物界前沿评测
GLOBAL AI REVIEW RADAR
2026.08.23 · 周日
第 025 期
重点更新 3 条 · 双专家点评 ｜ 榜单快报 3 组 ｜ 板块精选 10 条 ｜ 大家都在看 · 明日关注
每条从「能帮你干什么活」讲起，细分领域专家 + 普通用户双点评。
重点 1让 AI 程序员先交「开工计划书」再写码：不点头不动键盘
它能帮你干什么活：让 AI 助手在动手写代码之前，先把「打算怎么改、会动哪些文件、改完怎么验证」写成一页计划书，你不点头它不碰键盘——相当于给越来越猛的 AI 程序员装了一道「开工审批」流程，代码没写一行，风险先拦一半。
编程领域专家·老徐说｜思路对，方向我认：AI 写代码越来越快，「先想清楚再动手」反而成了最稀缺的环节。但计划书只解决一半问题——它写得漂不漂亮是 AI 说了算，真按计划执行还是写完就忘，得看实测。我延续老观点：别急着上生产，先拿小项目滚几轮，盯它是不是每次开工都老老实实交计划。
小编小禾说｜我最怕 AI 一顿操作猛如虎，把文件改崩了还不知道动了哪。有份计划书起码知道它想干什么、要碰什么，心里有底。不过我是真看不懂代码，所以就算它交了计划，我也得盯着它实际动了哪些文件——这俩不能二选一。
重点 2AI 在外交部当「文员」的真实考试：能办文，但要交钥匙
它能帮你干什么活：一位 Claude 系的 AI 智能体被安排到外交部模拟当文员，处理公文流转、回函起草这类案头活，试用期刚结束——它证明「材料活」AI 真能顶一阵班，同时也划出一条线：该给 AI 多大权限，必须一条一条说明白，办文的手和盖章的手不能是同一只。
安全领域专家·老周说｜这是智能体进正式机构干活的好样板，但价值不在「它能干活」，而在它的行为边界是怎么被定义和审计的。办文看着简单，每句措辞、每个抄送对象都有讲究，越是这样越不能把判断权整包交出去。我坚持老立场：权限要设到最小，交接要留痕，越重要的活儿越要一步步授权。
小编小禾说｜我要是办事员，最怕 AI 把公文发错对象——这种错不是改个错别字就能补救的。AI 能打草稿我信，让它直接把文件发出去我是不敢的。就像之前学的：重要账号的权限，能不开就不开，开也要开最小。
重点 3给 AI 应用挑「新闻数据源」：六家搜索 API 横评，别挨个踩坑
它能帮你干什么活：你想用 AI 搭个「AI 助手读新闻」应用，第一步是给它找个靠谱的新闻检索接口——这篇横评把六家主流新闻搜索 API 从内容覆盖、更新速度、收费方式到配 RAG 检索的实际手感全比了一遍，省得你挨个注册、挨个试错，一把就能挑出合适的那家。
编程领域专家·老徐说｜开发者最烦的就是各家文档吹得天花乱坠，接口一调全是坑。这篇横评把「实际用起来怎么样」摆到台面上，比官网演示实在多了。提醒一句：这种对比是个人维护的，口径可能偏主观，接进生产前还是得拿自己的真实数据压一遍——历来如此，别急着全信。
小编小禾说｜虽然我不写代码，但我知道挑东西最怕只看广告。这跟我买数码产品前先翻一圈真实评测一个道理——有人替你把坑先踩了，比自己交学费强。
这周谁表现最强？三张榜单快速看，每个都配一句大白话解读。
快报 1文本盲测榜 · 谁最会聊天（快照 2026-08-23）
大白话｜人类当裁判的盲测里，Anthropic 继续霸屏：前十占六席，新王 Claude Fable 5 以 1508 分登顶——AI「聊天水平」的天花板还在被它家往上抬。
快报 2智能体榜 · 谁能真正帮你干活（快照 2026-08-23）
大白话｜这榜不考嘴皮子，考「翻车后能不能自己爬起来」这类干活力——Claude 系又包揽前三，国产开源 Kimi K3 一路顶到第四，是开源阵营离榜首最近的一次。
快报 3写代码榜 · AI 程序员排位赛（快照 2026-08-21）
大白话｜写代码榜上开源军团杀进前三：Kimi K3 和 Qwen3.8 离榜首只差 20 分上下——「免费开源也能打」第一次离闭源旗舰这么近。
10 条值得你花时间的评测 / 榜单 / 模型能力动态，每条附一句人话点评。
匿名模型想装傻？「指纹识别」把它揪出来
