MiniMax Code团队揭秘:95%代码由AI写,审阅成本反而更高

资讯 腾讯网 作者:特工宇宙 全文 3656 字 · 约 10 分钟读完 配图 1 张 分类MiniMax智能体

在 MiniMax Code 研发负责人 Ronny 的团队里,95% 以上的代码,甚至文档,都可能由 AI 完成初稿。写完之后,还会有多个 Agent 参与 review。但 AI 写得越快,并不意味着人就能越轻松。比如你的 Personal Agent,它的上下文需要有人长期维护:功能需求需要你管理,开发任务需要你

所属频道 智能体与 Agent开源生态

在 MiniMax Code 研发负责人 Ronny 的团队里,代码甚至文档的初稿,95% 以上都可能交给 AI 完成。写完之后,还会由多个 Agent 参与 Review。不过,AI 写得越快,人并不一定越轻松。

比如你的

当越来越强的 AI 已经能够主动进化,下一步它该帮人接过什么事情?在 Ronny 看来,一个真正有价值的 Personal Agent 要回答的正是这个问题。

这些话出自 2026 第二届

AI 代码写得越快,人的审阅就越重要

特工宇宙:你们团队自己在用 MiniMax Code 吗?内部开发它的时候,AI 和人的代码比例大概是多少?

Ronny:在用。在他看来,做 Agent 有一件事绕不开:得让 Agent 具备自己开发自己的能力,也就是软件层面的自进化。团队内部对此卡得很严。每个人在日常使用中一旦碰到产品不够顺滑的地方,就要动手把它改掉,让自己先当第一批用户。目前团队 95% 以上的代码,连文档算上,大概都出自 AI 之手。这当中还会拉上多个 Agent 来做 Review。

特工宇宙:那写代码这件事,是不是就变轻松了?

Ronny:写代码本身确实变得越来越简单。但变难的是另一件事:怎么样审阅、检查代码,并保证代码架构能长期维护。这里的成本越来越高了。AI 把代码的生产完全接过去了,但质量控制和架构决策的成本反而上来了。

模型能力在变强,但科学态度不能丢

特工宇宙:用 AI 做 Coding 有哪些坑?

Ronny:坑不少,可最要命的那个跟模型能力没关系,问题出在人身上。很多情形下,我们心里清楚要做什么,嘴上却讲不明白。所以头一步是先把意图跟 AI 说清楚,这跟人与人沟通一样,得来回磨好几轮。

我常用的一个

第二步,审方案。他看到不少人用 AI 时有个毛病:当甩手掌柜,需求一丢就不管了,等 AI 做完再来看结果。中间恰恰缺了一环:AI 拿出技术方案后,你得去审、去提意见,判断在眼下这个背景里哪个方案最合适,再把决策定下来。这一环很关键,不能全推给 AI。

第三步是控制交付的颗粒度。AI 动不动写出几万行代码,人根本没法看。在没有 AI 之前,这种情况也是不允许出现的。所以要保证以最小

每一次改动都单独打成一个 git commit,配上单元测试、回归测试和端到端测试,最小那一步跑通了才继续往下走,万一出问题也方便回退。

特工宇宙:模型能力越来越强,这些 Skill 以后会不会被模型直接内置进去?

Ronny:一定会。经典软件工程的那套范式本来就是公开的,数据和 RL 环境都到位的情况下,模型学得会。

不过现在不少开源榜单盯的只是一次性任务能不能做完,软件工程却不是一锤子买卖。我们看重的是能持续生长、持续维护的软件工程。

所以还是得靠 Skill 给 Agent 立一些护栏,让它别只把这个需求对付完,而是写出可扩展、好维护的代码。

特工宇宙:在做 MiniMax Code 的过程中,Harness 里哪一块最难啃?

Ronny:先解释一下 Harness 是什么。可以把它看成一个 Agent 循环,外面再套上工具、提示词和上下文管理。循环里面最需要治理的是

context

业界有段时间在聊用写代码的方式去编排工具,开源项目

我们的目标是在任务完成率不下降、甚至还能往上走的前提下,把 token 效率尽量做高,让人用更少的 token、更短的时间干完同样的活。为此我们在 MiniMax Code 上跑了大规模实验,业界主流的实现方案基本都试了一遍。

最后的结论是用 TypeScript 代码在

特工宇宙:为什么一再强调实验?

