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
- Claude Code 用法心得：max 档做规划，xhigh 档做实现 — majidmanzarpour · 2026-10-27
- Chrome 团队详解 WebMCP：不是取代 MCP，而是让网站直接向 agent 提供工具 — rseroter · 2026-10-27
- Agent 绕过 UI 就能改已审批报销单?Agent-Native 框架要堵这个洞 — rseroter · 2026-10-27
- 开发者晒 AI 编码智能栈：人定方向 Opus 写码 Astra 审查，人类只做审阅 — sh_reya · 2026-10-27
- Baseten 网络课：用自有合并 PR 建 benchmark,按每成功任务成本评估开源模型 — baseten · 2026-10-27
- Thorsten Ball 谈 Agent 工作法：多用评测、多上自动化、放手让 Agent 干 — omarsar0 · 2026-10-27