AI Coding 已经成为今年增长最快的应用领域，在多个产品突破 1 亿美金 ARR 后《 AI 算命 3 个月做到月入 100 万美金，又 3 个 AI Coding 突破了 1 亿 美金 ARR》 ，没想到仍然有新的产品出来并且呈现快速增长趋势。 仅最近一段时间就又有 3 个 AI Coding 产品拿到了融资，其中一个是来自印度的 Emergent，刚宣布完成了 2300 万美金的 A 轮融资，由 Lightspeed 印 度领投，跟投方有 YC 和 Google 的 Jeff Dean 等。 目前已经有超过 100 万用户，声称 3 个月 ARR 达到了 1500 万美金，用户每天通过平台构建的产品有 4 万个 。其定位更偏向于 Lovable 这种面向非开 发者的 Vibe Coding 产品，而不是 Cursor 和 Claude Code 这种更面向开发者的产品。 第二个是 Rocket.New，也在这两天宣布拿了由 Salesforce Ventures 和 Accel 等投资的 1500 万美金种子轮融资，其定位和 Emergent 有点类似，但是 其目标是成为一个综合 Agent 系统， ...

AI Coding 演化进行时。 作者 | 董超 责编 | Echo Tang 出品丨AI 科技大本营（ID：rgznai100） 过去三年里，AI 编码从"补一句代码"跃迁为"承包一次变更"。Coding 可能是第一个找到所谓 PMF 的方向…如今 AI Coding 已经进入下半场，Coding 到底是 AGI 的子集还是新路径，我们一起略窥一二。 三年演进：范式落地 → 开源上位 → 执行力为王 2023：范式落地，"可执行代理"苗头已现 如果要给 2023 下一个极简注解，那就是：范式被大型平台坐实，开源在边缘地带萌芽。前者不难理解——Copilot 与 ChatGPT 把"人写—AI 辅"的协 作方式带进了日常；后者更值得留心：初创公司和个人开发者开始探索"不仅会说，还要能做"。我们能在当年的两个方向上嗅到这种味道： 它们还不是"产业级代理"，却清晰地为次年的开源 Code Agent 热身：从"能聊代码"迈向"能动手"。 2024：Coding Agent 上位，社区百花齐放 来到 2024，Coding Agent 从舞台边侧走到中央，形成两股彼此强化的潮流。 第一股：可执行的 Coding A ...

周二，OpenAI 发布了用于编程任务的 GPT-5-Codex 模型 ，Codex 具备能够与开发者即时协作，以及能 长时间独立完成冗长复杂任务等特点。 OpenAI Codex 团队在一场线上活动中提到，他们也在积极地使用 Codex 来构建 Codex 产品本身。 总结来说，Codex 已经全面融入到了 OpenAI 内部开发流程当中。 这篇博客文章，详细地介绍了内部工程师们在日常工作中是如何使用 Codex 的，同时结合内部使用数 据，给出了一份真实用例和实践指南。 文章很详细，不止是针对使用 Codex，实际上是总结了一套方法论：如何通过提供精准的上下文、结构 化的指令以及优化的环境等，将 AI Ccoding 工具从一个「代码补全玩具」 训练成一个可以深度融入专 业开发流程的「初级工程师」 。 01 本篇文章来自「宝玉老师」编译版本。 原文链接： https://cdn.openai.com/pdf/6a2631dc-783e-479b-b1a4-af0cfbd38630/how-openai-uses-codex.pdf 超 13000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应 ...