有些模型躲在第三方接口后面不报真名，光靠问话根本套不出身份——这篇指南讲怎么用「指纹」识别法，从回答习惯、行文风格到行为特征给匿名模型验明正身。
一句话点评｜匿名榜、代理路由满天飞的今天，「怎么证明你是你」成了新考题。
网页排版错位？AI 测试员逐像素帮你抓
网页改版最怕「看着没毛病，一用就偏」——LayoutLens 用可重复的规则自动扫版式和无障碍问题，比人眼看得细，比大模型嘴上拍胸脯靠谱。
一句话点评｜版式毛病人眼会漏，AI 逐帧比对不会。
监控 AI 打工现场：这个 Mac 小工具让 Claude Code 无处可藏
Claude Code、Codex、Cursor 在 Mac 上跑起来像脱缰野马——Corral 把每个 AI 编程进程列得明明白白，哪个项目、占多少资源一眼看清，跑偏了直接收回来。
一句话点评｜「AI 干活要盯梢」从命令行黑盒变成了可视化清单。
反向操作：一个纯靠「充值」排名的 AI 榜
所有 AI 榜单都标榜公平，这个榜反着来——明说排名只看谁打钱多，把「排行榜」这三个字的可信度问题摆上台面当段子讲。
一句话点评｜讽刺背后是正经提问：榜单的排位，到底买不买得到？
评测 AI 的「脑子」：六条原则让测试不跑偏
一篇论文提出评估 AI 认知能力的六条原则，提醒别把「答对题」当成「会思考」，从设计实验到解读分数给出了一套更严谨的框架。
一句话点评｜AI 测评界的「方法论」，防止分数骗人。
代码助手随身带：在云端跑起来的 DeepSeek 编程智能体
一个把 DeepSeek 编程体验搬到 Cloudflare Workers 的开源项目——不用本地装环境，浏览器打开就能用，走到哪写到哪。
一句话点评｜云上跑 coding agent，弱机器也能享受 AI 编程。
AI 只会泛泛而谈？开源「技能包」仓库给它补专业经验
TechSkills 把各类专业领域的手艺做成 AI 技能模块，让通用 AI 秒懂细分行当的干活套路——相当于给 AI 装「行业老法师」插件。
一句话点评｜专业技能模块化，AI 从通才到专才的捷径。
拿 AI 当红队：开源工具上线即测你的安全防线
CyberStrike 是给安全团队用的开源 AI 进攻演练工具——模拟真实攻击路径，让系统在被真黑客打穿之前，先被 AI 打一遍。
一句话点评｜让 AI 先当「坏人」，总比被真坏人打措手不及强。
每条回答都有出处：这个 AI 问答工具专治胡说八道
Knoku 面向文档、文件与团队知识库做问答，答案自带引用来源——老板问「你这数据哪来的」，点一下就能看到原文出处。
一句话点评｜带引用的 AI 问答：可信度写在脸上。
AI 改代码改成一团乱麻？Git 技能包帮它把活儿干干净
开源 GitX 把规范的 Git 工作流做成了 AI 技能，教 AI 把一次修改拆成清晰、可回退的历史记录——AI 闯的祸，版本管理来兜底。
一句话点评｜AI 写代码越猛，版本管理越要跟上。
● HotCRP 会议评审系统官宣开放 AI 代理接入，投稿、审稿都能交给 bot（HotCRP）
● Domain Driven AI：为什么多数 AI 产品死在验证期（个人博客）
● 苹果风滚动视频网页做成 AI 技能包，一条命令生成（HN）
① Arena 文本盲测新王 Claude Fable 5 登顶后，各家会不会有新旗舰应战——下一期榜单快报见分晓
② Claude 旧模型越狱风波持续扩散，安全社区复测与官方补丁的跟进值得盯
③ DeepSeek 周末高峰定价今日结束，下周 API 调用量榜单检验「降价效应」
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.08.23 · 周日
第 025 期 · 预览版
重点更新 3 条 · 双专家点评 ｜ 榜单快报 3 组 ｜ 板块精选 10 条 ｜ 大家都在看 · 明日关注
每条从「能帮你干什么活」讲起，细分领域专家 + 普通用户双点评。
重点 1AI 公务员上岗考：Claude Opus 5 在外交部当了一个多星期的文员
