小七的周刊（第 023 期）：AI 进入可编排的工作台
这里记录每周值得分享的科技内容，每周一发布（北京时间 07:00）。
本期 3 个要点
- AI 工具正在从“能力入口”变成“工作台”：JetBrains 和 Visual Studio 的更新都把 agent、模型、插件、MCP、Hooks 与权限配置放进日常开发界面。
- 采用度开始被工程指标验证：Copilot usage metrics 新增 PR 首次评审时间和评审轮次，说明 AI 采用不再只看活跃用户数。
- 安全治理继续前移：secret scanning custom patterns API 与 PR archive 都在把安全和社区治理做成可运营能力，而不是上线后的临时处置。
封面图
封面图：苏格兰福尔柯克轮式升船机。它把船从一个水位稳稳转到另一个水位；这一期的 AI 工具也像在补这种“升降机构”，让任务能在 IDE、终端、云端和组织规则之间可控流转。
本周短谈
1. AI 的下一站不是更会聊，而是更能被安排
过去一年，开发者已经习惯把 AI 当成问答入口。但本周的更新更像另一个阶段：GitHub Copilot for JetBrains 把 Codex、Claude、BYOK、自定义模型、Hooks 和 MCP 管理塞进 IDE；Visual Studio 也在把组织级 custom agents、模型管理和用量入口放到同一个工作面上。
这说明“会不会生成代码”已经不是唯一问题。更重要的是：这个 agent 用哪个模型、拿哪些工具、何时需要批准、能不能换供应商、出了问题从哪里看日志。对普通开发者来说，AI 工作台越完整，越能少记命令；对组织来说，界面越方便，越不能省掉权限边界。
2. BYOK 不是省钱按钮，而是架构选择
BYOK 和自定义模型支持看起来像采购选项，其实会改变开发环境的责任结构。模型由谁提供，账单归谁，日志在哪里，失败后谁解释，都会影响 agent 能不能进入更关键的流程。
这也是为什么 GitHub 在同一组 JetBrains 更新里同时补了本地沙箱、审批模式、debug logs 和自定义项管理。模型可替换是好事，但替换之后仍要能限制工具调用、追踪会话、复用规则文件。否则 BYOK 只会把“平台默认”换成“自己配置的黑盒”。
3. AI 采用度开始回到软件工程本身
Copilot usage metrics 新增 PR 首次评审时间和评审轮次，是一个很实在的信号。AI 到底有没有帮上忙，不该只看“生成了多少行代码”，还要看代码是否更快进入评审、更少来回、更稳合并。
这类指标也有边界：只看合并的 PR，会漏掉被关闭或长期悬着的工作；只看速度，也可能忽视质量。更好的做法是把它和回滚率、缺陷率、安全扫描结果一起看。AI 能加速，但软件工程最终还是要对交付结果负责。
科技与 AI 动态
1. GitHub Copilot for JetBrains 扩展 BYOK：IDE 正在变成 agent 编排层
GitHub 7 月 14 日更新 Copilot for JetBrains，扩展 bring your own key custom endpoint support，允许配置 OpenAI-compatible custom endpoints；同时补齐插件管理、Claude agent provider customizations、本地沙箱、Copilot CLI debugger skill 等能力。7 月 7 日的同系列更新还把 Codex 作为 agent provider 推入 public preview，并加入 Hooks、MCP server 管理、Copilot CLI 审批设置和 Claude agent debug logs。
这不是一个单点功能，而是在把 IDE 变成 agent 控制台。开发者可以在熟悉的编辑器里选择 agent、模型、工具和权限；组织也能逐步把默认策略、插件来源、模型供应商和审计线索收拢。边界在于：能力越集中，配置错误的影响越大，建议先用小仓库验证审批模式和沙箱行为。
2. Visual Studio 2026 Insiders：组织级 custom agents 进入 IDE
Microsoft Learn 7 月 14 日发布 Visual Studio 2026 Insiders 更新，GitHub organization owners 可以在组织范围添加 custom agents；Visual Studio 会在 agent picker 中显示这些组织级 agent，并支持查看描述和定义文件。本次更新还加入 Copilot plan usage 入口、模型管理视图、Git submodule、worktrees、提交后 Copilot review 等能力。
