上周五，OpenAI 推出新型编码系统 Codex，旨在通过自然语言指令执行复杂编程任务，标志着其正式加入代理式编码工具阵营。
从 GitHub Copilot 到 Cursor、Windsurf，现有 AI 编码助手多表现为智能自动补全，用户仍需深度参与代码交互。而“分配任务后等待完成”的完全自动化模式此前仍遥不可及。
🎯 代理式编码：像管理者一样分配任务
以 Devin、SWE-Agent、OpenHands 及 OpenAI Codex 为代表的新兴代理式工具，设计初衷是让用户无需查看代码即可工作。其目标是模拟工程团队管理者角色，通过 Asana 或 Slack 等系统分配问题，并在解决方案达成时进行检查验收。
对于高度可信 AI 的支持者而言，这是自动化逐步接管软件工作的自然演进。
普林斯顿大学研究人员、SWE-Agent 团队成员 Kilian Lieret 指出：“起初人们通过按键编写代码；GitHub Copilot 开启了真正的自动补全第二阶段，虽可走捷径但仍需全程参与。而代理式系统的目标是超越开发者环境，向编码代理呈现问题并让其自主解决。我们将流程拉回管理层级，只需分配错误报告，机器人便会尝试完全自主修复。”
⚠️ 现实挑战：幻觉与监督成本
尽管愿景宏大，但实现难度极高。Devin 于 2024 年底全面开放后，既遭到 YouTube 评论家的严厉批评，也收到 Answer.AI 早期客户的审慎评价。这与“氛围编码”（vibe-coding）老手的体验一致：因错误频发，监督模型所耗精力与手动完成任务相差无几。不过，投资者仍看好其潜力——据报道，今年三月 Devin 母公司 Cognition AI 以 40 亿美元估值筹集了数亿美元。
即便是技术支持者也对无监督的氛围编码持谨慎态度，认为新编码代理应作为人类监督开发流程中的辅助元素。
All Hands AI CEO Robert Brennan 强调：“目前及可预见的未来，代码审查环节必须有人介入。我曾见过因自动批准代理编写的每一段代码而导致混乱失控的案例。”
此外，“幻觉”仍是持续痛点。Brennan 回忆称，当被问及训练数据截止后发布的 API 时，OpenHands 代理捏造了符合描述的虚假细节。All Hands AI 正开发系统在造成危害前捕获此类幻觉，但目前尚无简单解决方案。
📊 基准测试与信任瓶颈
衡量代理式编程进展的最佳指标或许是 SWE-Bench 排行榜。OpenHands 目前在经过验证的榜单上排名第一，解决了 65.8% 的问题集；OpenAI 声称其驱动模型 codex-1 得分达 72.1%，但该分数附带限制条件且未经独立验证。
行业普遍担忧高基准分并不等同于真正无需人工干预。若代理每四个问题仅能解决三个，在处理多阶段复杂系统时仍需大量人工监督。
如同大多数 AI 工具，业界期待基础模型的持续改进能使代理式系统成长为可靠开发工具，但解决幻觉及可靠性问题是实现这一目标的关键。
Brennan 坦言存在“音障效应”：“核心问题在于，你能将多少信任转移给代理，使其最终能从你的工作中承担更多责任？”