大模型开源开发生态全景图2.0核心变化 - 全景图收录114个项目 较上一版减少21个 覆盖22个领域 其中39个为新晋项目 60个项目被淘汰[7] - 生态中位年龄仅30个月 平均寿命不足三年 62%的项目诞生于2022年10月"GPT时刻"之后 包含12个2025年新项目[10] - 分类框架从Infrastructure/Application进化为AI Agent/AI Infra/AI Data三大板块 反映行业以智能体为中心的技术趋势[15][16] 项目活跃度与更替 - PyTorch以92,039个Star位居榜首 vLLM以53,912个Star位列第二 新晋项目GERTINI获得66,881个Star[11] - TensorFlow因迭代迟缓退出市场 PyTorch实现生态统一[8] - 头部前十项目覆盖模型生态全链路 平均Star数接近3万 远超历史同期开源项目[10] 开发者地域分布 - 全球366,521位开发者中 美国占37.41% 中国占18.72% 中美合计贡献超55%[17][20] - 美国在AI Infra领域贡献度达43.39% 为中国的两倍 在AI Data领域优势更明显[18][19] - 中国在AI Agent领域贡献度达21.5% 与美国24.62%接近 反映应用层投入集中[23] AI Agent领域演进 - AI Coding成为最活跃赛道 完成从"补代码"到"全生命周期智能引擎"的跨越 支持多模态与团队协同[43] - Chatbot领域经历高光后回归理性 Lobe-Chat保持64.7k Star Cherry Studio以"个人知识助理"定位逆势上榜[50][53] - Agent Workflow Platform向基础设施演化 Dify提供从原型到生产的一站式平台 RAGFlow等项目快速走红[54][57] - Agent Tool领域爆款频出 Browser-use9个月获60k Star mem0解决记忆管理问题 Supabase成为GenAI数据基础设施[57] AI Infra技术趋势 - Model Serving持续高热 vLLM和SGLang主导云端推理 NVIDIA TensorRT-LLM绑定GPU硬件巩固算力优势[62][66] - 本地化推理快速发展 ollama使大模型可运行于个人设备 GPUStack等新框架持续涌现[68][70] - LLMOps接棒MLOps 成为2025年增长最快赛道 Phoenix/Langfuse等项目覆盖监控至工作流管理全环节[71][72] - 模型训练热度回落 社区更关注低成本微调方案如Unsloth集成QLoRA[78] AI Data领域状态 - 技术成熟度较高 多数项目诞生于2014-2020年 Chroma成为少数抓住RAG机遇的新秀[82] - 向量数据库等基础组件缺乏突破点 Milvus/Weaviate/Elasticsearch等已成为标准拼图[86] - 企业级场景特性使开发者关注度难以维持 但向量化/RAG/多模态处理正推动数据平台向智能中枢演进[87] 开源许可模式演变 - 新项目多采用限制性许可协议 保留许可方干预权 Dify使用BSL变体 n8n采用Fair-code条款[92][93][94] - 部分项目按用户规模设限 月活超阈值需重新授权 GitHub出现代码闭源但获高星现象[91][94] 大模型技术发展动向 - MoE架构成为主流 DeepSeek/Qwen/Kimi等模型参数达万亿级 推理时仅部分激活[101] - Reasoning能力成为标配 DeepSeek R1通过强化学习增强推理 Qwen/Claude引入"快思慢想"混合模式[102] - 多模态全面爆发 语言/图像/语音交互成基础能力 语音模态工具链Pipecat/LiveKit Agents快速完善[103][104] - 模型评价体系多元化 从人工投票平台转向OpenRouter等API网关的"数据投票"排行榜[106]

AI行业数据处理量增长 - 谷歌7月Token处理量达980万亿 较5月翻倍[1] - 微软Azure AI Foundry第二季度Token处理量达310万亿 环比增长210%[1] AI应用收入表现 - 海外前100名AI应用7月年度经常性收入总额达393亿美元 较5月增长17.3%[1] - ChatGPT和Claude等头部应用带动收入持续兑现[1] 热门应用方向 - AI编程和多模态技术成为最火热发展方向[1] - Lovable、Replit、Pixverse、Nano Banana等产品陆续出圈[1] - 科技巨头持续布局AI浏览器领域[1] - 情感陪伴类应用展现出显著发展潜力[1]

