以下文章来源于十字路口Crossing ，作者十字路口 AI 正在给各行各业带来改变，我们在「十字路口」关注变革与机会，寻找、访谈和凝聚 AI 时代的「积极行动者」，和他们一起，探索和拥抱，新变化， 新的可能性。「十字路口」是乔布斯形容苹果公司站在科技与人文的十字路口，伟大的产品往往诞生在这里。 在各种 AI 产品在社交媒体上刷屏之后， 哪些真正留在了用户的日常工作流里？ 作为连接数百种大模型的中间网关，OpenRouter 的后端真实调用数据，可以说为了解 AI 应用的真实使用情况提供了视角。 基于公开数据，「十字路口」盘点了 OpenRouter 2025 年 9 月调用量 Top 10 榜单： 十字路口Crossing . Kilo Code 一句话总结： 开源 + 即装即用的 VS Code AI coding agent 1. Kilo Code 2. Cline 3. BLACKBOX.AI 4. Roo Code 5. liteLLM 6. SillyTavern 7. ChubAI 8. HammerAI 9. Sophia's Lorebary 10. Codebuff 但我们熟知的头部应用 ...

在2025 Inclusion·外滩大会AI开源见解论坛上，蚂蚁开源与Inclusion AI联合发布了《全球大模型开源开发生态全景与趋势报告》2.0版本。该报告基于GitHub 全平台项目分析，结合OpenRank算法筛选排名，收录了22个技术领域的114个高关注度开源项目，涵盖AI Agent与AI Infra两大方向。蚂蚁开源技术委员会副 主席王旭在论坛上指出，报告通过数据驱动的方式，客观呈现了全球AI开源生态的真实状况，既为行业提供参考，也彰显了中国在AI开源领域的活跃度。 报告指出，随着大模型能力提升，程序员的工作模式或将发生转变。未来，重复性工作可能更多由AI工具完成，开发者将更聚焦创意设计和复杂问题解 决。这一趋势可能重塑软件开发行业的分工模式，全球开发者对"AI助手"的需求持续攀升。 论坛上同步发布的2025大模型发展时间线全景图，梳理了当年1月至今国内外主流厂商的大模型发布动态，涵盖开放参数模型与闭源模型，并标注了模型参 数、模态等关键信息。该全景图为开发者和社区理解厂商竞争态势提供了直观参考。 报告还指出，当前大模型发展呈现几大关键方向：中美开源与闭源路线分化明显；模型参数在MoE架构下趋 ...

大模型开源开发生态全景 - 报告收录22个技术领域114个最受关注开源项目 分为AI Agent和AI Infra两大技术方向[1] - 62%开源项目诞生于2022年10月之后 平均年龄仅30个月 体现高速迭代特性[1] - 全球36万开发者参与 美国占比24% 中国占比18% 中美合计贡献超四成核心力量[1] 中美开源策略差异 - 中国厂商更倾向开放权重开源模型路线 美国头部厂商多采用闭源模式[1] - 中国在积木共享上的积极性让全球生态更具活力[1] AI编程工具发展 - AI编程工具呈现爆发式增长 主要分为命令行工具和集成开发环境插件两类[1] - 2025年新出现Coding工具平均获得3万以上开发者Star关注[1] - Gemini CLI开源3个月星标数突破6万 成为增长最快项目之一[1] 开发效率提升路径 - 模型厂商从命令行工具切入 注重用户体验团队从集成开发环境入手[2] - 未来程序员将更多重复性工作交给AI工具 聚焦创意设计和复杂问题解决[2] 大模型发展趋势 - 大模型发展呈现中美开源闭源路线分化 MoE架构下参数趋于规模化[4] - 基于强化学习提升Reasoning能力 多模态模型进一步成为主流[4] - 模型评价方式发展出基于主观投票和客观评测的不同模式[4]

