AI Agent规模化部署带来成本挑战。Databricks团队基于实践提出四大成本杠杆：持续迁移到效率更高的开源/低成本模型、动态请求路由（成本降30%+质量持平）、渐进式摩擦替代硬预算、削减Token开销（token量降近50%）。这些策略依赖AI Gateway集中管理模型、预算和日志。对开发者而言，管理AI编码成本的关键是关注效率前沿，通过系统架构而非单纯谈判降价来控制人均成本。 核心观点： 1. 效率前沿推进快于智能前沿，最大杠杆是持续迁移到效率更高的新模型。 2. 动态路由（请求级/任务级/升级委派）可降成本30%+且质量持平最贵模型。 3. 削减Token开销（压缩上下文、话少harness等）实测token量降近50%质量无损。
Cognition CEO Scott Wu 在巴黎访谈中透露，AI 编程助手 Devin 目前约 95% 的代码由自身编写。公司年化收入从 3700 万美元跃升至 5 亿以上，客户使用量在半年内增长 11-12 倍。这一进展表明 AI 编程助手在自我编程能力上取得突破，可能加速软件开发自动化进程。 核心观点： 1. Devin 代码自写比例达 95%，体现 AI 自我编程能力的显著提升。 2. Cognition 年化收入从 3700 万增至 5 亿+，客户使用量半年增长 11-12 倍，显示产品快速采用。
Google 工程负责人 Addy Osmani 开源了 Agent Skills 项目，旨在解决 AI 编码智能体默认走捷径、产出不可靠代码的问题。该项目将资深工程师的生产级工程纪律固化为一个六阶段生命周期（DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP）和 24 个可执行的技能，强制智能体遵循规格、测试、评审等流程。对开发者而言，这提供了一套可复用的工程化框架，能显著提升 AI 生成代码的质量与可靠性。 核心观点： 1. doubt-driven-development 技能通过 CLAIM → EXTRACT → DOUBT → RECONCILE → STOP 流程，针对高代价决策进行对抗性复盘，并支持跨模型升级。 2. source-driven-development 技能要求框架决策必须引用官方文档并标注未验证项，直接对抗 LLM 编造 API 的问题。 3. deprecation-and-migration 技能将代码视为负债，并配套强制与建议性弃用模式及僵尸代码清除机制。