Anthropic 新模型把 Agent 编程能力从 10% 拉到 70%，但开发者社区的反应很分裂。有人欢呼“终于能用了”，更多人却在问同一个问题：我什么时候才会真的用它？

这个反差很真实。基准测试分数飙升，不等于日常开发里能省事。Agent 写代码最怕的不是不会写，而是写错了你还得花时间看懂它错在哪。70% 的通过率听起来高，但落到真实项目里，剩下 30% 的坑可能比从头写还费劲。

为什么重要？因为整个行业都在拿基准分数当卖点，但开发者要的是“少擦屁股”。如果 Agent 不能稳定处理边界情况、不能解释自己的修改，那它就是个高级自动补全。

我的追问：什么时候评测标准能从“能跑通”变成“能维护”？那才是 Agent 编程真正的分水岭。

Anthropic AI编程 Agent