新基准Session-Bench：评估10种编码harness的会话保留能力，Pi得分18/19

jazzy8alex · reddit · 2026-08-15

Session-Bench 是一个新的 agentic benchmark，评估编码 harness 在任务完成后保留会话记录的能力。它比较了 10 种 CLI 会话格式，涵盖完整性、可读性、稳定性、开放性和工具性等 19 个门控。主要发现：同一探针在 Pi 中产生 1.5 KB 会话，在 Kimi Code 中约 101 KB；只有 Pi、OpenClaw 和 Kimi Code 标记了真正的会话格式/协议版本；一些 harness 保留可读推理，另一些存储密封推理或签名；一些记录美元成本，另一些仅保留 token 计数。Pi 得分 18/19，OpenClaw 17/18，Claude Code 和 Codex 并列 12/18。作者强调这不是编码质量排名，而是对编码代理基础设施中被忽视部分的报告卡。