# Codex 查线上性能回退，Replit 让 agent 按预算组队，Neon 迎来三组后续评测

Date: 2026-11-20
Language: zh
Canonical: https://code-echo.pages.dev/2026/11/20/ai-twitter-hots

---

# AI Twitter/X 热点 Digest · 2026-11-20（周五）

## 今日要点

1. **OpenAI Performance Factory**：性能告警触发 Codex 调查，另一会话尝试推翻归因，工程师审补丁、线上指标验收。
2. **Replit Missions**：Replit 公开了按预算组队的案例；NumPy 实验从 16 到 32 个 agent，程序加速从 17× 到 19×。
3. **Gemini 4 Neon**：Cognition、Vals AI 和 Artificial Analysis 的跟进都给了性价比信号，但测的不是同一件事。

---

## 1. 线上性能回退：Codex 做归因，工程师审补丁

**要点**：OpenAI 把线上指标异常接进持续运行的 Codex 工作流。检测到回退后，调查会对照指标、版本和代码变更定位原因；有足够证据时再起草补丁，由工程师审阅，上线后继续核对性能指标。官方说三个多月追踪了 1,700 多次调查、为 600 多个案例定位了根因。这不是 600 次修复，更不是自动合并的数量。 这套系统不是让一个 agent 从头写到尾。任务状态保存在工作流之外；独立 Codex 会话尝试推翻归因，比如检查没有接触新版本的请求是否也变慢。只有归因经得住反证，才会生成修复 PR；如果上线后指标没恢复，任务回到调查。

**为何值得看**：最值得借鉴的是验收信号来自线上指标，而不是 agent 自报成功。把检测、归因、审阅和上线复核拆开，也能看清自动化到底省掉了哪一环。

- [OpenAI 工程文章](https://openai.com/index/how-openai-performance-factory-keeps-chatgpt-fast/)
- [OpenAI Developers 原帖](https://x.com/OpenAIDevs/status/2123471880292299171)
- [OpenAI 补充工作流](https://x.com/OpenAIDevs/status/2123471882858963146)
- [OpenAI 给出的调查数字](https://x.com/OpenAIDevs/status/2123471887628140642)

[![OpenAI 原帖配图：从手工排查演进到由多个 agent 协作的 Performance Factory](/images/twitter-hots/2026-11-20/01-performance-factory.jpg)](https://x.com/OpenAIDevs/status/2123471882858963146)

---

## 2. Replit Missions 让 agent 按目标和预算组队，但代理翻倍不等于收益翻倍

**要点**：Replit 继续公开 Missions 的多 agent 案例。用户给目标、约束和预算，Missions 自行拆任务并检查结果。官方博文用 13 个 NumPy 优化任务举例：Auto (Max) 下，单 agent 的优化最高约 4×，16 个达 17×，32 个达 19×。研究跟帖强调任务归属清楚、共享发现以及降低协调开销。这里的倍数是优化后的程序性能，不是做任务的速度，也不是所有 GitHub 项目的平均收益。

**为何值得看**：从 16 到 32 是值得看的一段：多一倍 agent 只多出一截最优结果。对要做多 agent 的团队，这比「最多 32 个」更实用。先找能并行又能客观验收的任务，再看多开一次是否值那个成本。

- [Replit Missions 发布帖](https://x.com/Replit/status/2123248146390327500)
- [Replit 关于协同开销的研究讨论](https://x.com/Replit/status/2123476265390805392)
- [官方技术与案例说明](https://replit.com/blog/introducing-replit-missions)

[![Replit Missions 发布帖配图：Missions 发布直播预告](/images/twitter-hots/2026-11-20/02-replit-missions.jpg)](https://x.com/Replit/status/2123248146390327500)

---

## 3. Neon 发完后的第二问：在哪个评测、花多少钱，追上了谁？

**要点**：接着 067 期的发布，Cognition 在 FrontierCode 2.0 上报 46.2%，距 Opus 5.5 不到 1 个百分点，约三分之一的任务成本。Vals AI 报的是另一套 RSI Index：Neon 排第 4，跑完整套约 $475，Fable 5.2 和 Opus 5.5 分别约 $1,536 和 $1,647。Artificial Analysis 比的是 Gemini 4 家族，在自己测的档位里，Neon 和 Hydrogen 占据智能对任务成本、耗时的前沿。

