OpenSquilla 0.4.0发布:AI编程首次实现自我验证

2026年6月30日，开源AI Agent项目OpenSquilla正式发布0.4.0版本，带来了其核心功能更新——编码工作流Coding模式，并首次为AI编码引入了"自我验证"机制。这一更新标志着AI编程工具从"能写"到"能信"的关键跨越。

传统AI编码的信任瓶颈

过去一年，AI写代码能力突飞猛进，但"能写"不等于"能信"。多数编码Agent改完即交，对错仍需人工逐行复核，这是AI编码难以真正实现无人值守、规模化进入生产环境的关键障碍。

开发者面临的核心问题是：AI生成的代码究竟能不能用？传统模式下的解决方案是人工测试，但这违背了使用AI提效的初衷。

自我验证机制：三关全过才算交付

OpenSquilla 0.4.0给出的答案是：让AI自己证明自己改对了。其核心是一条独立的"红绿回归证据链"：

1. 第一关（红）：先写一个注定失败的测试，给问题定性，证明它真能抓住bug
2. 第二关（绿）：把功能做好，让测试由红转绿
3. 第三关（回归）：跑一遍项目原有测试，确认没弄坏别处

三关全过才算交付，任一不过直接打回。配套还有默认的自动修复闭环——不通过就自动重改到通过为止，以及隔离施工机制——改动只在隔离副本里进行，验收合格才落回源码。

实战案例：micrograd梯度计算验证

在官方演示中，Coding模式为知名开源项目micrograd（Anthropic研究员Andrej Karpathy的极简自动微分库）新增了"计算正确梯度"的功能。

这个案例的特别之处在于：梯度一旦算错，模型不会报错也不会崩溃，只会悄悄越学越偏，是最难靠肉眼发现的bug类型。

演示分两步完成：

# 1. AI走完"红到绿到回归"三关，自交证据
# 测试用例：验证梯度计算正确性
def test_gradient_computation():
    # 准备测试数据
    x = Value(2.0)
    y = x * x  # y = x squared
    
    # 验证梯度 dy/dx = 2x = 4
    expected_grad = 4.0
    assert abs(y.grad - expected_grad) < 1e-6, f"梯度错误: 期望 {expected_grad}, 实际 {y.grad}"
    
    # 2. 与PyTorch标准答案比对
    # 前向值与每一个梯度小数点后10位完全一致
    print(f"PyTorch梯度: {expected_grad}")
    print(f"micrograd梯度: {y.grad}")
    print(f"误差: {abs(y.grad - expected_grad)}")

结果显示：micrograd的新功能与PyTorch标准答案分毫不差——不是"AI自己说对"，而是"它和官方标准答案分毫不差"。

降本增效：综合成本下降60-80%

OpenSquilla官网数据显示，常规场景内测综合成本可下降约60-80%。这一数据的背后，是自我验证机制带来的效率提升：开发者无需再为每个代码修改编写测试用例，AI自动完成从发现问题到验证修复的全流程。

首个签名公证桌面安装包

同期，OpenSquilla推出了首个签名并公证的桌面安装包，macOS与Windows均可双击安装，无需命令行，进一步降低了使用门槛。

作为主打"提升单位成本Agent智能"的开源项目，OpenSquilla以Learnable Harness为切入点，正在重新定义AI编码工具的标准。其自我验证机制的引入，意味着行业评判AI编码的标准，正从"它声称改对了"转向"它能否自证改对了"。

开源地址：GitHub搜索 OpenSquilla