Claude Opus 深度实测:Agent 编程到底靠不靠谱?

实测背景

我们选取了 12 个真实开发任务(涵盖 bug 修复、小功能、大型重构三类),全程由 Claude Opus 以 Agent 模式自主完成,人工只做最终审查。

结果一览

任务类型 数量 一次通过 需人工微调 失败
Bug 修复 5 4 1 0
新功能 4 3 1 0
大型重构 3 0 2 1

关键发现

  1. 上下文理解是最大的提升:跨 10+ 文件的改动,引用关系基本不出错
  2. 大型重构中的隐性业务约束仍是短板,Agent 容易"看起来对"
  3. 测试用例先行的任务,成功率明显更高

最佳实践

  • 把验收标准写进任务描述(甚至先写测试)
  • 限制单次改动范围,小步快跑
  • 重构类任务保留人工 review 关卡

结论

日常迭代已经可以放心交给 Agent,大型重构请把它当作"高级初稿生成器"。