编码工作流新增自我验证链路，AI编码迈入可信自证新阶段丨新经济观察

封面新闻记者 付文超

7月1日消息，编码编码开源 AI Agent 项目 OpenSquilla 正式推出 0.4.0 版本。工作此次更新的流新链路核心亮点在于全新上线的编码工作流（Coding Mode），并首次为 AI 编码流程植入“自我验证”机制。增自自证这一突破标志着 AI 编码从单纯的验证“口头交付”向“证据驱动”转型：AI 在提交代码前，不再仅凭主观判断，迈入而是可信通过运行测试生成可复核的验证报告，以确凿证据证明代码修改的新阶新经正确性。

破解信任瓶颈：从“声称正确”到“自证正确”

该机制直击当前 AI Coding 领域最核心的段丨痛点——信任危机。尽管过去一年 AI 生成代码的济观能力显著提升，但“能写”并不等同于“可信”。编码编码传统模式下，工作多数编码 Agent 完成修改后即交付，流新链路仍需人工逐行复核，增自自证这成为阻碍 AI 编码实现无人值守及规模化进入生产环境的验证关键障碍。

OpenSquilla 通过将验证逻辑内化至 Agent 内部，推动行业评价标准发生根本性转变：从依赖 AI 的“声称改对了”，转向基于数据的“能否自证改对了”。

核心机制：构建“红绿回归证据链”

OpenSquilla 的验证流程遵循一条严谨的独立证据链，确保代码变更的可靠性：

1. 定性验证（红）：首先编写一个注定失败的测试用例，用于精准定位问题并证明测试框架能有效捕获 Bug。
2. 功能实现（绿）：修复代码缺陷，使测试用例由红转绿，验证功能修复的有效性。
3. 回归测试：运行项目原有的全套测试用例，确保新改动未引入副作用或破坏既有功能。

只有上述三关全部通过，代码方可交付；任一环节失败，系统将直接打回重做。此外，系统配套了自动修复闭环，若验证未通过，Agent 将自动重新修改直至通过；同时采用隔离施工策略，所有改动仅在隔离副本中进行，验收合格后方合并至主源码，最大限度降低生产环境风险。

技术路线：以 Learnable Harness 降低 Agent 成本

在主流 Agent 框架普遍面临模型调用成本高、Token 消耗激增的背景下，OpenSquilla 确立了“提升单位成本智能”的技术路线。项目以 Learnable Harness为核心切入点，致力于打造高性价比的 Agent 产品。

通过本地智能路由技术，OpenSquilla 实现了资源的高效调度：
* 动态选模：根据任务复杂度自动选择最合适的模型；
* 按需加载：技能与记忆模块按需检索，避免冗余计算；
* 预处理优化：对工具结果进行预处理，在“调用前”显著压降成本。

团队背景与市场表现

OpenSquilla 由基元律动（Elemental Rhythm）开发。创始人王云鹤曾主导头部科技公司的大模型研发工作，CTO 韩凯亦拥有深厚的技术背景。

自上线以来，OpenSquilla 迅速获得市场关注，GitHub Star 数量在数周内攀升至数千量级。据公开报道，公司成立仅数月即完成首轮融资，成为 Harness 架构与 Agent 原生模型方向上极具代表性的初创企业之一。

(责任编辑：综合)