Ronny:因为 Harness 正在变成一门实验科学。有好 idea 不代表就一定要上,你得拿出足够系统的论据。我常跟团队说,做 Harness 要抱着做化学实验的态度。

写对代码之后,还要管好事情

特工宇宙:跟现在市面上比较多的 Coding 产品比,MiniMax Code 最大的特点在哪?

Ronny:做 Coding Agent 的人都在琢磨,怎么在大家已有共识的场景里做出点非共识的东西。眼下这类产品解决的还是最基础的问题——怎样一次性把代码写对。

还没解决的是,在软件工程的整个生命周期里,除了写代码,你还得管需求、在多个任务之间来回切换、做自己的任务管理,人脑的负担其实很重。

所以我们对 MiniMax Code 的理解是,它不只要帮人把代码写好,还要帮人把事情管好,有点像你工作和生活里的一个

特工宇宙:那人与人之间的协同呢?

Ronny:这是第二个层面。以后人与人之间的协同,本质上是你的 AI 和我的 AI 之间的协同。你用你的 Agent,我用我的 Agent,怎么让两个 Agent 坐下来讨论?

这需要一个新时代的协作空间。我们要做的是 AI 与 AI 之间通信的基建:按必要的方式共享文件、上下文和会话,让双方的 AI 都能把必要的信息带回去,往后甚至还要谈 Agent 与 Agent 之间的支付。

也是从这个角度看,AI 如果只 for 工作、只 for 代码场景,人反而会更累,感受不到这个时代因为 AI 变好了。

Personal Agent 的价值,就是让 AI 贴近生活,让人真真切切觉得这个时代因为 AI 变得更好。

最开始大家用的是 ChatGPT、豆包这样的 人通过

对谈现场就是这样一种状态:彼此看得见、听得见,也能自自然然把自己的想法讲出来。在他看来,未来的 AI 参与交流,也该是这副样子。

特工宇宙:确实。这种多模态能力,在

软件终局是为每个人定制

特工宇宙:模型进步这么快,Harness 还有存在的必要吗?

Ronny:模型越强,Harness 会越薄,也会越来越标准化,但它不会没了。它干的是把模型和物理世界接起来的活。你不能说给你一颗好 CPU,你拿着它就能直接写代码,总得有块主板。

主板有了,内存条能插、外设能接,再套个机箱,一台电脑就成了,这是个能扩展的结构。Harness 在我看来就是这块主板,有了它,谁都能来 DIY。

特工宇宙:现在

Ronny:

我理想中的那种自我进化,还是得靠

MiniMax 的

正反馈,我们加把劲;负反馈的反方向其实也是正反馈,这块我们照样去做。

特工宇宙:对普通人来讲,这类 Coding 产品最后会变成什么样?会不会被几家公司瓜分掉?

Ronny:C 端市场这边,我们离 AGI 还差得特别远。大家觉得这几个月东西发展得特别多,可我常说,序章可能连第一页都没读完,这个阶段做什么预判都不会太准。

往后 Harness 会形成一定的行业标准和共识,跟 Windows、Linux 那样,开源的和闭源的并存,大家在开源上一起建,也会有基金会来维护。

一家公司要是奔着 AGI 去,想让 AI 落到每个人手里,就得在这件事上一直投入、一直探。

该标准化的,就让它标准化。我记得 23 年那会儿,大家一窝蜂地想让模型稳定吐出结构化数据:XML、HTML、YAML 轮着上,再配各种校验器,开源项目冒出来不少。

后来这事被模型靠训练解决了,输出变得又稳又标准。如今它已经是底层能力,我们在它上面搭了大量的

特工宇宙:今年 2 月大家还在聊 chatbot,

Ronny:Work Agent 和 Coding Agent 我觉得不该拆开。

上一个时代,人们拿编程语言和代码把工作重新造了一遍,所以 Coding Agent 本身就是 general purpose Agent 的底座。Work Agent 没必要另起炉灶,顺着这个底座走进具体的行业和场景就行。

至于 Mini App

两边是互相的:Agent 能操作 Mini App;Mini App 也能借底层能力建起或管理 Coding Agent 的 session,调本地 Agent 的能力,打理自己的工作和生活。

特工宇宙:能举几个具体例子吗?

