mini-swe-agent真实调试任务测评

DeepSWE 的评测对比让我产生了兴趣，于是在一组匹配的调试任务上用 GPT-5.6 SOL（High reasoning模式）跑了 mini-swe-agent。

当前的数据出乎我的意料：

Codex CLI High：151.91M tokens，60% 通过率

plain mini-swe-agent：70.33M tokens，67%

同样的 mini harness 加上 macro execution（不改变 prompt）：60.59M tokens，78%

也就是说 plain mini-swe-agent 比 Codex 节省了约 54% 的 tokens，同时得分还高了 7 个百分点。在这个小规模的消融实验中，仅改变执行方式就又削减了约 14% 的 tokens，并提升了 11 个百分点。

这并不能证明它全面更优。这只是一组匹配的基准测试切片，DeepSWE 本身也指出 prompt 调优可能部分解释了这个 harness 差距。不过对于调试场景而言，这个极简的"bash + 线性历史"组合看起来异常强大。

有人用它做过日常 bug 修复或功能开发吗？在基准测试之外什么东西最先出问题：仓库配置、长时间运行的测试、权限，还是 patch 质量？

我的跑分记录：https://turaai.net/benchmark

mini-swe-agent：https://github.com/swe-agent/mini-swe-agent

DeepSWE 的解读：https://deepswe.datacurve.ai/blog/deepswe

Disclosure：我是 Tura 的维护者，以上基准测试也是我跑的。