JetBrains基于近两年的AI产品与市场研究，提出AIDEs框架（人工智能开发环境框架），为AI开发工具的演进构建了一套"万物理论"。文章首先总结当前三大市场趋势：AI已成为开发者日常的一部分；代理式编程逐渐成为新常态（以Claude Code为代表，据估算约850万编程从业者使用、年收入约70亿美元）；AI代理开始向云端迁移。框架包含三个维度：软件创建过程的五个阶段（共35项活动）、十项委托属性构成的五个委托层级（L1工具、L2助手、L3通用执行者、L4受监督执行者、L5能力中心），以及个人、中小企业、企业三种组织情境。框架刻意不设"AI有多聪明"这一维度，因为委托层级是委托方与代理之间关系的属性，而非代理本身的属性。文章预测未来三大方向：抽象层级持续上升、AI在整个软件开发生命周期中实现垂直整合，以及人们将AI从"工具"重新认识为"智能资源"，最终可能催生以意图管理、执行与治理为核心分层的代理式软件生产平台。

JetBrains发布Junie Local更新，推出将Qwen3.8与Qwen3.6按等比例合并的Qwen3.8-3.6-27B-blend模型，旨在让本地编码智能体更智能、更快速。在100项内部编码基准中，新模型完成37项任务，高于Qwen3.6的34项，接近Qwen3.8的39项，同时输出token比Qwen3.8减少71%。在双方均完成的30项任务中，混合模型生成约27.9万token，远低于Qwen3.8的93.5万。LiveCodeBench四次运行平均正确率85.47%，略高于Qwen3.8的83.29%，输出成本相近。运行时方面，团队继续优化多token预测，发现每轮预测2个token时在M5 MacBook Pro上解码提速60%，Q4与Q8 MTP头接受率接近，因此保留Q4以节省内存；长上下文下注意力计算成为主要开销。文章还提到随机种子设置曾导致评测不稳定。Apple M5用户可通过Junie切换新模型，Windows nightly版加入实验性NVIDIA RTX支持。

JetBrains 在 Junie CLI 中推出 /demo 模式。开发者只需描述要检查的内容，Junie 就会自动构建并启动应用、操作 UI 并录制过程，最终生成 HTML 报告、截图和演示视频，方便审查或分享。用户可选择分支、会话、工作区或最近提交中的变更，并通过明确提示词指定操作与预期结果。演示视频会自动加入介绍、场景和总结幻灯片，报告汇总请求、结果、视频与截图。该模式可集成到 GitHub Actions 和 CI：通过 --demo 运行，用于 PR 演示与发布冒烟测试，产物使用 GitHub Artifacts。JetBrains 内部已在 1500 多个 PR 生成 2100 多个演示视频，并在发布分支执行 1300 多次冒烟测试。演示环境基于 Docker、Chromium、Xvfb 等，依赖支持 Computer Use 的模型，默认按 GPT-5.6 SOL 等顺序选择。

Ktor 3.6.0 正式发布，带来多项实验性功能和易用性改进。新版本引入类型安全认证，支持基于角色的访问和匿名用户，并新增 OpenID Connect (Oidc) 插件，可创建类型化认证提供者，支持会话和自动刷新令牌的浏览器登录。Netty 引擎新增实验性 HTTP/3 over QUIC 支持，可在 SSL 连接器上通过 enableHttp3 启用，并支持在同一服务器上提供 h2c 与 HTTP/2 over TLS。路由和请求处理方面，请求参数转换支持 Uuid、Byte 和无符号数值类型，receive() 可接收可空类型，新增 respondHtmlPartial 替代已弃用的 respondHtmlFragment。客户端 ContentNegotiation 新增 ContentTypeMergeStrategy.SkipIfPresent，避免覆盖显式 Accept 头。Kotlin Multiplatform 客户端新增 ktor-client-engine-defaults，简化共享代码中的引擎选择，HTTP 缓存改用 kotlinx-io 的 Path，便于持久化存储。完整变更可查看官方文档。

JetBrains团队分享构建语义代码搜索RAG管线的经验，并推出JetBrains Context。第一部分聚焦解析、分块与向量化。传统关键词和grep搜索要求预先知道准确文本，难以适应抽象代码检索，因此需要按语义索引和检索。分块应结构感知，基于解析器将源文件拆成语法节点，保留足够上下文；支持Kotlin、Java、Python等九种语言，其他语言回退按行切分。分块经归一化后连同相对路径元数据嵌入，并用LLM作为评审评估分块质量。向量化阶段为控制大规模代码库的存储成本，采用二值量化保留全部维度，以Hamming距离比较；但二值量化会压缩相似度分布，不适合需要绝对相关性阈值的场景，此时保留16位浮点。索引与查询分别优化吞吐和延迟，路径过长时截断中间、保留首尾。隐私方面不存储源码内容，也不将数据用于训练，采用本地部署的开权重嵌入模型。后续将讨论存储、毫秒级查询、持续评估与智能体集成。

本期播客邀请Spring Tools负责人Martin Lippert，回顾开发者工具从Eclipse到VS Code及更远未来的演进。对话深入探讨Spring Tools的架构、语言服务器、MCP，以及曾帮助开发者保持心流的理念，如今如何帮助AI编程代理更好地理解Spring项目。对于关心Java、IDE和AI辅助开发未来的人而言，内容颇具启发。

JetBrains 发布了 MPS 多个主要版本的缺陷修复更新，涵盖 2026.1.1、2025.3.2、2025.2.4 和 2025.1.4。其中 2026.1.1 对 Projectional Agent Toolkit 进行了多项实用改进，使智能体能够查看并调用单个节点上的意图与快速修复、操作 NodeAttributes 和 PropertyAttributes 等属性、创建节点副本、获取包含光标与选区信息的更丰富编辑器上下文，并在模态对话框阻止工具执行时获得清晰诊断。该版本还扩展了针对编辑器测试、YouTrack 问题创建以及可靠测试执行的智能体指导，使智能体辅助的投影式开发更强大、更可预测且更易操作。官方提醒用户更新项目中的 MPS skills 以充分受益，其余版本的修复详情可通过 YouTrack 查看完整列表。

JetBrains 博客通过一个 gRPC 客户端/服务器示例，介绍 IntelliJ IDEA 中日志断点（Logpoints）的调试方法。示例中服务器对部分租户返回错误折扣，作者附加调试器后，用 Logpoints 在不暂停程序的情况下输出请求信息和调用链，定位到租户名未规范化导致折扣逻辑未执行，并在运行时验证修复。文章对比 println 与普通断点，强调 Logpoints 无需修改或重新部署代码，可插入依赖库，避免 gRPC 超时打断调试，还能通过副作用临时延长超时。最后演示使用 ij-debugger AI 代理技能自动生成 Logpoint 表达式，并提及 IntelliJ IDEA 2026.2 的改进。

JetBrains发布了Rider、ReSharper及.NET工具2026.2.2版本更新，用户可通过工具内置更新、Toolbox App或官网安装。Rider新增AI Agent Setup小组件，将MCP工具、skills和hooks等编码智能体相关功能集中呈现，并提供直达设置的入口；hooks也得到优化，Run files inspections仅针对新增代码返回检查结果，Reformat file则以diff形式展示IDE的格式化改动，减少不必要的信息干扰。dotCover集成现支持TUnit编写单元测试的覆盖率统计，需安装JetBrains.dotCover.Framework包并启用Testing Platform支持。此外，本次更新修复了macOS 26.2.2下Rider后端线程转储导致进程永久挂起、Attach to Unity Editor无法找到运行中的Linux编辑器，以及MCP服务器无法访问附加文件夹等问题。