它能帮你干什么活：让 AI 顶班干文书、回邮件、整理材料这类重复活。有人让 Claude Opus 5 到外交部当了一个多星期的「文员」，处理真实公文流程、留下记录和复盘，算是「AI 能不能进体制内干活」的一场现场试验。能干的活不少，但让它碰哪些系统、出错谁负责、边界划在哪，都还是开放问题。
安全领域专家·老周说｜「AI 能不能干」和「AI 该不该干」是两件事。派 AI 上岗，第一道题永远是权限边界：它能访问哪些系统、能替你做哪些决定、出错了谁兜底、全流程有没有留痕。试验可以大胆，真要让 AI 碰重要信息，还是那句老话——权限设到最小，逐项授权，别一把钥匙全交出去。
小编小禾说｜看完第一反应是「那我是不是要失业了」，再一看，人家是有真人盯着、有记录可查的试点。这让我更确定：让 AI 碰重要东西之前，先弄清楚它能动哪几扇门——这条路我踩过，别急着把钥匙全给出去。
重点 2更强的 GLM-5.3 上线了，为什么没刷屏？
它能帮你干什么活：国产模型的日常——翻译、写代码、整理材料，一代比一代强。智谱新一代 GLM-5.3 主要靠扩大训练规模，提升了写代码、长任务代理和网络安全三块能力，8 月 19 日 API 正式开放，定价和上一代持平：能力更强，不加价。但复盘发现，这波发布的热度远不如从前——模型太多、差距变小，「发布即刷屏」的时代过去了。
产品领域专家·阿哲说｜能力升级不刷屏，恰恰说明品类成熟了——用户不再为「参数又大了」兴奋，只问它到你手上能不能直接用。GLM-5.3 这波是给开发者用的升级，C 端没有新入口，自然没存在感。我的判断还是那句：入口即模型，谁先把能力接到用户天天用的地方，谁才刷得了屏。
小编小禾说｜在普通用户眼里，模型强不强，得看我常用的 App 里它好不好使。GLM 一直是我心里的「中文好帮手」，5.3 不加价还变强，先记一笔。刷不刷屏真不重要，用起来顺手才重要——就跟手机系统更新一样，谁天天喊着「更新了」啊。
重点 3AI 写码之前，先让它交一份「作业单」
它能帮你干什么活：让 AI 写代码之前，先把「打算改哪些文件、改成什么样、为什么这么改」交代清楚，对不上就不开工。现在生成代码越来越容易，最难的反而是确认代码和用户要的东西一致——做得越多、错得越离谱。这位开发者给 AI 代理加了道前置工序：先分析、写方案、给人类过目，再动手。AI 产量越大，这道「验收关」就越值钱。
编程领域专家·老徐说｜这话说到根上了：AI 把代码产量顶上去之后，验证成了新瓶颈——跟前两天那篇「测试排队 7 小时」的实测一个道理。让 AI 先交作业单再动手，本质是把验证前置到动笔之前，方向我赞成。但注意，方案写得漂亮不代表改得对，作业单之后还得有人盯改动、跑测试，别把这道工序当成免责声明。
小编小禾说｜这不就是「先给我看看你要干嘛，再动手」吗？跟请人装修一个道理——先把报价单和施工方案聊清楚，别上来就砸墙。我看 AI 干活也是一样，越省事越要先确认，省得改完才发现拆错了墙。
这周谁表现最强？三张榜单快速看，每个都配一句大白话解读。
快报 1编程盲测榜 · 谁能写代码（截至 2026-08-22 快照）
大白话｜人类当裁判、模型互相出题的编程盲测里，Anthropic 拿下第一，但中国厂商已经追到第二、第三，和前两名只差不到 30 分。榜单暂未更新，数据截至 2026-08-22。
快报 2AI 智能体榜 · 谁能自己把活干完（截至 2026-08-22 快照）
大白话｜这榜考的是 AI 能不能自己把任务干完、干砸了能不能自己补救。Anthropic 一家包揽前三，Kimi K3 是唯一挤进前四的中国选手。榜单暂未更新，数据截至 2026-08-22。
快报 3AA 智能指数 · 第三方「智力总评」（官方 2026-08-22 发布）
大白话｜第三方机构给主流模型算「智力总评」：Kimi K3 冲到全球第 4，是中国厂商里目前最好的成绩；上周刚发布的 DeepSeek V4 Flash 0731 紧随其后，还是「每花一块钱能买到多少智能」那张图里最亮眼的一个。
10 条值得你花时间的评测 / 榜单 / 模型能力动态，每条附一句人话点评。
提示词会撒谎：怎么给 AI 模型做「指纹」？