报告概述 - 蚂蚁开源联合Inclusion AI发布《全球大模型开源开发生态全景与趋势报告》2.0版本 全面揭示人工智能开源领域发展现状和未来趋势 并纳入百余天内开源社区新动向 [1] - 报告通过数据驱动方式客观呈现全球AI开源生态真实状况 展现中国在AI开源领域重要地位 [3] 开源生态特征 - 报告数据来源于GitHub全平台项目 使用OpenRank算法筛选和排名 收录22个技术领域的114个最受关注开源项目 分为AI Agent和AI Infra两大技术方向 [3] - 62%大模型生态下开源项目诞生于2022年10月"GPT时刻"之后 平均年龄仅30个月 反映AI开源生态高速迭代特性 [3] - 参与全景图项目开发的约36万全球开发者中 美国开发者占比24% 中国开发者占比18% 印度8% 德国6% 英国5% 中美两国合计贡献超四成核心力量 [4] 开源策略差异 - 中国厂商更倾向于开放权重的开源模型路线 美国头部厂商多采用闭源模式 [4] - 中国在积木共享上的积极性正让全球生态更具活力 [4] AI编程工具发展 - AI编程工具爆发式增长 能自动生成修改代码大幅提升程序员效率 成为开源社区最热门领域 [4] - 工具主要分为命令行工具（如Google Gemini CLI）和集成开发环境插件（如Cline） [4] - 2025年新出现Coding工具平均获得3万以上开发者Star关注 Gemini CLI开源仅3个月星标数突破6万 成为增长最快项目之一 [5] - 做模型厂商偏好命令行工具切入 注重用户体验团队从集成开发环境入手 两种路线共同推动编程效率革命 [5] 行业影响与趋势 - 随着大模型能力提升 程序员可能将更多重复性工作交给AI工具 转而聚焦创意设计和复杂问题解决 这一趋势或将重塑软件开发行业分工模式 [5] - 蚂蚁开源同步发布2025大模型发展时间线全景图 梳理2025年1月至今国内外主流厂商大模型发布时间线 包含开放参数模型和闭源模型 标注模型参数模态等关键信息 [6] 大模型发展方向 - 中美大模型开源与闭源路线分化明显 [8] - 模型参数在MoE架构下趋于规模化发展 [8] - 基于强化学习提升模型Reasoning能力 [8] - 多模态模型进一步成为主流 [8] - 模型评价方式发展出基于主观投票和客观评测的不同模式 [8]

AI编程助手行业现状 - AI编程助手行业普遍面临盈利困境 毛利率极低甚至为负 每新增用户会扩大亏损[2] - 市场形成三层竞争格局：模型层(如OpenAI) 基础设施层 工具层 Cursor等公司试图捆绑三层但商业模式不可持续[2] - 典型产品如Cursor每月用户订阅费20-200美元 但实际推理成本高达1000美元 依赖风险投资补贴维持运营[2][3] Cline商业模式创新 - 采用开源策略 软件对个人开发者免费 通过企业增值服务(团队管理/安全保障)变现 类似Linux成功路径[5][6] - 不参与"推理套利"游戏 用户自带API密钥连接各类LLM 公司不从中赚取差价[6][50] - 一年内快速增长至270万开发者社区 GitHub获49.1k星 六个月下载量近200万次[7][10] - 完成3200万美元种子轮+A轮融资 企业客户成为主要收入来源[10][52][53] 技术架构与产品设计 - 首创"计划+行动"双模式交互：计划模式探索需求 行动模式自动执行 降低用户学习门槛[12][13] - 深度集成VS Code扩展形态 避免维护分叉版本的高成本 兼容主流IDE环境[17][18][19] - 构建MCP(Machine Control Protocol)生态系统 已支持150+种MCP服务器 实现跨服务自然语言交互[24][25][26] - 放弃RAG和Fast Apply等优化技术 直接利用大模型长上下文能力 编辑失败率降至4%[45][46][47] 行业发展趋势 - 编程成为大模型最具经济价值的应用场景 但推理本身难以独立成为商业模式[21][57][58] - 模型能力提升改变工作分配：初级编码任务由AI完成 工程师转向架构设计等高阶工作[39][40] - 开源生态加速创新 Cline衍生6000+分叉项目 形成活跃开发者社区[42][43][44] - 记忆系统和上下文工程成为技术前沿 智能体需保持叙事完整性处理复杂任务[63][64][66] 企业级市场拓展 - 强调数据隐私与控制 企业可自主选择API提供商 避免敏感数据外流[52][53] - 开发企业级功能模块：安全护栏 治理洞察 预算管理等 满足组织管理需求[54] - 通过投资回报量化工具 帮助企业证明AI编程助手的经济价值[55][56] - 团队计划从20人扩张至100人 聚焦智能体基础设施研发[68][69][70]

