AI 寫程式如何自我驗證？OpenSquilla 0.4.0 紅綠回歸證據鏈解析

7 月 1 日，開源 AI Agent 專案 OpenSquilla 發布 0.4.0 版本，推出 coding 模式，直接將自我驗證機制鎖進 Agent 的交付流程。AI 改完程式碼後，須先自行跑出一條「紅→綠→回歸」的測試證據鏈，三關全過才允許回傳結果；任一關失敗，自動修復機制立即介入重改，不讓未驗證的輸出出門。同一版本也推出了 OpenSquilla 首個簽名並公證的桌面安裝程式，macOS 與 Windows 均可雙擊安裝，不需命令列。

「紅→綠→回歸」三關設計，讓每一步都能被稽核。AI 先寫一個注定失敗的測試，給 bug 定性，確認這個測試真的能抓住問題，而不只是形式上過關；修好功能後讓測試由紅轉綠；再跑一遍專案原有測試，確認改動沒有打壞其他部分，三關全過才算交付。所有改動都在隔離副本裡進行，驗收合格才落回源碼。官方示範選的是 micrograd，OpenAI 創始成員、2026 年 5 月加入 Anthropic 主導預訓練研究的 Andrej Karpathy 所寫的極簡自動微分庫：AI 為其新增計算梯度功能後，與 PyTorch 在同一題目上並排比對，前向值與每個梯度的精度達到小數點後 10 位完全吻合。梯度算錯的麻煩在於模型不報錯也不崩潰，只是越學越偏，肉眼幾乎察覺不到，讓這類 bug 極難靠人工複核收尾，也讓這個示範案例更具說服力。0.4.0 是 OpenSquilla 繼自家 coding 基準 claw-swe-bench 後，在 agent runtime 的最新實作。

AI 寫程式「能寫」卻「不能信」，卡住了 AI 編碼規模化導入生產環境的去路：多數 Agent 改完即交，工程主管仍須逐行複核才敢放行，根本無法做到無人值守。把驗證內建到 Agent 裡，理論上意味著驗收標準從「它說改好了」變成「它能拿出可被稽核的測試證據」；對工程團隊而言，這看起來是比提升能力更難、也更關鍵的轉變，畢竟要做到無人值守，前提是交付物可被複核，而不是只聽口頭宣稱。OpenSquilla 的主線定位是「提升單位成本 Agent 智能」，利用本地智能路由在調用前壓低成本：相比通用閘道 OpenRouter，路由精度高約 4.4 個百分點、成本低約 75%；跑同類任務相比旗艦模型，品質相當、成本相差約 9 倍。公司官網稱常規場景綜合降本 60–80%（以上數字均為廠商自報或轉述口徑，未經獨立實測）。基元律動創始人王雲鶴曾負責頭部科技公司大模型研發，CTO 為韓凱；OpenSquilla 上線數週內 GitHub star 增至數千量級，成立數月後完成首輪融資。