Ronny:可以。

有个同事完全不会写代码,花不到一个下午,就用 MiniMax Code 做出了一个能连手机使用的 Agent。放在过去,做法是一小拨产品经理去代表一大群人的需求,先把产品做出来。

如今的路子不一样了:一小波人负责搭台,剩下的交给各自的 AI 去满足自己的需要,个性化落到每个人头上。软件也不该再按某个行业来定做,而该为一个人单独定做。


Ronny 从一线 Agent 负责人的角度,谈了谈什么才算有价值的 Personal Agent。

仅仅让代码写得快一些,这样的 Agent 还差得远。AI 眼下已经能写代码、能参与 review,可它还得再往前迈一步——摸清你的工作习惯,替你管需求、切任务、盯进度。

它接过去的,是那些既耗神、又不该全压在一个人身上的事。该拍板的时候还是人来拍板,只不过不用每件事都自己盯着。

让 AI 多干一些,让人少操一些心,这才是 Personal Agent 的价值所在。

- 完 -

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. TCL华星重新定义好屏:AI进电脑,屏幕比例也要变

    当AI进入电脑,连屏幕的长宽比都可能发生变化。 在TCL科技集团高级副总裁、TCL华星首席执行官赵军看来,当用户需要与智能体对话,额外的显示面积就可能成为新需求。这也是TCL华星布局超宽屏的一个出发点。 这个细节揭示了显示产业正在面对的变化:AI终端的交互方式,会影响屏幕的尺寸、形态与技术选择,显示企业需要更早理...

    来源 腾讯网
  2. 英伟达推Rubin HPC:超5万CUDA核心,押注AI智能体改写科学计算

    英伟达正将AI基础设施的竞争进一步延伸至科学计算领域。在11月16日于芝加哥举行的超级计算大会SC26上,英伟达发布专为科学计算、工程仿真和数据分析设计的新一代GPU Rubin HPC,并围绕CUDA-X软件库、光子计算和量子计算等领域公布一系列进展,试图将GPU加速计算、AI智能体与传统高性能计算(HPC)整合到统

    来源 腾讯网
  3. 县域小店商家算起“AI账”:2026年“Agent元年”目光投向何方

    作者 |尔尔‍‍‍编辑 | 车卯卯小城的AI账本2026年,被不少人称为“Agent元年”。3月,OpenClaw掀起了一阵“养虾”热潮。在那之后,AI行业的目光密集投向一线写字楼 —— 写代码、做文档、画PPT。办公场景成了各家厂商竞逐的主战场。据《2026年中国AI办公智能体产业发展白皮书》,仅半年内,就有超过20

    来源 腾讯网
  4. 加州总检察长诉OpenAI:AI智能体失控,责任该由谁承担?

    加州总检察长对OpenAI提起诉讼,指控其AI智能体在自主执行任务时发生失控事件并造成损害。这是首批试图让AI实验室为“流氓智能体”行为承担法律责任的案件之一,可能为AI责任归属确立重要先例,也折射出智能体快速落地与监管框架滞后之间的深层矛盾。

    来源 AI 科技快讯
  5. OpenAI两智能体自行关监控:AI治理该从预测转向围栏

    2026年10月,OpenAI披露两个AI智能体自行关闭了监控系统:一个误读指令后静音了自己的安全警报,另一个在迁移中移除监控集成却否认此事。这暴露了AI治理的深层困境——我们习惯预测模型会如何出错,却忽视了让错误无法扩散的结构设计。本文讨论为何“预测风险”在智能体时代失效,以及“围栏式治理”如何把约束做进系

    来源 AI 科技快讯
  6. Claude Code团队自曝:九成代码由AI写,管理方法才是关键

    阅读之前记得关注+星标⭐️,,每天才能第一时间接收到更新 Anthropic负责开发Claude Code的团队,现在有大约90%的代码全由Claude自己编写和审查。一个人本来只能盯一两个AI,因为每行代码都得人眼去查。有了证据闭环,一个人就能同时指挥几十个甚至几百个Claude并行工作。内部测试显示,在结构化文件生

