代码Agent到底靠不靠谱

今天8月19日。后台攒了三条读者私信,问的事看着不挨着,放在一起却有点意思——它们都在追问同一个问题:AI写代码这事,到底能不能当真用了。

一个是做OPC的,问千问下载量全球第一了,是不是该把手头的闭源模型全换成开源;一个是在团队里推代码Agent的,问清华那个“循证”模型到底比Codex强在哪;还有个做软件外包的小老板,问Claude都能自己发邮件了,是不是该把公司里那堆“跨软件传话”的活也交给它。

我不逐个回私信了,写在这,一并聊透。

“千问下载量30亿全球第一了,我们选模型该不该从闭源切到开源?”

先纠正一个说法,不是30亿,是过去6个月累计下载量破30亿次,这是个流量口径,拿它当“开源赢了闭源”的证据,方向就错了。

但这事本身值得关注。据公开报道,阿里巴巴旗下千问模型家族已开源超过460个模型,生态衍生出30多万个衍生模型。Hugging Face在8月14日发布的报告也把它列成开源生态里规模最大的基础之一。从Qwen3.5到Qwen3-VL,推理、编程、智能体、视觉理解一路铺开,397B的MoE架构配上201种语言支持,这个广度是实打实的。

下载量是生态指标,不是生产力指标。

放下载量高,是因为模型多、版本勤、文档全、可商用,开发者愿意拿它当底座。但这跟你的业务能不能跑通,中间还隔着好几层胶水。下载一个模型只需要一行命令,让它稳定地替客户干活,是另一门手艺。

所以对OPC创业者,我的判断很直接:别因为一个下载量数字换模型,也别因为别人的下载量数字焦虑。选型看三个变量——目标场景的失败模式、部署成本、出错之后能不能本地回滚。这正是我们舍予团队给客户做选型时反复用的尺子。我们不看榜单排名,先把客户要跑的流程拆开,看模型在哪一步会崩、崩了谁兜底。没有兜底的模型,再热门也不上生产。

下载量第一的真正信号是:开源的“基础可用性”已经被拉平了。 机会不在模型本身,在谁能把开源模型接进真实工作流里,把“能用”变成“好用”。

“清华那个‘循证’模型,和Codex、Claude比到底什么区别?”

这位读者问到了一个关键变量。

清华深圳SIGS的刘厚德、王立博团队开源了VeriLoop Coder-E1,中文名“循证”。它的核心思路不是把代码写得更快,而是给AI装了一套“生成-测试-修错-再验证”的循环。每一轮生成的代码必须经过测试验证,通不过就分析原因、修正,再验证,直到产出可靠东西。

这个思路的锋利之处在哪?它承认了一个很多团队不愿承认的事实:模型写代码的能力已经过剩,缺的是“验证”这个环节的组织方式。

看数据。在SWE-bench Verified上,循证拿了85.20分;SWE-bench Pro 62.38分、Terminal-Bench 2.0 76.40分。截至7月底公开社区榜单,在32B及以下开源模型里,前三项都排第一。拿来对比的是DeepSeek-V4-Pro、MiniMax-M3、GLM-5.2、Kimi-K3、Qwen3.6-27B这批名字,含金量不低。

跟Codex、Claude比,它不见得处处领先,但它的路线更接近OPC需要的那个样子:不是更猛的写手,而是更较真的工程师。 它把测试工具、反馈、修正组织成了一个可持续迭代的过程,而不是指望一次生成就交付。

这恰恰是我们给客户做代码Agent时最有体会的一点。我们最值钱的代码不是模型那个环节,是那段胶水逻辑——当CI跑挂了,把失败日志回喂给Agent,让它自己读、自己改、再提交,循环几轮直到通过。模型谁都能换,这段“让它认错”的流程,才是小团队能守住的东西。

所以OPC的机会也在这:把“循证”这种验证流程产品化,而不是再训一个代码模型。 训练不起,也没必要。

“Claude都能发Gmail管Drive了,是不是Agent真要进办公场景了?”

这条其实比前两条更值得OPC创业者兴奋。

Anthropic最近让Claude接入Gmail和Google Drive,能起草回复、发邮件、管理文件,所有付费套餐都可用。同时它还在测试Claude Science,一个覆盖生命科学数字化流程的工作台,把重任务调度到用户自己的GPU或云账户上。

这意味着什么?Agent正从“聊天窗口里的建议”走向“真实软件里的操作”。 这跟我去年判断的方向一致