纪要涉及的行业和公司 - **行业**：资产管理、金融科技、投资银行 - **公司**：Tradeweb、BlackRock、TrendSpider、Permutable、Riskfuel、Quant Insight、Trendlyne、MDOTM、Koyfin、Kavout、Cline、Cursor、KX、QuantConnect、QuantRocket、JP Morgan、Morgan Stanley、UBS、Daiwa Securities Group Inc、BTG、Bernstein Institutional Services LLC、Sanford C. Bernstein & Co., LLC、Bernstein Autonomous LLP、BSG France S.A.、Sanford C. Bernstein (Hong Kong) Limited、Sanford C. Bernstein (Canada) Limited、Sanford C. Bernstein (India) Private Limited、Sanford C. Bernstein (Singapore) Private Limited、Sanford C. Bernstein Japan KK 纪要提到的核心观点和论据 1. **AI工具助力交易、技术分析和风险管理** - **Tradeweb AiSNAP & AiEX**：通过结合历史交易数据和先进AI算法，优化交易商选择，提高流动性发现效率，降低交易成本，与传统和新型报价协议集成，提供自动化交易解决方案 [2][8][9] - **BlackRock's Alladin**：统一投资管理流程，提供全面的投资组合管理、风险分析和订单执行功能，基于历史数据和蒙特卡罗模拟进行情景分析和压力测试 [2][8][9] - **TrendSpider**：提供技术和基本面分析工具、交易策略开发、市场预测和交易执行功能，服务多种金融专业人士，高级版本费用从50美元/月到280美元/月 [2][8][9] - **Permutable Trading Co - Pilot**：利用专有多智能体AI框架，为宏观基金和外汇/大宗商品交易员提供实时市场情报和情绪分析，适用于能源、大宗商品和外汇资产类别 [2][8][9] - **Riskfuel**：构建快速计算模型，为金融机构提供实时估值、风险敏感度分析、情景分析和波动率曲面自动构建功能，适用于衍生品交易 [2][8][9] 2. **量化投资者适用的AI工具** - **Cline**：作为VS Code扩展的自主编码代理，支持多种大语言模型，适合处理大型数据库的深度上下文感知编码任务，但存在基于令牌的定价模式和学习曲线陡峭的问题 [61] - **Cursor**：另一种受欢迎的AI编码编辑器，集成速度快、成本低，但在理解大型架构和跨文件管理方面存在局限性 [61][62] - **KX (KDB + / KX AI)**：企业级超高性能时间序列数据库和分析平台，提供AI驱动的定量研究、回测、实时和历史数据分析等功能，被顶级量化基金和银行广泛使用，还应用于多个行业 [62] - **QuantConnect**：开源的基于浏览器的算法交易平台，提供免费的金融数据，支持策略开发、测试和执行，包括实盘和模拟交易，支持多种资产和编程语言 [62] - **QuantRocket**：基于Python的多资产研究、回测和实盘交易平台，支持多种数据源和经纪商集成，提供多种回测工具 [62] 3. **基本面投资者关注的量化信号工具** - **Quant