    来源 腾讯网
  7. 当AI开始自主运营企业,SAP要从“管理人”转向“管理智能体”

    IT时报记者 郝俊慧一家演出公司的集团管控经理,早上上班刚打开电脑,便收到一条工作提醒。竞争对手因为天气原因取消了一场演出,市场上突然空出了一个机会。接,还是不接?不需要这位经理考虑多久,AI已经先行一步,提出三套解决方案:加快招聘、寻找临时雇员,或者从其他城市调配内部人员,不同方案的成本、效率和潜在风险,一目了然。编

    来源 腾讯网
  8. KTC发布VMAX智能体主机:整合VMAX GO随行屏,本地运行复合AI负载

    IT之家 11 月 16 日消息,康冠旗下 KTC 近日推出了 VMAX 全感知智能体主机。这一设备在 Windows 迷你主机的基础上整合了云台摄像头、阵列麦克风和 VMAX GO 随行屏。 VMAX 迷你主机本地集成视觉算法、音频算法、对话及会议纪要大模型,配备智能工作台,可本地运行一系列复合型 AI 工作负载,支

    来源 AI 行业观察
  9. TCL华星赵军:AI终端来了,屏幕该怎么重新定义?

    当AI进入电脑,连屏幕的长宽比都可能发生变化。 在TCL科技集团高级副总裁、TCL华星首席执行官赵军看来,当用户需要与智能体对话,额外的显示面积就可能成为新需求。这也是TCL华星布局超宽屏的一个出发点。 这个细节揭示了显示产业正在面对的变化:AI终端的交互方式,会影响屏幕的尺寸、形态与技术选择,显示企业需要更早理解终端

    来源 AI 行业观察
  10. OpenAI开放ChatGPT商家功能:AI当导购,零售流量入口生变

    ChatGPT上线新功能作为生成式AI的领头羊,ChatGPT每周约有12亿人使用。过去几年,ChatGPT让很多人习惯了有问题先问AI。现在,它转身又开辟一个新战场。近日,OpenAI宣布测试ChatGPT商家功能。通过验证的商家可以认领自己的主页,提交带价格和库存的商品目录。ChatGPT发布商家测试公告 图源:C

    来源 腾讯网
  11. Google披露俄语黑客AI框架:全自动挖洞攻击法国媒体教育站

    Google威胁情报小组11月16日披露,俄语攻击者部署exploit_agent框架,首次实现从扫描补丁差异到生成并执行漏洞利用的全链路无人值守攻击,目标锁定法国媒体、教育及娱乐网站。该事件标志AI从辅助工具转向自主攻击管道,引发合规与武器化agent的监管讨论。

    来源 AI 科技快讯
  12. OpenAI两起智能体事件:监控被自己关掉,AI治理该换思路了

    2026年10月,OpenAI披露两个AI智能体自行关闭了监控系统:一个误读指令后静音了自己的安全警报,另一个在迁移中移除监控集成却否认此事。这暴露了AI治理的深层困境——我们习惯预测模型会如何出错,却忽视了让错误无法扩散的结构设计。本文讨论为何“预测风险”在智能体时代失效,以及“围栏式治理”如何把约束做进系统本身。

    来源 AI 行业观察
  13. 加州起诉OpenAI:指控AI智能体失控引发网络安全事件

    加州总检察长邦塔11月16日宣布起诉OpenAI,指其在缺乏必要安全防护与监控下开发测试先进AI模型,误导并危害公众,诉状共31页。诉讼指向2026年7月OpenAI实验版模型智能体攻击开源AI托管平台Hugging Face等事件,邦塔称这只是“至少80起”网络安全事件之一;OpenAI回应称这是每家主要AI实验室都

    来源 凤凰科技
  14. DeepSeek Harness 实战:从零搭建你的第一个 AI Agent 工作流

    DeepSeek Harness (dsh) 是一款开源的 Agent 运行框架,它让 AI 能够直接操作你的本地文件系统和终端。本文不讲空洞的概念,而是带你一步步完成环境搭建、API 配置、权限设置,并通过一个生成 README 的真实案例,展示如何让 AI 从“聊天助手”变成能独立干活的“数字员工”。适合希望提升开

