AI 工程 · 前沿简报
Coding agent 这一季在往前走的四件事
验收从「测试过了」改成「维护者愿不愿意合」
以前的编程榜问：改完之后测试能不能过。Cognition 的 FrontierCode 换了一个问题：这个仓库的维护者会不会把这次改动合进去。出题的是这些开源仓库自己的维护者。评分同时看对不对、测试写得是否有用、改动有没有铺得太大、风格是否像这个仓库。跑去看原解答或原 PR 的，记 0 分。
10 月 12 日，Artificial Analysis 用同一套运行壳比较模型。领先的 Claude Opus 5.5 得分 52%，把全部硬条件都通过的尝试占 58%。也就是最好的模型仍有四成多的尝试过不了维护者的硬条件。100 题里有 9 题，没有任何模型任何一次通过。六家实验室的 9 个模型挤在 43% 到 52%。
10 月 23 日这套题进了 Coding Agent Index v2.0。指数把三件事等权加在一起：合入质量、终端里的多步任务、读仓库回答问题，共 290 题，每题跑 3 次。它评的是「模型加上这家自己的运行壳」，不是裸模型。
| 组合 | 指数 | 口径 |
|---|---|---|
| Claude Code + Opus 5.5（max） | 61.7 | 约 $11.42 / 题，按 token 的 API 价 |
| Claude Code + Sonnet 5.5（max） | 59.3 | 同上次公布 |
| Muse Code + Muse Wonder Full（max） | 58.9 | 同上 |
| Claude Code + Fable 5.1（max） | 57.6 | 同上 |
| Codex + GPT-6.1 Sol | 54.1 | 约 $1.50 / 题 |
第一名大约贵 7 倍，多大约 7 分。这是 10 月 23 日这次公布的分。9 月旧指数上的 68 分换过题，不能横比。各家自己报的 Terminal-Bench 绝对分互相不一致，这篇不用那些分排座次。Terminal-Bench 4.0 还说明旧榜会失效：有汇总转引 Cognition，SWE-2 在 2.1 上是 92.8%，到 4.0 掉到 27.3%。
编排交给模型自己写的脚本
一个会话里再叫几个帮手，已经不够用。Claude Code 让模型写一段 JavaScript，由运行时去拉起几十到几百个代理。中间结果放在脚本里，主会话可以继续跟人说话。做到一半关掉，打开后能接着跑。这个能力 5 月 28 日发布，后来变为一般可用。10 月 9 日进入托管代理的公开测试，单次运行的上限写到 1000 个代理。
Anthropic 自己报过一组对照：70 个事先埋好的 bug，单个代理三次找到 14、15、27 个；用 workflow 跑，三次都是 66 个。这是他们自己的实验，还没有独立复现。
人的用法已经变了。OpenAI 的工作论文（数据到 2026 年 6 月）里，超过 10% 的 Codex 用户每周至少有一段时间同时开着 3 个以上代理；26.6% 的人在用可共享的 skills。提交过「熟练的人估计要做 8 小时以上」这类任务的用户，今年以来增加了近 10 倍。在 OpenAI 内部，Codex 占掉 Codex 加 ChatGPT 输出 token 的 99.8%。
任务离开这台电脑，慢工具不再堵住这一轮
云端接着干、把云端会话拉回自己的终端、按日程或 GitHub 事件触发、在客户自己的机器上跑，Claude 和 Codex 都已经做成产品。手机可以接着管一台已经连上的电脑。
工具协议也在跟。10 月 23 日，Claude Code 命令行（v2.1.304 起，公开测试）接上了 MCP Tasks：很慢的工具先还一个任务号，做完再交结果，这一轮不用干等。服务器如果缺一个字段，或需要人去浏览器登录，可以中途停下来问。
每次点允许，换成分类器或系统沙箱
Claude Code 从 8 月 14 日起，付费个人档和团队档的新会话默认走自动模式：另一个检查器放行它认为安全的动作，危险的直接拦住，让模型换一条路。10 月 22 日的更新说，这个默认要扩到多数 Claude 应用。Anthropic 称，企业和团队里开着这个模式的人，合并进去的改动大约多 25%。这是他们的使用统计。
Codex 用操作系统沙箱把两件事拆开：能碰哪些文件和网络，以及要不要问你。未信任的目录先只读。非交互运行默认也是只读。macOS 上用系统的 Seatbelt 去限制。
图形界面也进了闭环：代理可以打开本机应用、点击、看屏幕，用来检查只有界面上才看得到的结果。严格做完的比例还低。厂商公布的电脑操作评测里，宽松计分能到七成多，严格完成大约四成。点得动，不等于一整段操作能自己收口。
编辑器和 agent 正在拆开
Agent Client Protocol 在 7 月 20 日放出第 2 版草案。编辑器管界面和权限，agent 作为旁边的程序说话。注册表已经能发现和安装 agent。Cursor 以这种 agent 的身份出现在 10 月 22 日的注册表里。仓库说明（AGENTS.md、skills、hooks）可以在 Claude、Codex、Grok 之间带着走；会话和沙箱带不走。
还没过的线
能写、能跑，离能合还远。最好的模型在「维护者愿不愿意合」上仍有四成多的尝试失败。把思考档拉满，买来的常常是几分，账单是几倍到十几倍。开放权重模型已经挤进 FrontierCode 四成多的那一档，还没有拿到指数第一。
下次看这个领域，先看四件事有没有变：合入质量的分、编排是不是脚本在跑、任务离不离得开这台电脑、放行靠的是人点、分类器，还是系统沙箱。产品名单每周都在变，这四件事更稳。
来源与适用边界
- Artificial Analysis，2026-10-23：Coding Agent Index v2.0 公布。三部分等权：FrontierCode v1.1、Terminal-Bench 4.0、SWE-Atlas-QnA-AA。文中指数和单价来自这次公布及其转述。
- Artificial Analysis，2026-10-12：同一运行壳下的 FrontierCode 1.1。Opus 5.5 得分 52%，硬条件通过的尝试占 58%。
- Cognition：FrontierCode 由仓库维护者出题，并检查是否偷看解答。
- Anthropic，2026-05-28 与 2026-10-09：Claude Code 的 dynamic workflows，以及托管代理里单次最多 1000 个代理。70 个埋点 bug 的对照是 Anthropic 自己的实验。
- OpenAI 工作论文 arXiv:2606.26959，用量统计到 2026 年 6 月。
- Anthropic，2026-08-14 与 2026-10-22：自动模式成为新会话默认，以及「合并改动大约多 25%」的自报统计。
- Claude Code 文档与 2026-10-23 的客户端更新：MCP Tasks 从 v2.1.304 起公开测试；电脑操作较早进入研究预览。
- OpenAI Codex 文档：沙箱与批准分开，云端任务，App 里的电脑操作。
- Agent Client Protocol，2026-07-20 的 v2 草案，以及 2026-10-22 注册表中的 Cursor。
官网页面有的在核对时打不开，指数绝对分以 10 月 23 日公布文本为准。电脑操作「严格完成大约四成」来自厂商公布分数的转述。订阅套餐价和按 token 计的单价不是同一个数。这篇不比较某个人该买哪一个工具。