**为何值得看**：三个结果指向相近的性价比信号，但「PR 值不值得合」「RSI 表现」和「通用智能对成本」不能合成一张榜。做 IDE 默认路由，应该在自己的任务分布里复测 Neon，而不是直接拿三分之一作预算假设。

- [Cognition：FrontierCode 2.0](https://x.com/cognition/status/2123553121653944391)
- [Vals AI：RSI 排名](https://x.com/ValsAI/status/2123537061739450618)
- [Vals AI：全量运行成本](https://x.com/ValsAI/status/2123537068966232365)
- [Artificial Analysis：Gemini 家族对照](https://x.com/ArtificialAnlys/status/2123513872095269336)
- [Artificial Analysis：成本与耗时前沿](https://x.com/ArtificialAnlys/status/2123513875983462895)
- [FrontierCode 榜单](https://cognition.com/frontiercode)

[![Cognition 原帖配图：FrontierCode 2.0 得分与任务成本对照](/images/twitter-hots/2026-11-20/03-neon-eval.jpg)](https://x.com/cognition/status/2123553121653944391)

---

## 4. Codex CLI 0.171.0：终端工作区默认打开，非交互任务也能连远程

**要点**：预览文档、图片和子代理 transcript 可以留在终端会话旁。新版支持用 `codex exec --remote <ADDR>` 在已有的 app server 上启动或恢复非交互会话；GPT‑6.2 Sol 和 Astra 同时加入模型目录，默认选 Sol。这里的远程是连接一个已经运行的服务，不会自动开机器。 同一窗口，Antigravity 官方宣布桌面端已经能通过 SSH 连接远程服务器。两件事不是一回事：Antigravity 给桌面交互增加远程入口，Codex 则新增脚本任务连接已有会话服务的入口。

**为何值得看**：这比新增一个窗口更值得看：交互式会话和脚本任务都有了连接远程会话服务的入口。评估自己的远程 harness 时，可以分别看会话恢复、授权和草稿是否留在原线程。

- [Codex GitHub Release](https://github.com/openai/codex/releases/tag/rust-v0.171.0)
- [远程 exec 实现](https://github.com/openai/codex/pull/61707)
- [Antigravity 公布原生 SSH](https://x.com/antigravity/status/2123476398601908551)
- [Antigravity SSH 文档](https://antigravity.google/docs/ssh)
- [非官方 Codex Changelog 版本速览](https://x.com/Codex_Changelog/status/2123583261268136431)

[![Antigravity 原帖视频封面：通过 SSH 连接远程主机](/images/twitter-hots/2026-11-20/04-antigravity-ssh.jpg)](https://x.com/antigravity/status/2123476398601908551)

---

## 5. Perplexity 让技能从旧任务里学习，GUARD 提醒先防回归

**要点**：Perplexity 在 X 展示 Computer 的 Brain：一个任务完成后，另一个过程读取轨迹，提炼可复用内容到私人技能，用户可选启用。官方披露的小样本 SkillLearnBench 有 16 个配对案例，成功率从 43.8% 到 62.5%。同一窗口流传的 GUARD 论文讨论相反的一面：模型冻结，让 harness 接受可验证的新修改，同时用保留样例检查原先会做的任务有没有被改坏。

**为何值得看**：把轨迹写进 skill 不难，难的是阻止一次偶然成功变成永久规则。小样本不是普遍收益；而 GUARD 的防回归只覆盖纳入检查的任务。工程上可以先让 agent 提议修改，再用固定样例做接受门槛。

- [Perplexity 原帖](https://x.com/perplexity_ai/status/2123449395882701224)
- [Aravind 解释从执行轨迹学习](https://x.com/AravSrinivas/status/2123451045657690627)
- [GUARD 的社区解读](https://x.com/omarsar0/status/2123420538030957015)
- [Perplexity 官方测试说明](https://www.perplexity.ai/uk/hub/blog/self-improving-skills)
- [GUARD 论文](https://arxiv.org/abs/2611.23476)

