写一个函数，AI 几乎无敌；但维护一个系统，为何 AI 开始崩溃？
人工智能正进入"下半场"。随着AI编程能力提升和"CLI everything"趋势兴起，Agent已从单次任务工具转向长期运营、真实交互的复杂系统。然而，持续演进中AI能否保持能力稳定成为新挑战。
EvoClaw基准揭示能力断层
腾讯首席AI科学家姚顺雨指出，真实编程任务具有连续依赖性，但学界缺乏相应评估基准。近期，美国多所高校与OpenHands团队发布EvoClaw评估基准，通过开源项目代码演进历史，在同一代码库上要求Agent连续完成数十个相互依赖的功能迭代。
测试显示：顶尖模型在独立任务中得分超80%，但在长周期场景下断崖式下跌。Claude Opus 4.6综合得分仅38.03%，表明AI处理长周期软件演进仍存在显著差距。
图｜EvoClaw综合性能总览
评测范式变革：从静态到持续演进
传统测评聚焦独立任务（如SWE-bench），在静态代码快照上验证。而真实开发具有动态性：微小bug经版本迭代可能演变为系统崩溃。研究团队创新性引入"里程碑（Milestone）"评估层级，重构兼具语义完整性和演进依赖的功能单元。
图｜持续演进评测范式对比
DeepCommit流水线突破
团队开发DeepCommit自动化流水线，通过三阶段重构：Git历史预处理、Agent驱动DAG构建、里程碑环境配置，首次实现将杂乱的开发记录转化为可验证任务图。其关键创新在于：
- 迭代式修复机制：动态分析报错日志调整Dockerfile
- 隐式依赖补充：优化Milestone约束关系解决接口冲突
- 正确率达87.1%：精准恢复测试用例
图｜DeepCommit架构
长周期能力瓶颈显现
测试覆盖Python/Java/Go等五类语言项目，横跨750天开发周期。采用F1加权评分（召回率衡量功能完备性，精确率检测既有代码破坏程度），结果揭示：
- 所有模型得分腰斩：Claude Opus 4.6（38.03%）、GPT 5.3 Codex（28.88%）
- 存在能力天花板：即便延长开发窗口，最优模型饱和线仅45%
- 家族性能差异：Claude/GPT随版本稳步提升；Gemini早期表现佳但长周期维护能力薄弱
错误链分析表明：模型实现新功能能力持续上升，但回归错误积累速度远超修复能力，最终陷入"技术债破产"。
图｜错误链分布
行业启示与发展方向
EvoClaw为AI Harness调试提供通用评估平台。研究证实AI具有"实现新功能强于维护旧系统"的通用特性，这将推动软件形态变革：
- 更强调灵活性与组件化设计
- 适当放宽质量约束提升迭代吞吐量
- 重点强化可复用基础设施建设
该研究验证AI长期编程能力随模型迭代稳定提升，未来或迎来量变到质变的突破。