☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
开源 AI Agent 项目 OpenSquilla 近日正式推出 0.4.0 版本，最大亮点在于上线全新编码工作流——coding 模式，并首次为 AI 编程能力引入“自我验证”机制：AI 不再满足于“我已修复”的单向输出，而是在提交结果前，主动运行测试生成可追溯、可复现的证据链，用数据证明“确实改对了”。
该机制直击当前 AI 编程落地的核心痛点——可信度缺失。尽管过去一年 AI 编码能力持续跃升，但“能生成”远不等于“可信赖”：多数编码 Agent 在完成修改后直接交付，正确性仍需人工逐行审查，这成为阻碍其真正实现无人值守、规模化投入生产的关键瓶颈。将验证能力深度嵌入 Agent 自身逻辑，标志着行业对 AI 编程的评估范式正发生根本转变——从“它声称完成了”迈向“它能否自证完成得正确”。
其实现路径是一条闭环的“红绿回归证据链”：首先编写一个必然失败的测试用例，精准定位问题、确认 AI 具备 bug 识别能力；随后完成功能修复，使该测试由红转绿；最后执行项目原有全部测试套件，确保改动未引发副作用。三重校验全部通过方可交付，任一环节失败即触发自动回退。同时配套两大能力：一是默认启用自动修复闭环——失败即重试，直至通过为止；二是隔离式开发环境——所有修改均在独立副本中进行，仅当验收达标后才合并至主干代码。
在官方实测案例中，Coding 模式被用于为知名开源项目 micrograd（由 Anthropic 研究员、AI 教育领域标杆人物 Andrej Karpathy 开发的极简自动微分库）新增“精确计算梯度”功能。此类 bug 极其隐蔽：梯度一旦出错，系统既不报错也不崩溃，而是 silently 偏离正确方向，几乎无法通过肉眼或常规调试发现。整个过程分为两阶段验证：第一阶段由 AI 独立走完“红→绿→回归”全流程，并自动生成完整验证报告；第二阶段由人类工程师将 micrograd 新增功能与业界黄金标准 PyTorch 在同一数学任务上并行比对——前向传播结果及所有梯度值，小数点后 10 位完全一致。这意味着，结论并非来自 AI 的自我宣称，而是与其权威参照系达成毫秒级精度对齐。这也是继团队发布新一代评估基准 claw-swe-bench 后，在 Coding Agent Runtime 领域的又一次关键落地实践。
与此同时，OpenSquilla 正式发布首个经过数字签名与公证认证的桌面安装包，支持 macOS 和 Windows 双平台，用户仅需双击即可完成安装，彻底告别命令行依赖。
OpenSquilla 的核心使命是“提升单位成本下的 Agent 智能密度”，以 Learnable Harness 为技术支点，致力于打造最具性价比的 Agent 解决方案。面对主流 Agent 框架普遍推高模型调用量、token 成本持续攀升的现状，OpenSquilla 通过本地化智能路由策略——依据任务复杂度动态匹配最优模型、技能模块按需加载、记忆检索按上下文触发、工具返回结果前置结构化处理等方式，在请求发出前即完成多维成本优化。据硅星人此前报道，实测数据显示：其智能路由相较通用网关 OpenRouter，路由准确率高出约 4.4 个百分点，整体调用成本降低约 75%；在与旗舰级大模型执行相同任务时，输出质量基本持平，但成本差距达约 9 倍。OpenSquilla 官方披露，常规使用场景下内测综合成本可下降 60–80%。
项目背后团队由基元律动创始人王云鹤领衔（曾主导头部科技公司大模型研发），CTO 为韩凯。OpenSquilla 上线数周内 GitHub Star 数迅速突破数千；公开信息显示，公司成立仅数月便顺利完成首轮融资，已成为 Harness 架构与 Agent 原生模型赛道中极具代表性的新兴力量。
