验教训。

— AWS Machine Learning Blog

OpenAI 如何构建 Pando：一个兼容 Git 的后端，旨在适应 Codex 所能实现的开发规模。

— OpenAI Blog

Qodo 将公司知识和编码标准引入 Codex，帮助开发者在发起拉取请求之前发现跨代码仓库的 P0 级问题。

— OpenAI Blog

推出 LifeVal，这是一项衡量 AI 帮助人们完成日常任务的能力的基准测试，涵盖寻找托育服务、管理财务和处理政府文书等事务。

— OpenAI Blog

基于前沿模型构建的智能体助手会运行多步骤工具调用循环，而每一步都支付前沿模型的费用，在生产规模下难以持续。本文介绍如何在 Amazon SageMaker AI 上使用序列级知识蒸馏（SeqKD），将前沿教师模型的智能体行为迁移到规模更小、成本更低的学生模型中。

— AWS Machine Learning Blog