这对 Windows / .NET 开发者尤其实际：agent 不再只是每个仓库各配一份规则，而是可以作为组织能力分发到 IDE。好处是标准化，风险是“一次配置影响很多项目”。适合先把代码规范、构建检查、迁移助手这类低风险 agent 做成共享项，再逐步扩到改代码和提 PR。
3. Copilot usage metrics 新增评审时间与评审轮次：AI 采用开始看下游结果
GitHub 7 月 7 日更新 Copilot usage metrics API，在 AI adoption phase breakdown 中加入两个代码评审速度指标：avg_pull_requests_minutes_to_review 和 avg_pull_requests_review_cycles。它们分别衡量 PR 创建到首次评审的中位时间，以及合并前经历的中位评审次数，并且只统计已合并 PR。
这让 AI 采用度从“谁开了 Copilot”向“交付链路有没有变快”靠近。对工程管理者来说，这比单纯看建议行数更有价值；对开发者来说，也提醒我们不要把 AI 生成量当成果。真正值得观察的是：更快是否伴随更少返工，还是只是把问题推给评审环节。
4. Secret scanning custom patterns API GA：安全规则开始可以被自动化管理
GitHub 7 月 13 日宣布，secret scanning custom patterns 的 REST API generally available，安全团队可以在 repository、organization 和 enterprise 级别创建、编辑、删除和管理自定义模式。当前 dry run 和最终发布仍需在 UI 中完成，但基础 CRUD 已可进入自动化流程。
这条看似不耀眼，却很贴近真实治理。很多组织的 secret 不只是不该出现的云厂商 key，还包括私有 token、旧系统凭据、临时口令格式。API 化后，安全规则可以跟着平台迁移、组织结构和审计流程一起管理。边界是误报成本：自定义模式上线前仍要小范围 dry run，避免把正常开发流程堵住。
5. Repository admins 可以 archive pull requests：社区治理多了一个中间档
GitHub 7 月 16 日上线 pull request archive 功能，仓库管理员可以把 PR 从公开视图中移除而不永久删除。被 archive 的 PR 会关闭并锁定，只对仓库管理员可见；非管理员访问原 URL 会得到 404。管理员也可以用 is:archived 过滤器做后续分拣。
它适合处理垃圾 PR、滥用内容、法律或政策场景下“不适合公开但又不能直接删除”的记录。开源维护者会多一个治理缓冲层，但也要谨慎使用：archive 不应替代透明的技术讨论，最好用于明确违反规则或有合规要求的内容。
世界之最
1. 世界最长公路隧道：莱达尔隧道
莱达尔隧道位于挪威，全长约 24.5 公里，以超长距离和分段照明设计闻名。
长隧道的难点不只是“挖通”，还要让驾驶者在漫长封闭空间里保持方向感和安全感。长任务 agent 也类似：真正难的是在中途保留状态、给出检查点，并让人知道它走到哪一步。
2. 世界最高不间断瀑布：安赫尔瀑布
安赫尔瀑布位于委内瑞拉卡奈玛国家公园，落差接近 979 米。
它壮观的地方在于能量从高处一路释放。AI 工作流也需要控制这种“落差”：从目标到操作之间跨得越大，越要有分段验证、权限收口和可回滚路径。
3. 世界最长洞穴系统：猛犸洞
美国猛犸洞系统已测绘长度超过 680 公里，是世界最长已知洞穴系统。
洞穴地图不是一次画完的，而是在长期探索中不断修正。大型代码库和知识库也是这样：agent 要想可靠工作，不能只靠一次性上下文，还需要可更新的索引、记录和事实边界。
4. 世界最大单体光学望远镜之一：加那利大型望远镜
加那利大型望远镜位于西班牙拉帕尔马岛，主镜由多块镜面拼接而成。
拼接镜面的启发很直接：更大的能力往往来自协同校准，而不是单块材料无限变大。多 agent 系统也一样，关键是接口、校准和观测结果能不能对齐。
5. 世界级大型温室综合体：伊甸园项目
英国伊甸园项目用多个巨大生物群落温室模拟不同生态环境。
温室不是把植物关起来，而是创造一套可控环境。coding agent 的沙箱、容器和权限策略也是这个思路：让实验能发生，但把温度、湿度和边界先管住。
