编码 Agent 新基准：Claude Opus 5 仅过 23.9%，人类专家 82.2%
dair_ai · x · 2026-09-08
dair-ai 推荐了一篇编码 agent 基准论文：在模拟真实客户交付的任务中，Claude Opus 5 在 Claude Code 下仅通过 23.9% 的评测，人类专家参照为 82.2%。
任务设定：开发 agent 被投入一次真实客户交付，需要处理企业业务记录、持需求且可问答的客户、必须走的生产 API、遗留代码库，以及服务成本与模型选择的硬性限制，最终交付一个可用的客服 agent。评分方式是将构建的 agent 部署到留出的模拟用户上，共 4 个领域 53 个任务。
失败模式与工程实践高度吻合：浅层查询业务记录而非认真读取；几乎不与客户沟通需求；很少尝试调整 agent 架构。
「编程与Agent」频道最新
- 用 Astra 计算机视觉操控 Premiere Pro 剪辑，10 个实用玩法 — beechinour · 2026-10-27
- 开发者开源一套更好看的 Agent 运行瀑布图追踪 UI — round · 2026-10-27
- Phil Schmid 发布 Gemini API CLI:无状态工具,给现有编码 Agent 补多模态能力 — _philschmid · 2026-10-27
- 马斯克盛赞 Grok Bot:像雇了个超能干的幕僚长 — elonmusk · 2026-10-27
- shadcn 演示用 /improve skill 搭配 Grok 批量处理 issue — shadcn · 2026-10-27
- Paradigm 推出 Envoys：Claude Code 与 Codex 接入研究图谱，用自己订阅即可免费 — tensorqt · 2026-10-27