[![Perplexity 原帖配图：个人技能的学习与验证流程](/images/twitter-hots/2026-11-20/05-perplexity-skills.jpg)](https://x.com/perplexity_ai/status/2123449395882701224)

---

## 6. Harness Hub 给 Hermes 单独训练 LoRA：别只比模型，也要看跑在哪个 harness

**要点**：团队在 X 公布面向 Hermes 的 Qwen3.8-27B 适配结果。模型卡上，在同一个 Hermes harness 内，关闭 thinking 时，SWE-bench Pro 的 51 道困难题从 29.4% 提到 43.1%，Terminal-Bench 2.1 从 44.7% 提到 58.8%。原版开 xhigh 在后者也是 58.8%，适配版的部分对照任务生成 token 更少。社区有人在 Pi 上试了一道自己的任务，也有人转述 OpenCode 的评测。两者都不是对 Hermes 成绩的独立复测。

**为何值得看**：值得测的是模型和 harness 的搭配有没有降低每个成功任务的成本。不同 harness、不同难题子集不能混成一张排行榜。也不要把 LoRA 的收益误算成 Hermes 本身的收益。

- [Nathan Habib 公布 Hermes 适配结果](https://x.com/nathanhabib1011/status/2123416158065828002)
- [团队补充评测对照](https://x.com/yb2698/status/2123421903784136769)
- [社区 Pi 单题验证](https://x.com/aartiles24/status/2123438828169924686)
- [社区转述 OpenCode 评测](https://x.com/TeksEdge/status/2123272556920860907)
- [Hermes 模型卡](https://huggingface.co/harness-hub/Qwen3.8-27B-hermes-adapted)

[![Hermes 适配团队原帖动图封面：同一运行框架下的评测对照](/images/twitter-hots/2026-11-20/06-hermes-adapter.jpg)](https://x.com/yb2698/status/2123421903784136769)

---

## 7. Gemini API 和 LangSmith 都开始按需加载工具，但控制点不同

**要点**：Google 在 Gemini Interactions API 加入 Tool Retrieval：先给模型名字和描述，通过 `tool_search` 再取相关工具的参数结构，而不是一开始塞进全部 schema。Google 表示 Gemini 3.6 及更新版本支持。LangSmith 同期公测 Tool Gateway，把工具打包为一个 MCP 地址，Search Mode 按需发现；授权身份、工具级权限与调用记录则留在网关。Harrison Chase 的发布帖特别强调用谁的身份调用。

**为何值得看**：发现和授权应该分开看。前者主要影响上下文和工具选择，后者决定什么操作能以谁的身份执行。模型知道工具存在，不代表它已经获准调用；接入大工具集时应该分别量这两层。

- [Google Developers 发布帖](https://x.com/googledevs/status/2123493028732207296)
- [Harrison Chase 谈调用身份](https://x.com/hwchase17/status/2123563652464971838)
- [Harrison Chase 发布周总览](https://x.com/hwchase17/status/2123567130897784911)
- [Google Tool Retrieval 说明](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-api-tool-retrieval/)
- [LangSmith 网关说明](https://www.langchain.com/blog/langsmith-tool-gateway)

[![Google Developers 原帖配图：Gemini Tool Retrieval 代码示例](/images/twitter-hots/2026-11-20/07-gemini-tool-retrieval.jpg)](https://x.com/googledevs/status/2123493028732207296)

---

## 8. GPT‑6.2 跨轮 reasoning：编辑历史和追加消息不是一回事

**要点**：OpenAI 文档说明：在 Responses API 中，如果客户端插入或改写某个已保存 reasoning item 之前的内容，该 item 可能因 `prefix_mismatch` 被丢弃。仅在其后追加内容，不会触发这条规则；删除整项且不改其余项不单独触发这一原因。服务端会在响应的 `input_transformations` 中说明变换。 另一个同期讨论是 Peter Steinberger 说 OpenClaw 的内嵌 harness 合入了缓存修复。它对应开发者报告的另一个缓存现象，不能拿这条回复当作 OpenAI 修好了 API，也不能把单客户端命中率当通用数值。

