背景
2026年5月，Claude Code的创建者Boris Cherny在红杉AI Ascent大会上做出了相关表示：从2026年到当下还没有手写过一行代码，上一次手写代码是在2025年的11月。在日常工作当中，他每天都会合并几十个PR，最高纪录达到了150个，而这些PR全部都是由AI Agent生成的。他同时还维护着多个Claude Code session，每一个session当中都会并行运行多个agent，每晚都会有数千个sub-agent去执行后台任务。
这一案例在开发者社区当中引发了相当广泛的讨论。本文将借助Anthropic发布的《2026 Agentic Coding Trends Report》、SWE-bench、Terminal-Bench以及SWE-rebench这多个基准评测项目，还有各工具的API定价以及实际测试得来的数据，针对2026年6月期间的主流AI编程工具展开能力象限方面的分析，并且按照开发者的不同层级给出对应的策略建议。
核心结论前置：不同的基准会给出不一样的排名，没有哪一个模型可以做到全面领先。其中的规律是——在简单任务当中GPT-5.5稍微要强一些，而在复杂跨文件任务当中Claude的表现会更强，至于终端操作的场景，GPT-5.5则是拥有碾压级别的优势。以下所有的数据都会标注对应的评测口径。
SWE-bench Verified 主要是用来测试单文件的 bug 修复工作，SWE-bench Pro 则是针对跨文件的长周期任务来开展测试，SWE-rebench 借助私有仓库来避免出现数据污染的问题，Terminal-Bench 2.0 则是用于测试终端操作的相关能力。不同的基准测试对应不同的维度，分数是不可以跨列来进行对比的。
SWE-bench Pro存在多个版本。在Scale Labs公开的数据集版本上，顶级模型的表现仅约为23%，本文所引用的64.3%和58.6%的数据，均来自厂商各自搭建的评测环境，这些数据无法和Scale Labs版本直接拿来进行对比。
| 模型 | SWE-bench Verified（标准化） | SWE-bench Pro | SWE-rebench | Terminal-Bench 2.0 |
|---|---|---|---|---|
| GPT-5.5 | 82.6% | 58.6% | 88.7% | 82.7% |
| Claude Opus 4.7 | 82.0% | 64.3% | 64.3% | 69.4% |
| DeepSeek V4 Pro | 77.4% | 55.7% | — | — |
SWE-rebench口径说明：SWE-rebench内部设置了verified track以及hardest task tier这两个不同的赛道。GPT-5.5所取得的88.7%的成绩，来自于verified track，也就是swe-rebench.com在2026年5月发布的insight视图当中的相关数据；而Claude Opus 4.7的64.3%的成绩，则来自hardest task tier，相关内容是由AI Weekly所报道的。这两个分数来自完全不同的赛道，所以不可以直接拿来进行对比。
GPT-5.5 Pro补充：LocalAI Master排行榜显示，Pro版本的SWE-bench Verified大概能达到87.6%，MMLU则约为92.1%。SWE-bench Pro的分数目前还没有可靠的公开数据。Pro版本的定价是每百万输入token30美元，每百万输出token180美元，输出端的价格是Opus 4.7的7.2倍，同时也是DeepSeek V4 Pro的207倍。
能力定位：工程代码与系统理解这两方面处于均衡的状态。标准化SWE-bench Verified的得分为82.0%，其中Anthropic自测得分为87.6%，二者之间的差异来自agent harness的配置存在着些许不同。SWE-bench Pro的得分为64.3%，领先GPT-5.5基础版大概6个百分点。Terminal-Bench 2.0的得分为69.4%，落后GPT-5.5大约13个百分点。
核心优势：可以对整个项目形成全方位的理解能力。当你输入十万行级别的代码库时，它能够识别出其中各个模块之间的关联关系、整体的数据流向，以及每一处代码变更可能会波及到的影响范围。同时还支持跨文件的重构工作，也就是说，修改路由、数据库schema、前端组件以及测试用例这些操作，都可以一次性完成。
已知问题：
- 幻觉API调用、编造不存在的库函数（Reddit/Hacker News多案例）
- 大型monorepo中上下文迷失
- SWE-bench Pro测试环境存在数据泄露风险，Pro分数可能被高估（VentureBeat报道）
定价：$5/$25（输入/输出每百万token）。Anthropic已发布Claude Mythos Preview（自测93.9%）和Opus 4.8（自测88.6%），尚未全面商用。
能力定位：终端操作以及长上下文检索这两项能力处于领先位置。标准化SWE-bench Verified得分为82.6%，Terminal-Bench 2.0得分为82.7%，领先Opus约4.7个百分点也就是13个百分点，Artificial Analysis Intelligence Index以60分的成绩排名第一。