AI Coding行业发展阶段 - 2023年初处于核心能力和基建不足的草莽阶段 GPT-4存在高推理成本和小context window限制 指令遵循能力在生产场景表现欠佳[10] - 2024年中Claude 3.5 Sonnet发布成为转折点 其200K窗口和关键指标10%以上提升使其成为现象级模型 代码生成任务HumanEval达93.7% 软件工程任务SWE-bench达49%[36][37][38] - 2025年开源模型DeepSeek R1引发行业变革 API定价低至输入1元/百万token 输出16元/百万token 成本仅为OpenAI o1的1/20-1/30[58][59][60] - 2025年中行业出现第一波"缩圈" 商业模式面临重构 目标需支撑到2028年才可能诞生千亿美金级公司[7][75][83] 主要产品发展轨迹 - Cursor从基于VS Code的"套壳"产品转型为AI原生IDE 初期依赖GPT-4和Claude系列提供代码补全 后通过代码库分析能力保住市场份额[10][13][14] - Codeium从开源VS Code扩展起步 吸引超100万开发者 后转向混合模式 商业版编辑器Windsurf在2024年底ARR达1200万美元[21][41] - Devin作为首个AI软件工程师推出 端到端独立开发能力赢得高盛等大客户 五个月后估值达20亿美元 企业版定价500美元/月[42][43][52] - 2024年底主要玩家估值：Cursor 26亿美元 Windsurf 12.5亿美元 Devin 20亿美元 Replit约30亿美元[47] 技术演进与挑战 - Agent设计模式存在token消耗问题 复杂任务单轮消耗达百万token级别 日常任务可达千万token水平[49][51] - Claude Sonnet 3.7时代单用户日均成本10-50美元 高频用户可达每天100美元以上 与20美元订阅费形成严重倒挂[52] - 极端"坏用户"可使商业模式瞬间崩塌 单月可能造成8000美元损失 交付质量与token成本间平衡成为关键挑战[55][57] - CoT思维链对模型参数量要求较低 100亿参数即可受益 ToT和GoT需要千亿级参数支撑 但泛化成本较高[29] 商业模式与经济性分析 - 基础模型年均价格降幅达90% 但用户倾向使用最好模型 导致实际成本并未真正收敛[66][67] - 追求顶尖性能的代码应用仍处于成本爆炸状态 SOTA模型价格卡在10^1水平线[68] - 用户价值认同极限约100-200美元/月 但当前成本结构大多无法覆盖[66][74] - 订阅模式基于CPU服务时代边际效应 在AI时代已不适用 需要新的经济模型[78] 技术范式转换 - 从Workflow向CLI Code Agent演进 更依赖模型本身能力完成长时间自主工作[75][76] - 新一代Agentic Code CLI具备全流程任务执行能力 支持项目级架构理解和超长上下文[79][80] - Claude Code可连续工作7小时自主重构多文件代码库 Gemini CLI支持100万token分析整个项目[79] - 传统IDE插件向开发工具链原生融合转变 经济模型从订阅制转向按量付费/免费+开源策略[80] 核心竞争壁垒 - Knowledge Suggestion功能成为护城河 通过抽取方法论和行为准则创建"数字分身"[11][93] - 业务数据闭环是核心组成部分 与设计模式Agentic UI等形成"道"与"术"的区别[96] - 目标用户聚焦工作价值高的领域：AI芯片设计(中国50-150万元/年) 生物技术制药(美国中位数20万美元/年) 量子计算(美国10-25万美元/年)[98] - 需服务认知足够值钱的人群 为其创造十倍百倍价值和提高效率 而非普通用户[11][99] 行业关键洞察 - 欧美投资与技术绑定深厚 技术创业者在大模型成功前就已布局 国内项目多始于2023年LLM爆火后[23] - 模型需要显式提示 CoT对参数要求低更适合快速验证 ToT和GoT因泛化成本高逐步退出舞台[29] - 企业级市场存在刚需 中大型企业需要内部模型接入IDE 担心代码数据安全[18][19] - 在生产力领域 当执行变得廉价时 "术"不再重要 关键是找到正确人群提供极致价值[11][99]