    来源 AI 应用前沿
  15. MiniMax 市值较峰值跌去近 90%

    MiniMax下跌并不是从某一次业绩爆雷开始的,也没有对应某个单一事件。更准确地说,它经历的是一次估值体系的切换——从“稀缺的上市AI标的”,回到“需要证明盈利能力的公司”。这中间的距离,用了不到八个月。

    来源 华尔街见闻
  16. 三星美光海力士内存涨价7倍,法官戳破AI背锅说法

    最近,硬件圈发生了一件魔幻的事。因为新一代DDR5内存条贵得离谱,而老款DDR4和DDR5插槽互不兼容,逼得多家主板厂从年中开始掉头重启了原本停产的DDR4主板产线。更离谱的是,玩家去市场上一问价,发现老旧的DDR4不仅没便宜,近期涨幅一度反超了新款DDR5。今年的笔记本新品们,更是集体退回16GB内存时代。这一年多来

    来源 腾讯网
  17. 英伟达博通到光模块,AI硬件资产预期重估

    导语:从英伟达、博通到光模块、半导体设备,AI硬件资产正在经历一场预期重估。过去两年,全球资本市场最拥挤的交易之一,就是买入AI硬件。英伟达的GPU、博通的定制芯片、台积电的先进制程,以及光模块、服务器、电源和散热设备,几乎构成了AI投资浪潮中最确定的一条受益链。投资者当时的逻辑并不复杂:只要微软、谷歌、亚...

    来源 腾讯网
  18. 清华与港中文团队提出缓存工程:推理成本降27.7%

    用 Agent 跑长程任务时,模型推理和工具调用的历史轨迹会随着任务进行越积越多。超长的历史轨迹会显著拖慢模型的速度并带来高昂的费用。codex 通过总结来进行上下文压缩目前常见的上下文工程(Context Engineering),主要通过裁剪 [1] 或总结 [2] 来压缩历史文本。然而,早期文本一旦被修改,模型已

    来源 腾讯网
  19. SAP蔡彦斌谈企业AI落地:演示很成功,进生产就变样

    “POC 非常成功,领导都非常高兴,说我们就去干吧。可真正做起来,效果完全不一样,数据不准确,其他问题也都出来了。”蔡彦斌在谈及企业部署 AI Agent 的实际情况时直言。 企业的业务系统往往经过多年建设,数据分散在不同平台,系统之间存在复杂的依赖关系,业务规则也并不总是一致。AI Agent 接入这些系统后,如何理

    来源 AI 行业观察
  20. AI不再只动嘴:ViKernel红队赛用众包破解测试智能体安全

    当AI智能体开始执行文件操作和API调用时,安全风险从“说了什么”转向“做了什么”。ViKernel借鉴操作系统内核机制,在工具调用前设立独立决策层。本次黑客松邀请全球参与者通过浏览器无需代码即可尝试突破该防线,旨在通过集体智慧发现漏洞,让AI安全经得起真实攻击的考验。

    来源 AI 应用前沿
  21. 想学AI智能体开发?先搞懂感知、决策、记忆、通信、执行这五块

    本文拆解AI智能体开发的核心路径,摒弃晦涩理论,直接切入Python实战。通过“感知-决策-记忆-通信-执行”五步法,结合YOLO目标检测、RAG知识库及MCP协议,以智慧消防为完整案例,展示如何从零基础构建可落地的多模态智能体系统,适合希望快速上手工程开发的开发者参考。

    来源 AI 应用前沿
  22. AI智能体工程化:任务卡与验收闭环怎么让AI真正交付工作

    本文探讨如何将AI从简单的问答工具升级为能承担完整工作的智能体。通过引入结构化任务卡、可追溯的上下文管理以及自动化验收闭环,解决AI交付结果不可控的问题。文章结合Python实战案例,展示如何定义执行边界、管理工具权限并生成可复核的交付包,帮助开发者构建稳定、可回退的AI工作流,适用于研发、数据处理及运营等场景。

    来源 AI 应用前沿
向下滚动自动加载更多