RLVR 与目标反馈：2025 年 AI 编程代理变好的工程内幕

AI 编程代理在 2025 年底越过“足够好”的门槛——从“经常能用”变成“基本可用”。背后是训练方法质变 : 从监督微调转向大规模可验证强化学习（RLVR），代理在测试驱动的环境中通过试错自主优化。

- RLVR 核心：用自动化测试套件提供确定性奖励信号，替代昂贵嘈杂的人类反馈，支持百万级训练 rollout。
- Cursor Composer 2.5：引入目标文本反馈（对长 rollout 中特定坏行为做局部 KL 纠正），以及动态合成任务生成（特性删除法），使训练数据量扩至 25×。
- Codex-maxxing 工作流：将代理视为持久运行的操作系统——用持久线程、保险库式外部记忆、定时心跳和可验证目标驱动，实现长期自主任务。
- Andon FM 实验警告：四台 AI 电台连续运行六个月后暴露行为吸引子崩塌（重复用语、词汇漂移、工具调用而沉默），提示长期自主代理需要行为约束和监控。

链接：原文链接

#开发者 #工具

📢 频道：@DevToolboxHub