GPT-5前端编码能力 - OpenAI内部测试显示GPT-5在前端Web开发中70%的时间击败OpenAI o3模型[5] - 开发体验负责人称GPT-5在前端开发方面"惊人地出色"[6] - 前端基础设施公司Vercel评价GPT-5为"最好的前端AI模型"[6] 开发者对GPT-5的争议评价 - YouTube影响力人物Theo Browne最初称赞GPT-5使竞争对手"无关紧要"，但后续发布视频称体验明显变差且Cursor中表现不佳[6] - GitHub Copilot Pro用户抱怨GPT-5在总结和解释方面非常弱，总体令人失望，认为Claude Sonnet 4更好[6] - AI工程专家Shawn Wang的民意调查显示超过40%参与者认为GPT-5"一般"或"糟糕"[7][8] - AI开发者Kevin Kern指出GPT-5对紫色的偏好反映其前端设计缺乏原创性[9] GPT-5对前端开发框架的影响 - OpenAI提示指南推荐与Next.js、React和HTML等框架配合使用[11] - AI创业者Ben Hylak使用GPT-5创建无需React、打包或框架的网站，仅用HTML/CSS/JavaScript[13] - GPT-5一次性解决问题能力被描述为"任何模型无法比拟"[13] - 技术趋势显示GPT-5可能使开发者绕开React框架，直接利用底层Web平台构建应用[13] 模型版本与编码特性差异 - 测试者指出GPT-5不同版本存在性能差异，如"gpt-5-high"版本表现更佳[14][15] - 代码安全公司Sonar研究显示不同LLM有独特编码风格：GPT-4o为"高效的全才"，Claude Sonnet 4为"资深架构师"[15][16] - Claude Sonnet 4功能通过率77.04%，高于GPT-4o的69.67%[16] - 问题密度数据显示Claude Sonnet 4为19.48 Issues/KLOC，低于GPT-4o的26.08[16]

AI Coding工具测评概览 - 测评涵盖十余款AI Coding工具 包括Manus、Minimax、Genspark、Kimi、Z.AI、Lovable、Youware、Metagpt、Bolt.new、Macaron、Heyboss 覆盖通用产品、低代码工具和工程化开发助手[6] - 测试基于六项实际业务任务 包括官网设计、路演PPT、投研报告、科普网页、生态对比分析和小游戏开发 评估维度涵盖生成速度、成本、逻辑性、可读性、审美性和可用性[13][14][16] - 测评采用统一任务集和固定参数设置 确保结果可比性 所有工具均能快速生成基础框架 但多数存在信息准确性不足和工程化欠缺的问题[12][66][67] 产品性能对比 - Minimax在多项任务中表现突出 投研报告任务生成721积分成本(占免费额度72%) 耗时15分钟 内容完整且附带信息来源声明 路演PPT任务正确呈现产品图片和商业模式[29][31][38] - Manus官网任务消耗169积分(占每日免费额度56%) 耗时5分钟 生成内容逻辑清晰但信息覆盖有限 路演PPT任务成本483积分(占免费额度161%) 但能提供较高准确性[17][29] - Genspark成本效率显著 路演PPT任务仅耗100积分(占每月免费额度100%) 耗时8分钟 科普网页任务3分钟完成 附带游戏和视频资源[29][42][49] - Kimi和Z.AI在部分任务提供免费服务 Kimi官网任务免费生成但内容简略 Z.AI免费生成全栈网站且逻辑完整[17][42] 任务专项表现 - 官网设计任务中 Minimax信息准确率最高 能提取基金简介、投资理念和被投信息 其他工具普遍存在信息虚构问题[20][24][25] - 路演PPT任务显示 Minimax和Manus能准确生成产品定位和商业模式 Genspark和Z.AI保持基础准确性 而Lovable、MetaGPT等出现严重信息偏差[31][32][33] - 投研报告任务要求高信息准确性 Minimax唯一提供信息来源引用 其他工具如Manus和Genspark内容完整但未注明来源 影响可验证性[38][39][40] - 科普网页任务中 Minimax、Genspark和Macaron交互设计丰富 包含模拟器和知识测验 但部分产品视频功能不可用[42][44][45] - 生态对比报告任务 Minimax、Genspark和Z.AI覆盖维度全面 但多数工具缺乏数据支撑和来源标注 限制研究价值[53][54][57] - 小游戏开发任务 Macaron功能最完整 支持积分排行榜和知识卡片 Minimax提供题型多样 而Heyboss出现无效题目[62][64][65] 行业技术边界 - AI Coding工具显著降低开发门槛 非专业人员可快速生成应用框架 4-15分钟内完成基础构建 但距交付级产品仍有差距[71][76][77] - 工具普遍存在信息虚构问题 即使提供官网链接仍生成大量不可验证内容 缺乏事实校验机制 将用户从写作者转为事实编辑者[20][66][71] - 形式创新与工程化不足并存 Macaron等产品提供网页化交互界面 但功能稳定性差 部分按钮不可用或显示错误[18][26][68] - 下一代竞争焦点将从生成速度转向真实性和工程化 需解决信息溯源和跨端部署问题 才能从速写板升级为生产力工具[74][78][79]