**为何值得看**：如果 harness 会插系统提示、压缩或改写旧输入，别把「客户端把 reasoning 原样传回」当成「服务端一定保留」。直接记录返回的转换原因，才能区分状态丢失和模型本身的差异。

- [OpenAI API reasoning 文档](https://developers.openai.com/api/docs/guides/reasoning#reasoning-item-removal-across-requests)
- [OpenAI Developers 原帖](https://x.com/OpenAIDevs/status/2123566018866151579)
- [OpenAI 诊断方法](https://x.com/OpenAIDevs/status/2123566052001136885)
- [OpenAI 对追加内容的说明](https://x.com/OpenAIDevs/status/2123566064080740508)
- [Peter Steinberger 关于 OpenClaw 的回应](https://x.com/steipete/status/2123487048250327497)
- [开发者报告](https://github.com/openai/codex/issues/62312)

[![OpenAI Developers 原帖视频封面：避免改写前缀以复用 reasoning](/images/twitter-hots/2026-11-20/08-reasoning-prefix.jpg)](https://x.com/OpenAIDevs/status/2123566018866151579)

---

## 9. Vercel Board：把人和不同工具的 agent 放进同一条任务线程

**要点**：Vercel Board 已向所有套餐开放，仍是实验功能。人和 agent 可以在频道中开任务线程，由 agent 认领、回报进度并附上 PR。自建 harness 可通过 CLI 或 JavaScript SDK 接入；Vercel Connect 支持与 Slack、GitHub 双向同步，访问范围可以按人或 agent 设置。 Rauch 把它放在多代理软件工厂的语境里。Box 的 Aaron Levie 则从行业层面看，指出交互正从问答变成编排任务。这是产品方向判断，不是对 Board 使用成效的评估。 设计上也可以和 Amp Spaces 对照。Amp 的 Thorsten Ball 说用户反应分成两派：有人正想要这个，有人不明白是否只有多人使用才值得开。这是两个不同产品，但都暴露了同一个采用问题：新协作界面得先讲清楚单人用有什么好处。

**为何值得看**：Board 把任务状态放在独立于模型和执行器的线程里。这个方向值得看，但「多个 agent 能加入」不等于它已经解决了重复认领、权限冲突或者失败重试。

- [Vercel 官方博客](https://vercel.com/blog/introducing-vercel-board)
- [Vercel 官方原帖](https://x.com/vercel/status/2123234769236619673)
- [Guillermo Rauch 的发布串](https://x.com/rauchg/status/2123237505810178434)
- [Aaron Levie 谈任务编排](https://x.com/levie/status/2123278949749059756)
- [Amp 团队谈 Spaces 用户反应](https://x.com/thorstenball/status/2123453758394818911)

[![Vercel 原帖视频封面：Board 频道接收 Slack 请求](/images/twitter-hots/2026-11-20/09-vercel-board.jpg)](https://x.com/vercel/status/2123234769236619673)

---

## 10. Claude Code 2.1.329：审查范围和后台任务变得更明确

**要点**：多数模型在不带目标运行 `/code-review` 时，会将整个分支和默认分支比较，而不仅检查未提交改动。给 PR 编号时，工具现在用 `gh pr diff` 获取目标，拿不到会说明，不再默默审本地分支。`/tasks` 新增当前会话的定时任务、`/loop` 唤醒、goal 和会话 forks。Code Mode 也支持按工具调用发送 OpenTelemetry 事件；启用 tracing 仍会关掉 Code Mode。 另一个修复容易漏掉：已连接的 MCP 服务如果加载工具失败，现在会把失败告知模型，不会让它误以为服务本来没有工具。

**为何值得看**：一个审错目标的 code review 再详尽也没有用。这里值得抄的是目标解析失败就显式报告，以及把会话派生出来的后台工作都放回同一个可检查的任务视图。

- [Claude Code GitHub Release](https://github.com/anthropics/claude-code/releases/tag/v2.1.329)
