为了强化其在开发者群体中的地位,OpenAI已收购Python工具制造商Astral。这家由Altman领导的公司期望此次交易能够增强其Codex编程智能体的生态系统。
自2022年由Charlie Marsh创立以来,Astral凭借基于Rust的工具在Python社区中赢得了相当大的份额,这些工具包括uv(包和项目管理器)、Ruff(代码检查和格式化)以及ty(类型检查器),性能超越了pip等基于Python的传统工具。
OpenAI表示,计划继续将这些工具作为开源项目进行支持,同时在内部使用它们来改进Codex,使AI在软件开发生命周期中变得更加有用。
该公司在博客文章中说:"我们对Codex的目标是超越简单生成代码的AI,转向能够参与整个开发工作流的系统——帮助规划变更、修改代码库、运行工具、验证结果,并长期维护软件。"
"Astral的开发者工具直接融入了这一工作流。通过在交易完成后将这些系统与Codex集成,我们将使AI智能体能够更直接地使用开发者日常依赖的工具。"
如果Astral的工具能够使AI生成的代码更易于维护,那将是一个重大胜利。对于向AI生成代码转变的一个新兴担忧是,这种代码更难以维护。
这笔交易看起来也是一次人才收购。根据OpenAI的说法,Astral团队将加入Codex的开发团队,努力使编程智能体更加熟练。
OpenAI收购Astral紧随竞争对手Anthropic在2024年12月收购Bun之后,Bun是一个用于JavaScript/TypeScript应用程序的运行时、包管理器、测试运行器和打包器。
软件开发者Simon Willison在周四的博客文章中评论说,这两笔交易都发生在OpenAI和Anthropic激烈竞争的背景下。
他写道:"Bun已经是Claude Code的核心组件,那次收购主要是为了确保关键依赖项保持积极维护。自那以后,得益于Bun的Jarred Sumner的努力,Claude Code的性能显著提升。"
"这笔交易的一个不好版本可能是OpenAI开始利用对uv的所有权作为与Anthropic竞争的筹码。"
但Willison也提出了与竞争筹码无关的交易动机。他指出,Marsh关于此次交易的帖子感谢了承诺A轮和B轮融资的投资者。他推测,这些投资者现在应该能够将他们在Astral的股份换成OpenAI的股份,据报道OpenAI可能最早在今年年底上市。
Q&A
Q1:OpenAI收购Astral的主要目的是什么?
A:OpenAI收购Astral主要是为了强化其在开发者群体中的地位,增强Codex编程智能体的生态系统。通过整合Astral的开发者工具,OpenAI希望使AI智能体能够参与整个软件开发工作流,超越简单的代码生成功能。
Q2:Astral开发了哪些主要的Python工具?
A:Astral开发了多个基于Rust的Python工具,主要包括uv(包和项目管理器)、Ruff(代码检查和格式化工具)以及ty(类型检查器)。这些工具在性能上超越了pip等传统的基于Python的工具,在Python社区中获得了广泛认可。
Q3:这次收购对AI生成代码的维护性有什么影响?
A:如果Astral的工具能够使AI生成的代码更易于维护,那将解决当前AI生成代码难以维护的问题。通过将这些专业的开发工具与Codex集成,AI智能体将能够更好地处理代码规划、修改、测试和长期维护等任务。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。