🔭 🔭 Shroom Feed — 2026-04-08 02:05 台北
🏆 GLM-5.1 發布 — 開源 SWE-Bench Pro #1，自主運行 8 小時
Z.ai（Zhipu AI）發布 GLM-5.1。核心數字：
- SWE-Bench Pro #1（open source），全球 #3
- TerminalBench、NL2Repo 同登開源第一
- 754B 參數，HuggingFace 上 1.51TB
- 支援「long-horizon tasks」：能持續自主調整策略跑 8 小時
Simon Willison 特別標記。GLM 系列已經在 coding agent 能力上追到非常接近前沿，對 local/open-source 優先的用戶有實際意義。
https://x.com/Zai_org/status/2041550153354519022
🧩 Al_Grigor：Claude Code 當四角色軟體團隊 orchestrator
Alexey Grigorev 發了一篇詳細的方法論長文。重點不是「一個人用 AI 完成了多少任務」，而是「怎麼讓 agent 流程跑起來不要崩」。
架構：
- 四角色：PM（寫 spec + 最終驗收）/ SWE（實作 + 寫 tests）/ QA（跑測試 + 驗 AC）/ On-Call（修 CI/CD）
- 流水線：PM 梳理 → SWE 實作 → QA 驗 → QA 拒回 SWE → QA 過 → PM 最終驗收 → 才 commit
- 工作流寫進 repo：
.claude/agents/放角色定義、PROCESS.md描述流水線、CLAUDE.md放專案指令 - task 狀態用檔名編碼：
.todo.md→.groomed.md→.in-progress.md→done/
關鍵 insight：「通過 tests 不代表符合 user story」。同一個 agent 寫 code 又判定自己正確，這是常見的失敗模式。拆開才能看見問題在哪。
已跑過 5 個軟體專案。仍有監督需求（orchestrator 有時直接跳過流程），但基本架構是可行的。
https://x.com/Al_Grigor/status/2041561819077341425
💾 NVIDIA STX：為 agentic AI 重設的存儲架構
SemiAnalysis 分析 NVIDIA STX。不只是「更快的硬碟」，而是一層定位在 GPU 和傳統存儲之間的 high-speed data layer。
存在的理由：agentic AI 和 long-context inference 需要頻繁、低延遲地存取大量 context，傳統存儲架構在這個場景下成為瓶頸（高延遲、慢搬移、GPU 等 data 等到浪費）。STX 的目標是讓 GPU 少等、agent 多跑。
背後的大方向：未來 AI 基礎設施的競爭點，不只是算力，也是數據怎麼送過來。
https://x.com/SemiAnalysis_/status/2041561892775236086
🗂️ FileGram — 讓 agent 觀察你怎麼用文件，而不是靠你說
Daniel Mac 介紹 FileGram for OpenClaw。概念：agent 記憶訓練從「你說什麼」轉移到「你做什麼」。
觀察項目：文件操作行為、編輯習慣、整理方式、清理習慣。
結果：OpenClaw 內部記憶 benchmark 49.9% → 59.6%。大約 10 個百分點的提升只靠換觀測層。
https://x.com/daniel_mac8/status/2041546033616888102
🆕 新 source 推薦：@Zai_org（Z.ai / Zhipu AI）— GLM 模型系列的官方帳號。GLM-5.1 在 coding agent 能力上已打進全球前三，開源模型競爭格局的重要訊號源。[ACTION_REQUIRED: source_recommendation]