6月30日讯—— 开源 AI Agent 项目 OpenSquilla 近日正式推出 0.4.0 版本。自我验证此次更新的代码核心突破在于推出了全新的 Coding（编码）工作流，并首次为 AI 编码流程引入了“自我验证”（Self-Verification）机制。首次这一变革标志着 AI 编码从单纯的自我验证“代码生成”向“可信赖交付”迈出了关键一步。

核心突破：从“口头交付”到“证据链闭环”

在以往的代码开发模式中，AI 往往止步于“我改好了”的首次口头交付，代码的自我验证正确性仍需人工逐行复核。OpenSquilla 0.4.0 彻底改变了这一现状：AI 在提交结果前，代码必须通过测试用例生成一份可复核的首次、证明“改对了”的自我验证证据链。

直击行业痛点：信任危机

过去一年，代码AI 写代码能力虽突飞猛进，首次但“能写”不等于“能信”。自我验证多数编码 Agent 改完即交，代码对错仍需人工确认，首次这成为 AI 编码难以实现无人值守、规模化进入生产环境的关键障碍。

OpenSquilla 将验证机制内化进 Agent 自身，推动行业评判标准发生根本性转变：
* 旧标准：“它声称改对了”
* 新标准：“它能否自证改对了”

技术实现：“红绿回归”证据链

该机制通过一条独立的“红绿回归证据链”确保代码质量，流程如下：
1. 定性（Red）：先编写一个注定失败的测试，证明测试用例能准确捕获 Bug。
2. 修复（Green）：完善功能代码，使测试由红转绿。
3. 回归（Regression）：运行项目原有测试套件，确认未破坏其他功能。

交付规则：三关全过方可交付，任一环节失败则直接打回。同时，系统配套了默认的自动修复闭环，进一步降低人工干预成本。

实战演示：挑战“隐形 Bug”

在官方案例演示中，OpenSquilla 针对知名开源项目 micrograd（由 Anthropic 研究员 Andrej Karpathy 打造的极简自动微分库）进行了深度测试。

• 任务目标：新增“计算正确梯度”功能。
• 难点：梯度计算错误不会导致报错或崩溃，只会让模型训练悄悄偏离，属于极难通过肉眼发现的“隐形 Bug”。
• 验证过程：
• AI 独立走完“红→绿→回归”三关，自交证据。
• 人工将 micrograd 新功能与行业标准工具 PyTorch在同一道题上进行并排比对。
• 结果：前向值与每一个梯度小数点后 10 位完全一致。

这证明了 AI 并非“自说自话”，而是达到了与官方标准答案分毫不差的精度。

其他重要更新

• 桌面安装包升级：OpenSquilla 推出了首个签名并公证的桌面安装包，支持 macOS 与 Windows 用户双击安装，无需使用命令行，大幅降低了使用门槛。
• 极致性价比：OpenSquilla 主打“提升单位成本的 Agent 智能”，以 Learnable Harness为切入点，致力于成为性价比最高的 Agent 产品。针对主流框架模型调用成本高、Token 消耗大的问题，官网数据显示，常规场景下综合成本可下降 60%—80%。

关于 OpenSquilla

OpenSquilla 由基元律动（Elemental Rhythm）打造，创始人王云鹤曾负责头部科技公司大模型研发。公司成立仅数月即完成首轮融资，是 Harness 和 Agent 原生模型方向上极具代表性的初创企业。

自 OpenSquilla 上线以来，其在 GitHub 上的 Star 数量迅速攀升至数千量级，显示出市场对高效、低成本、高可信 AI 编码工具的强烈需求。