AI 编程代理在大多数任务上仍需人工清理

AI 编程代理在大多数任务上仍需人工清理。根据 The Decoder 的报道，一项基于真实用户变更请求构建的基准测试显示，最佳模型 GPT-6 Astra 仅完全解决了 26.4% 的任务。

发生了什么

The Decoder 报道称，来自阿里巴巴和几所亚洲大学的研究人员创建了 Co-Design Bench，这是一个要求编程代理利用图像、音频、视频或文档等多种输入来重构现有 Web 应用的测试。共评估了十个模型；GPT-6 Astra 平均满足了任务约 70% 的要求，但仅在 26.4% 的情况下产生了完全正确的结果。紧随其后的模型是 Claude Opus 5 和 Qwen3.8-Max，而 Grok 4.6 排名垫底。该基准测试强调严格的评分标准：一个 AI 裁判在浏览器中运行完成的应用程序，第二个裁判则根据模型图或硬编码结果验证每一个正面判决。

随着任务结合了更多类型的变更（布局、设计、交互、内容），性能有所下降，这反映了真实项目的复杂性。额外的计算资源并没有带来帮助；GLM-5.2 在较小的变更上消耗的令牌几乎是 GPT-6 Astra 的六倍，但得分却更低。研究还发现，框架（代理读取、写入和执行代码的环境）可能会影响结果——Qwen3.8-27B 在一个框架中得分为 75%，但在另一个框架中仅为 56%。

为什么这对小型营销团队很重要

对于依赖快速网站调整、落地页实验或内部工具的小型公司来说，AI 可以端到端编码这一引人注目的说法为时过早。基准测试显示，即使是最强的代理也在四分之三的请求中至少遗留了一个未完成的细节，因此营销人员的“无代码”捷径仍然需要开发人员或懂技术的员工来审查和修复输出。这种额外的人工辅助削弱了 AI 承诺的速度优势，并增加了隐性劳动力成本，这可能影响活动时间表、品牌一致性和预算预测。此外，依赖环境的结果意味着仅仅选择一个模型是不够的；团队必须在将面向客户的变更交给它之前测试完整的工具链。

本周该做什么

1. 选择一个低风险的网页（例如内部常见问题解答），让 AI 编程代理执行单项变更；然后让开发人员花 30 分钟对照检查清单审查输出。
2. 创建一个简单的生成后 QA 检查清单（功能、设计一致性、硬编码数据），任何 AI 生成的代码在发布前都必须通过此清单。
3. 在两个不同的框架中运行相同的任务（如果平台提供），并比较结果，以确定哪个环境产生更少的人工修复。

来源

• AI coding agents still need human cleanup on nearly three out of four tasks in a real-world test — The Decoder