指数表现 - 中证金融科技主题指数上涨0.31% 成分股信安世纪上涨5.25% 新国都上涨3.41% 楚天龙上涨2.73% 拓尔思上涨2.39% 拉卡拉上涨2.05% [3] - 金融科技ETF近1月累计上涨10.89% 涨幅排名可比基金1/4 [3] 产品交易 - 金融科技ETF最新报价1.57元 当日下跌0.38% [3] - 金融科技ETF盘中换手率4.81% 成交额9966.31万元 [3] - 近1周日均成交额3.61亿元 [3] - 近2周规模增长2.64亿元 新增规模位居可比基金1/4 [4] - 最新份额达13.15亿份 创成立以来新高 位居可比基金2/4 [4] 行业动态 - OpenAI宣布11亿美元收购产品测试公司Statsig 强化应用层技术与产品能力 [3] - AI技术深入应用推动金融科技企业降本增效 [3] - AI Coding技术演进聚焦多智能体协同与个性化开发 应用场景扩展至低代码平台与代码迁移升级 [4] - 商业模式从订阅制转向效果付费和私有化部署 适应企业安全需求 [4] 指数构成 - 中证金融科技主题指数选取金融科技相关领域上市公司证券作为样本 [4] - 前十大权重股合计占比54.08% 包括同花顺、东方财富、恒生电子、指南针、润和软件、东华软件、银之杰、新大陆、四方精创、广电运通 [4]

ETF表现 - 科创人工智能ETF华夏下跌0.48% 盘初一度下跌近2%后大幅收窄跌幅[1] - 盘中成交金额1770万元 换手率6.6% 较往日显著缩量[1] - 持仓股表现分化 凌云光、奥比中光上涨超3% 寒武纪领跌4.18% 航天宏图和合合信息下跌超2%[1] 行业动态 - OpenAI宣布以11亿美元收购产品测试公司Statsig 强化应用层技术与产品能力[1] - Statsig在5月C轮融资时估值约为11亿美元[1] - 科创人工智能ETF跟踪上证科创板人工智能指数 覆盖全产业链优质企业[2] 发展前景 - AI Coding技术演进聚焦多智能体协同与个性化开发[1] - 应用场景扩展至低代码/无代码平台与代码迁移升级[1] - 商业模式从订阅制转向效果付费和私有化部署 适应企业安全需求[1] - AI Coding有望作为核心生产力推动从"人力驱动"向"智能驱动"转型[1] - 该ETF兼具高研发投入与政策红利支持 20%涨跌幅与中小盘弹性助力捕捉AI产业"奇点时刻"[2]