AI 编程 Agent 模拟职场实测:Claude Opus 5.5 与 GPT-6 Astra 完整任务完成率不足一成

一项模拟软件公司环境的新实验显示,即便 Claude Opus 5.5 和 GPT-6 Astra 这类前沿 AI 编程 Agent,在带同事、项目板和聊天历史的职场场景中,完整完成的任务也不足十分之一,与基准测试中的高分形成明显落差。

一句话看懂:一项模拟软件公司环境的新实验显示,即便 Claude Opus 5.5 和 GPT-6 Astra 这类前沿 AI 编程 Agent,在带同事、项目板和聊天历史的职场场景中,完整完成的任务也不足十分之一,与基准测试中的高分形成明显落差。

事件核心:发生了什么

据 The Decoder 于 2026 年 11 月 22 日报道,一项新实验首次把 AI 编程 Agent 放进模拟软件公司,让它们扮演“数字员工”:有虚拟同事、项目看板、聊天历史等日常职场要素。结果显示,包括 Claude Opus 5.5 和 GPT-6 Astra 在内的模型,完整完成的任务不到 10%。作为背景,Anthropic 曾表示 Claude 承担了公司超过 80% 的生产代码,SWE-bench 等标准基准的分数也接近饱和,这与模拟职场中的表现形成对比。需说明的是,目前公开信息仅限于报道摘要,实验细节、评分标准与样本量均未完整披露。

为什么重要

孤立基准测试通常只考察单点代码修补,而真实软件工作的难点在于澄清含糊需求、跨文件协调、与“同事”同步上下���、在多轮沟通中推进任务。这次实验提醒行业:在 SWE-bench 上逼近天花板,并不等于 Agent 能独立胜任完整工作流。对闭源前沿模型而言,这意味着厂商竞争重点可能从刷榜转向“职场协作”类评测;对开源模型和 Agent 框架开发者来说,上下文管理与任务分解仍是明显短板。对企业采购方,这也提供了一个现实提醒:演示视频和基准分数不能直接等同于生产可用性。

对用户/开发者/创作者的影响

对开发者,短期更现实的用法仍是把 AI 编程 Agent 当作执行明确子任务的工具,通过 API 或 IDE 插件接入,由人负责需求拆解和验收;直接把整个需求丢给 Agent 并期待端到端交付,风险仍然较高。对团队,评估 AI 应用时应关注“多轮任务完成率”而非单一跑分。对创作者和产品方,营销表述里若引用基准排名,最好补充任务结构和评估条件,避免过度解读。

GamsGo AI

AI 工具推荐

想把多个 AI 模型放在一个入口?

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。

值得关注的后续

一是该实验是否公开完整方法论与任务集,后续能否被复现;二是 Claude Opus 5.5、GPT-6 Astra 之后的新版本是否针对长上下文协作与工具调用做专门优化;三是行业是否会形成面向“模拟职场”的新评测标准,并影响企业采购决策。

来源:The Decoder AI News

celebrityanime
celebrityanime
文章: 36706

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注