与Claude的差异：SWE-bench Pro的得分达到了58.6%，比Opus落后了大概4.7个百分点，也就是差不多6个百分点的样子。这也就意味着，在跨文件的长周期任务当中，GPT-5.5基础版本其实是弱于Claude的。不过在终端密集型的场景，也就是像DevOps、自动化脚本、命令行操作这类场景里，它的优势就显得格外显著。
Pro版：SWE-bench Verified的表现大概在87.6%左右，定价则是30美元或是180美元的档位。这类工具比较适合用在低频且高价值的任务场景当中，比如说架构层面的决策、比较复杂的漏洞修复工作，并不太适合日常的CRUD这类常规开发工作。
生态现状：Agent生态的起步时间要比Claude Code晚一些，目前社区以及工具链的成熟度还处在追赶的过程当中。
能力定位：尤其是在竞赛编程领域处于领先位置。它在标准化的SWE-bench Verified基础模式下，得分可以达到77.4%，而在Think Max模式中，性能更是可以达到80.6%。在Codeforces平台上，它的得分大约为3200分，在LiveCodeBench上则达到了93.5%，从竞赛编程这个维度来看，它的表现要领先于Claude。
工程代码 vs 竞赛编程：在工程代码这个领域当中，也就是SWE-bench Pro 55.7%这个由第三方整理出来的数据里，Claude是处于领先位置的；而当来到竞赛编程的场景之下时，DeepSeek则实现了反超。这两种都被大家认为是“代码强”的情况，其实分别对应着不一样的使用场景。
定价：在2026年5月23日推出75%折扣永久化方案之后，具体的收费标准为每百万输入token收取0.435美元，每百万输出token收取0.87美元，而原本的原价则是每百万输入token1.74美元、每百万输出token3.48美元。输出端的成本大概是Opus 4.7的二十九分之一。
从实际成本这一层面来进行考量：
- 在开启Think Max模式的时候，token的消耗会处在一个偏高的水平当中。根据Artificial Analysis所提供的数据，当运行Coding Index这项工作的时候，所消耗的output tokens大概达到了1.9亿，而其中位数则为4700万。
- 第三方工具其实存在兼容性方面的问题，也就是OpenCode测试过程中出现了“kept failing on the thinking-mode handshake”这一具体情况。
短板：系统层面的理解能力要比Claude稍弱一些，在跨模块重构以及架构级别的决策环节当中，也很容易出现各类错误。
中文能力：中文语料的投入会来得更大一些，同时在针对中文场景的理解上，也具备了对应的优势。不过就目前的情况来看，还缺少像C-Eval、CMMLU这类标准化的评测来获取直接的对比数据，它所具备的优势幅度，还有待进一步去完成量化的工作。
技术路线：可以依据任务的具体类型，自动切换底层所使用的Claude、GPT以及Gemini这些模型。当前编辑器的体验处在行业领先的水平，其中包含了Tab补全、内联对话以及全项目重构这些功能，它的交互细节也做得比较成熟。
自有模型：选用了Composer 2.5来用于Tab补全，不过核心的Agent能力依旧要依赖第三方模型。TechCrunch做出了这样的评价：“Neither Cursor nor xAI has proprietary models that can match the leading offerings from Anthropic and OpenAI.”
重大变量：2026年4月SpaceX与Anysphere签署600亿美元收购选择权协议。5月19日Bloomberg报道SpaceX计划IPO后30天内完成收购（SpaceX已宣布IPO计划，预计估值约1.75万亿美元）。收购完成后Cursor将接入xAI Colossus超算集群训练自研编码模型。注意：收购尚未完成，接入超算≠模型能力提升，训练数据和方法才是关键。
Agent化时间线：在2025年的2月份，推出了Agent Mode的预览版本，等到4月的时候，VS Code就迎来了它的正式GA版本。而像JetBrains这类其他IDE的上线时间就要更晚一些，一直到9月份，Coding Agent才正式实现GA。当前它所具备的能力涵盖了自主开展规划工作、对文件进行修改、执行终端命令、自动迭代修复程序漏洞以及异步提交PR。
竞争位置：Agent化这项技术的起步时间要比Claude Code晚上不少，到目前为止还在持续开展追赶相关的工作。它所拥有的核心资产，其实就是GitHub这个生态系统，具体来说就是代码托管、CI/CD还有项目管理这几个方面，要是微软可以把Agent和这个生态系统进行深度打通的话，那么就存在着实现翻盘的可能性。根据目前掌握的信息，截止到2026年6月，Claude Code所具备的Agent能力，依旧明显处在领先的位置。
讨论AI编程工具不能只看跑分，也不能只看单价。需要计算每任务实际成本。
标价对比（输出端每百万token）：
- Claude Opus 4.7：$25
- GPT-5.5：$30
- GPT-5.5 Pro：$180
- DeepSeek V4 Pro：$0.87
影响实际成本的变量：
| 变量 | Claude Opus 4.7 | GPT-5.5 | DeepSeek V4 Pro |
|---|---|---|---|
| 标价（输出$/M token） | $25 | $30 | $0.87 |
