我可以 100% 证实，Qwen3.6-27B 在处理编程任务时是一款非常出色的本地模型。在过去的一个半月里，我几乎每天都在使用它，要么是在我的 M2 Ultra 上，要么是在我的 RTX 5090 电脑上。我用它来处理 ggml-org 中一些简单乏味的日常任务——没什么特别惊艳的，但对一个维护者来说绝对是个实用的工具。我想如果我不用把大量时间花在审查 PR（拉取请求）上的话，我使用它的频率还会高得多。目前，我使用了一个非常轻量级的环境——精简了所有内容的 pi agent（pi -nc --offline），并加了一段简短的系统提示词，以便让它更符合我的风格。 来源: Simon Willison 的网络日志
3 篇文章带有标签 “coding-agents”
很难说清楚在过去两个月里，人工智能让编程发生了多大的变化：它不是以「往常一样逐步进展」的方式渐进发生的，而是就在去年十二月突然发生的。他指出，由于更高质量模型具备了「长期连贯性和执着性」，编程智能体「在十二月之前基本还不好用，但从那之后基本就能用了」。来源: Simon Willison 的网络日志
Cursor 的上下文工程与编程智能体
《Context Engineering & Coding Agents with Cursor》（Cursor 的上下文工程与编程智能体），由 Cursor 团队成员 Lee 和 CEO Michael 主讲。视频深入探讨了软件开发的演变、Cursor 如何利用 AI 提升编程效率，以及未来编程智能体的发展方向。
1. 编程的演变与 Cursor 的核心功能
- 编程历史回顾：从打孔卡片到图形界面，再到如今的 AI 辅助编程，AI 正在以前所未有的速度推动软件开发的进步。
- Cursor Tab (代码补全)：
- Cursor 的 Tab 功能深受 GitHub Copilot 启发，但已从简单的“预测下一个词”进化为“预测下一个动作”甚至“预测光标去向”。
- 强化学习：模型会根据用户的“接受”或“拒绝”操作进行实时在线强化学习（RL），在 30 分钟内即可更新模型行为。
- 平衡性：Cursor 致力于在建议速度（不打断心流）和建议质量之间找到平衡点。
2. 上下文工程 (Context Engineering)
- 超越提示词工程：随着模型变强，获取高质量输出的关键不再是“提示词技巧”，而是提供“正确的上下文”。
- 混合检索策略：
- 字符串匹配：单纯依靠 grep (字符串匹配) 是不够的。
- 语义搜索：Cursor 通过对代码库建立索引（embeddings），即使文件名不完全匹配（如 header.tsx vs "top navigation"），也能通过语义准确找到相关代码。