开源工具
1. OpenHands Agent Canvas：把编码 agent 放进可视化工作区
Agent Canvas 是 OpenHands 推出的开源 AI coding platform，目标是本地启动、连接工具，并在一个画布式工作区里组织 agent 开发流程。它适合希望把多个 agent、仓库和任务状态放在同一界面管理的开发者，而不是只在终端里看日志滚动。
上手门槛中等：需要理解 agent 运行环境、凭据、仓库权限和本地服务。它不适合“偶尔问几句代码”的场景；但如果你已经在并行跑多个 coding agent，能看到任务、工件和结果会比只看对话更稳。
2. container-use：给 coding agent 每人一间隔离工位
container-use 是 Dagger 做的 agent 开发环境工具，核心思路是让每个 agent 在独立容器和独立 git branch 中工作，减少并行任务互相污染。它解决的是 agent 时代很具体的烦恼：多个自动化会话同时改代码、跑服务、装依赖时，环境很容易乱。
它适合已经把 coding agent 用在真实仓库里的开发者，尤其是需要并行探索方案、快速丢弃失败分支的场景。门槛在 Docker、Git 和对分支流程的理解；小脚本和一次性修 bug 不一定需要它。
3. Claude Code Action：把 Claude Code 接到 Issue 和 PR 里
Claude Code Action 是 Anthropic 的 GitHub Action，可以根据 @claude 提及、issue 分配或显式 prompt 启动 Claude Code 自动化。它适合把代码解释、PR 辅助、文档更新、测试修复这类任务接进 GitHub 协作流。
上手成本主要在权限设计：Action 要读仓库、写评论、可能还要改代码，凭据和触发条件要先收紧。适合维护者明确知道哪些任务可以自动化；不适合把所有 PR 都默认交给 agent 改，尤其是安全敏感仓库。
4. Repomix：把仓库打包成 AI 友好的上下文
Repomix 可以把整个代码仓库打包成 XML、Markdown、JSON 或纯文本，方便喂给 Claude、ChatGPT、Gemini 等模型。它解决的是一个朴素问题：很多 agent 失败不是因为模型不聪明，而是上下文给得乱、缺、重复或超限。
它适合代码审查、架构咨询、迁移评估和离线分析。门槛较低，但要注意过滤敏感文件、生成物和超大依赖目录。小七的建议是把 repomix.config 当成项目文档的一部分维护，不要每次临时凭感觉打包。
5. Graphiti：给 agent 记忆加上时间维度
Graphiti 是 Zep 的开源 temporal knowledge graph 框架，用于为 AI agent 构建可实时更新的上下文图。它关注的不只是“记住了什么”，还包括事实何时成立、是否仍然有效，以及新信息如何覆盖旧信息。
它适合客服、研究助手、销售支持、长期项目助理这类需要持续记忆的应用。上手成本偏高，因为你要定义事件、实体、关系和检索策略；但只要 agent 开始跨周工作，时间感就会从锦上添花变成基本能力。
本周冷知识 / 彩蛋
- 🥚 冷知识 1：福尔柯克轮式升船机每次旋转约半圈，就能把船提升约 24 米；它靠配重和平衡减少能耗，不是蛮力硬举。
- 🧠 冷知识 2：莱达尔隧道中设置了特殊照明洞室，帮助驾驶者在超长隧道中获得节奏变化。长任务 agent 也需要这种“中途休息点”。
小七的碎碎念
这周的 AI 更新没有那种一眼炸裂的模型名，但很像在铺地板、装插座、画消防通道。
真正能长期用的工具，往往不是最会表演的那个，而是出问题时你知道怎么停、怎么查、怎么回到上一版的那个。
互动钩子
本周问题：如果要给一个 coding agent 工作台先补一项能力，你会选沙箱、审批、日志、模型路由，还是成本看板？
本周行动清单
- [ ] 给常用 AI 编码工具列一张权限表：能读什么、能写什么、什么时候需要确认。
- [ ] 挑一个仓库试跑隔离分支或容器化 agent 环境，记录它和普通 worktree 的差异。
- [ ] 把一个高频 prompt 固化成可复用规则或 skill，并写明适用范围和禁用场景。
- [ ] 在 PR 数据里观察一次首次评审时间、评审轮次和 AI 参与方式之间的关系。
- [ ] 为 secret scanning 自定义模式选一个低风险样本集，先 dry run 再考虑推广。