每家厂商的模型都有自己答话的习惯和痕迹，像人的笔迹。问题是提示词会骗人——套个壳就能冒充别的模型。文章总结了给模型「验明正身」的几种办法：看输出统计特征、算 token 分布、跑行为指纹，在匿名盲测和第三方网关评测里尤其管用。
一句话点评｜给模型验明正身，是第三方评测和透明度的地基。
科学家给 AI 出「考纲」：六个原则评估认知能力
AI 能力评测到底该考什么？一篇学术文章提出六个基本原则：任务要贴近真实使用、评估要稳健、不能只看总分、要防模型「应试」……给乱象丛生的 AI 评测立了个坐标系。
一句话点评｜评测方法论终于有人在正经建坐标系，好事。
把 DeepSeek 编程代理搬上 Cloudflare：随时在线干活
有人把 DeepSeek Harness 的编程代理体验整套搬到了 Cloudflare 的边缘计算上，个人编程代理不用再守着一台服务器，浏览器打开就能用。
一句话点评｜编程代理从本地跑到了边缘，随手可用的门槛又低一截。
TechSkills：给 AI 编程代理装一兜子「技能包」
开源项目 TechSkills 给 AI 编程代理准备了一批模块化的「技能包」——通用模型很聪明，但缺具体行当的手艺，把这些手艺打包喂给代理，等于给新手请了个老师傅。
一句话点评｜通用模型装上领域技能包，路子对，就看维护跟不跟得上。
GitX：给 AI 改乱的代码现场「收拾屋子」
AI 代理改代码改得欢，Git 提交历史却乱成一锅粥。GitX 把 Git 工作流打包成 AI 技能，让代理把乱糟糟的改动整理成干净、可回退的提交记录。
一句话点评｜光会写码不够，还得会收拾现场——这技能戳中日常痛点。
AI 产品为什么失败？三年前的复盘到今天依然成立
一篇从 2023 年开始写的复盘文章翻出来依然新鲜：作者从 AI 产品的失败里总结共因——问题定义不清、用户没有真正需要、把技术当目的。今天 AI 能力强了，翻车的原因还是那几条。
一句话点评｜AI 产品的坑不换新，产品方法论才是护城河。
CyberStrike：开源「AI 打 AI」的安全攻击测试工具
开源项目 CyberStrike 是做攻防演练用的 AI 工具集：用 AI 模拟攻击，反复测试自家系统的薄弱点。安全圈流行一句话——你不拿 AI 打自己系统，对手就会用 AI 打你。
一句话点评｜把「AI 打 AI」从口号变成能跑的工具，先自测总比挨打强。
把苹果官网那种「滚动视频」网页，做成 AI 技能
有人把自己做苹果风格滚动视频网页的整套流程，打包成了 AI 代理可复用的技能，装到代理里，说一声就能生成同款网页。
一句话点评｜会做一次不难，把经验固化成技能才是真资产。
Knoku：AI 答你的问题，每条都带出处
知识问答工具 Knoku 主打「答案带引用」：在你自己的文档、文件、团队知识库里找答案，答完附上出处，方便你回头核实——专治 AI 一本正经地胡说。
一句话点评｜答案能不能溯源，是普通用户敢不敢信 AI 的第一道坎。
学术会议系统开始接入 AI 代理：审稿圈要被机器人占领？
学术圈常用的投稿系统 HotCRP 宣布：会议主办方可选择允许 AI 代理接入，投稿、问答这些环节以后可能是机器人和机器人打交道。
一句话点评｜AI 代理开始渗透学术流程，边界和规则得先立起来。
● DeepSeek 周末全天按低谷价计费，今天零点起生效（IT之家）
● 第二届世界人形机器人运动会开幕，2056 台机器人参赛（IT之家）
● 英伟达被曝向客户提示 AI 相关涨价超 15%（Bloomberg）
● OpenAI 呼吁加州加强 AI 安全法案（TechCrunch）
● 哈佛商学院给创业课配 AI 数字分身老师（TechCrunch）
① DeepSeek 周末低谷价新政第一天，开发者 API 账单实测会不会真省钱
② GLM-5.3 全面开放后，第三方实测和跑分陆续出炉，看它到底比 5.2 强多少
③ AI 眼镜新品评测陆续放出，「全天智记」这类功能到底好不好用，盯第三方上手
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-08-23
数界工坊 · 全球AI评测雷达