Insight**：提供宏观因素风险分析、宏观估值和投资组合构建解决方案，为机构投资者提供独特的宏观风险建模和分析，适合构建宏观意识的投资组合 [28][29] - **Trendlyne**：全面的股票分析平台，提供筛选器、量化评分、SWOT分析等功能，覆盖印度和美国市场，对使用基本面和技术条件筛选股票的投资者有用 [28][29] - **MDOTM**：AI驱动的投资解决方案，支持投资组合的构建、再平衡和解释，通过AI提供市场趋势和经济条件的见解，有助于投资组合优化和资产配置 [28][29] - **Koyfin**：金融科技公司提供的高级分析平台，提供市场数据、分析和自定义可视化功能，适合ETF和共同基金比较筛选、高级绘图和自定义仪表盘生成，拥有大量用户 [28][29] - **Kavout**：专注于美国股票的量化投资平台，其旗舰产品K Score使用机器学习算法分析大量金融数据，提供可操作的见解，提供定制解决方案 [28][29] 其他重要但是可能被忽略的内容 1. **评级相关** - **Bernstein品牌**：根据不同地区的基准指数对股票进行评级，有“Coverage Suspended”“Not Rated”“Not Covered”等评级类别 [85][86][87] - **Autonomous品牌**：使用不同的基准指数对股票进行评级，有“Outperform”“Market - Perform”“Underperform”等评级类别，还有核心想法的“Feature”标记 [89][90][93] 2. **分布情况** - 截至2025年6月30日，Outperform评级的公司占比51.27%，Market - Perform（Bernstein Brand）或Neutral（Autonomous Brand）评级的公司占比35.67%，Underperform评级的公司占比13.06%；同时给出了接受投资银行服务的公司在各评级类别中的数量和百分比 [95] 3. **合规与披露** - 分析师认证：报告中的分析师认证其观点准确反映个人观点，且薪酬与特定推荐无关 [100] - 利益冲突控制：公司建立信息壁垒控制信息流动，研究覆盖的启动、更新和停止由公司自行决定 [101] - 各地区分发信息：报告在不同国家和地区有不同的分发实体和适用规则，对投资者类型有不同要求，如美国、加拿大、英国、中国香港、新加坡、日本等 [105][107][109][113][114][118] - 法律声明：报告的分发、使用和版权等方面有相关法律声明，强调报告不构成投资建议，投资者需自行决策等 [125][126][127]

Vibe Coding实践与验证 - Vibe Coding指完全依赖AI生成代码的编程方式 代表产品包括Windsurf Cursor Cline Devin等 [7] - 资深工程师通过3个月实践验证 完全依赖AI生成5万行代码 成功开发3个功能产品 包括增强型Cline Twitter订阅系统和浏览器自动化工具 [7][8] - 开发效率达到每天生成1万行代码 其中约5000行可直接采纳 远超人工编程速度 [9] - 开发成本控制在100-200美元/项目 耗时主要集中于假期和周末 [8] Coding Agent关键技术架构 - 核心三要素为模型(Model) 上下文(Context) 工具(Tools) 类比企业人力资源管理体系 [15] - 顶尖模型代表包括Cursor调教的Claude 3.7 Max和Gemini 2.5 Pro Max 在复杂任务中表现优异 [15][43] - 上下文管理系统需包含1000+行system prompt 动态用户输入及反馈闭环机制 [16] - 关键工具链包含代码语义搜索(codebase_search) MCP协议支持 浏览器自动化(browser use)等特色功能 [17][32] 语义搜索技术突破 - Cursor通过codebase_search实现工程级语义搜索 