编程 Agent 深度对比：模型差异已微乎其微

几周前的一个晚上，我坐下来认真想了想是不是该换个编程 Agent。新出的基准测试分数、刚调整的价格，还有那种隐隐的感觉——好像所有人都在用比我手里更好的东西。

研究的结果出乎我的意料。在 Terminal-Bench 2.1 上，GPT-5.6 Sol 得分 89.5%，Claude Opus 5 满血模式得分 89.1%。这两是当下最常用的两个编程 Agent 背后的默认模型，它们只差 0.4 个百分点。与此同时 Opus 5 以前辈一半的价格发布，而 OpenAI 两周前把其中层模型最多砍了 80%。模型趋同了，价格也在崩塌，而且几乎同步发生。

于是我关掉了那些对比标签页，之后一直在思考：我的实际产出到底是从哪里来的。让人不舒服的答案是：近期的差异大部分根本不是来自模型本身，而是来自我围绕它搭建的那一整套配置。

真正起作用的是什么

我在每个项目里都维护一份指令文件——规范、要跑什么、不要碰什么。那些文件写得好的周，Agent 就好用；那些文件过时了的周，Agent 就会自信地做上个月的"正确"事情。

验证环节也是同样的道理。我为 Agent 配置做过的最大改进，不是升级模型，而是让测试运行变成强制环节——让 Agent 在我看到结果之前先检查自己的代码。一个更弱的模型但跑了测试，比一个更强的模型但不跑测试，结果要好得多，而且差距明显。基准测试看不到这一点，因为基准测试自带测试框架——它们只测量模型在独立任务上的表现。你的代码库，那个四分钟的测试套件、那个没写在任何地方的部署步骤，是另一种地形。

我最清晰的案例：一个 Agent 一直通过重新引入项目刻意放弃的模式来"修复"任务——每次都很自信，因为放弃它的原因只存在于我脑子里，Agent 根本读不到。再好的模型升级也解决不了这个问题；模型在它能看到的范围内没有任何错误。把约束写到规范文件里就解决了，第一次尝试之后就解决了。失败不是因为智能不够，而是因为我从来没告诉它这件我期望它知道的事。

让我不舒服的部分

这才是我一直不愿承认的事：两个开发者用同一个 Agent、同一个模型，拿到的东西已经完全不相似了。一个只是敲个提示词然后祈祷的人，和一个维护规范文件、接好测试钩子、精心筛选 Agent 能看到什么的人——这之间的差距，现在比任意两个前沿模型之间的差距还要大。

2024 年，工具选择解释了大部分差异。2026 年靠的是配置纪律，这就不那么好听了，因为你没法通过换产品来解决。写这话的人是我——我自己的规范文件在最后翻开看的时候，旧得令人尴尬。

如果我排个优先级，对我来说值得投入的部分依次是：验证循环第一，成文的规范第二，让 Agent 在独立 worktree 里工作以便低成本犯错第三，裁剪进上下文的内容最后。你的排序可能不同，但如果"选哪个模型"能进前三，我会很惊讶。

如果只能保留一个，那就是验证循环，而且优势明显。让 Agent 在我查看之前先跑自己的测试，今年对我的日常工作影响比任何模型发布都大——不是因为它能捕获所有错误，而是因为它改变了我注意力的去向。我不再审查代码能不能跑，而是审查代码是不是在做对的事，这是人类唯一真正更擅长的事情。

我没有换。不是出于忠诚——模型足够接近，切换成本会超过任何差异，这正是趋同分数和价格战的含义。模型会继续互相半个百分点地跳跃式超越。但它们周围的东西会积累：每一个钩子、规范文件、验证循环，在明年插入任何模型时都会继续产生回报。

如果你见过相反的情况——一个任务里单独换模型、配置不变，却产生了真正的差异——我真诚地想听听。那是我思维中需要的反例。

研究和起草过程有 AI 协助；所有测试、观点和最终修改均为本人独立完成。