| Tokenizer影响 | +45-47%（实测，技术文档场景） | — | — |
| Token消耗效率 | 基准 | -72%（MindStudio报告） | Think Max模式偏高（约1.9亿 vs 中位数4700万） |
| 第三方工具兼容 | 好 | 好 | 部分问题（OpenCode thinking-mode handshake失败） |
选型建议：先把场景分布给确定下来，也就是架构级、日常CRUD以及终端密集型这几类各自的占比情况，再去匹配相对应的开发工具。千万不要只用单一的工具来应对所有不同的工作场景，同时也不要维护过多的工具，中小企业可以从两个工具起步，等把整体流程跑通之后再进行后续的扩展。那些隐性的成本，比方说调试所花费的时间、工具链之间兼容方面的成本，都必须要计入到整体的总账当中。
当前行业现状显示：AI已经能够完成大概八成左右的CRUD相关工作，具体来说也就是承接需求、编写代码以及提交PR这些环节。根据Anthropic在2026年发布的趋势报告来看，AI在行业内的渗透率正处在快速攀升的阶段，那些可以完全委托给AI来处理的任务占比，也正在持续地扩大。
风险点：大多数初级开发者还停留在“翻译需求”的这个层面当中，也就是客户或者需求方说“加按钮”就直接去加按钮，整体上是缺乏判断力、审查力以及质疑能力的。
策略：从“练习如何编写”转向“练习如何判断”。AI生成的代码在处理复杂业务逻辑、边界条件以及安全漏洞的时候，依然会暴露出各类错误，能够发现这些问题的人员所需要的其实是代码阅读理解能力，而并非编写速度。这个可以用来调整方向的窗口期，正在慢慢变得越来越短。
核心优势：可以把原本模糊不清的需求，转化为AI能够真正理解的明确指令。Boris Cherny原话：”AI可以帮你写出任何你想要的代码，但它不知道你想要什么。”这就需要开展涉及业务理解、技术判断以及沟通能力相关的工作，而AI目前其实并不具备这些方面的能力。
风险点：这项能力正在被人工智能所侵蚀，就像Claude Code Cowork、Copilot Agent Mode这类工具，都在朝着能够理解模糊需求的方向不断演进。不同委托之间的差距也在快速地缩小。
进阶方向：
- 系统架构设计（AI能写代码，不会设计架构）
- AI工作流编排（Agent分工、审查流程设计）
- 跨团队技术决策（需要经验和直觉的trade-off判断）
注意：这三个方向当前安全，不代表永远安全。需要持续向AI能力边界之外移动。
不变的价值：架构决策，也就是微服务和单体架构的选择、技术选型、技术债的取舍、第三方服务的评估这类工作，需要经验、直觉以及业务理解，AI目前没办法把这些替代掉。
新增任务：设计AI原生开发流程。Boris团队所采用的“AI写代码+人监督”模式，需要有人来对Agent的具体分工、审查环节的流程、质量把控的相关标准，以及出现问题后的回滚机制进行设计。
注意事项：Boris的案例不可复制。他是Claude Code创建者，代码库即Claude Code本身，对AI的指令精确度远超普通开发者。拿他的体验推导”编程被解决了”存在严重幸存者偏差。
决策框架：先去量化清楚团队任务类型的整体分布情况，也就是架构级、CRUD以及终端密集型这几类任务各自所占的具体比例，之后再去匹配与之相对应的工具组合。比较建议从两款工具先开始起步，比如Claude Code架构工具以及DeepSeek日常办公工具，等跑通整个流程之后再进行后续的扩展。
成本考量：采用多工具组合的方式往往会带来额外的维护成本，比如说多套API接口、多种不同的prompt模式、多份独立的账单，还有多个需要进行排查的路径，中小企业需要仔细评估一下，这些维护成本会不会超过通过API所节省下来的那部分开支。
核心判断：选用“谁能用好工具”比选用“哪个工具”要更为重要。人的差距是大于工具的差距的。
优势就是决策速度比较快，试错的成本也相对较低。劣势则是没有办法对AI生成出来的代码进行审查。
建议：小项目DeepSeek快速验证，核心模块Claude Code兜底，终端密集型项目用GPT-5.5/Codex。GPT-5.5 Pro价格过高，性价比不如基础版。不要在工具选择上过度投入——独立开发者最大成本是时间。
Boris Cherny 的原话是“coding is largely solved for the code he writes”——也就是写代码这个动作，对于他自己所编写的那些代码来说，基本上已经得到了解决。
但其实“写代码”和“编程”根本就是两回事。
写代码其实就是把脑子里的想法转换成计算机能读懂的语言，现在AI差不多快要把这项工作给做完了。而编程真正的核心，其实是去定义清楚要解决的问题、设计出对应的解决方案、在不同的方案之间做好权衡和取舍，还要真正去理解用户的真实需求，AI到现在连这一行当的门槛都还没摸到。具体来讲，从用户给出的反馈里面提炼出真正的技术需求、在多个备选方案里做出有数据作为支撑的选择、识别出需求当中存在的逻辑矛盾、讲明白这个功能到底解决的是谁的什么问题——这四项能力，AI到目前为止一项都做不到。
过去这二十年的时间里，整个行业都把“写代码”直接等同于了“编程”这件事，不管是在面试的时候会考算法相关的内容，还是在晋升的时候会去看员工的代码产出总量，又或是在绩效评定的时候会参考项目交付的快慢速度。而现如今，这样一套评价体系已经开始逐渐失效了。
把自己定位为”写代码的人”，出局。定位为”解决问题的人”，AI是杠杆。
暂无评论内容