支持10万行以上代码库的精准定位 [18][26] - 技术实现包含AST语义分块 向量嵌入存储 余弦相似度搜索三阶段 类似百度搜索引擎架构 [29] - Cline因缺失语义搜索功能 处理1万行以上代码库时效率显著下降 需通过第三方方案补足 [31] MCP协议生态发展 - MCP(Model Context Protocol)实现工具链标准化 使同一工具可跨平台(Cline Cursor Copilot)通用 [33] - 协议优势包括开发流程简化(仅需修改JSON配置) 端到端SOP自动化 避免重复开发排队 [38] - 2025年5月技术格局：Cline对MCP支持最佳 Cursor次之 Copilot仍在追赶 但差距可能快速变化 [36] 主流Coding Agent产品对比 - Cursor当前领先 凭借Claude 3.7 Max模型和语义搜索能力 可驾驭10万行级工程 [43][44] - Cline优势在于开源可定制 对MCP支持最完善 但需补足语义搜索和上下文管理短板 [44][45] - GitHub Copilot在上下文管理和MCP支持方面暂处劣势 但微软生态整合能力可能带来变数 [46] Agent开发核心原则 - 实践验证"苦涩教训"(The Bitter Lesson)：过度植入人类经验会限制AI潜力 应侧重搜索和学习元方法 [47][49] - 质量Agent案例显示 减少人为干预后测试覆盖率从70%提升至99% 证明通用方法的扩展性价值 [48] - 行业需建立能自主发现复杂性的系统 而非简单封装现有知识 [49]

生成式AI对软件工程的影响 - 生成式AI将继续改变软件开发方式，75%的开发者已使用AI工具进行软件工程相关工作[1] - AI工具仍处于创新周期早期阶段，软件工程AI智能体可能成为2025年创新核心[1] - 主流媒体对AI取代软件工程师的讨论多出自非专业人士，未能准确评估GenAI工具的效率和局限性[1] AI工具在软件开发中的使用模式 - 开发者分为"加速器"和"迭代器"两类，使用方式截然不同[3][7] - 加速器模式：从零快速构建最小可行产品，如Bolt、v0等工具可在几小时内将设计转化为可运行原型[10][11] - 迭代器模式：用于日常开发，如Copilot等工具辅助代码补全、重构和测试生成[11][12] AI辅助开发的挑战 - "70%问题"：AI可快速完成70%工作，但剩余30%需要大量人工调试[14][15] - "两步后退悖论"：修复一个问题可能导致更多新问题，形成恶性循环[16] - "知识悖论"：AI工具对经验丰富开发者帮助更大，而非初学者[20][22] - 初级开发者容易接受AI输出导致"纸牌屋代码"，缺乏可维护性[18] 有效的AI开发模式 - AI初稿模式：生成基本实现后人工重构和增强[28] - 持续对话模式：保持紧密反馈循环，频繁评审变更[29] - 信任加验证模式：生成代码后人工评审关键路径和边缘情况[30] 软件工程智能体的兴起 - 2025年将出现更自主的AI智能体，能规划、执行和迭代解决方案[35][38] - 多模态能力将整合视觉理解、口头对话和环境交互[40] - 英语优先的开发环境使自然语言沟通变得与编程技能同等重要[44] 软件质量与工艺 - AI加速开发但未显著提升软件质量，关键仍依赖人类判断[54] - AI生成代码可能导致"演示品陷阱"，忽视边缘情况和用户体验[48][49] - 个人软件可能复兴，开发者将更关注细节和完整用户体验[53] AI对软件工程流程的影响 - AI主要帮助编码环节(占40%时间)，对其他环节如规划、验证等帮助有限[58] - 自20世纪60年代以来，无开发者软件工程的梦想仍未实现[59] - 抽象层次越高，越难明确表达复杂软件需求[63] 行业趋势与人才需求 - 对经验丰富软件工程师的需求可能增加，因其能更有效使用AI工具[67] - AI智能体领域将吸引大量风投，价格有望下降[64] - 开发者需要掌握系统设计、架构思维和AI协作等新技能[45][46]