缺陷修复：交付补丁与回归证据 →
让原本可复现的错误消失，同时保持已有行为。
仓库和复现条件明确时，可委派Agent完成补丁与回归循环，再按行为证据接收。
接收标准：原错误被真实捕获
计算机 · 工作、能力与未来
了解AI进展与行业影响
看清最近进展发生了什么，影响哪些工作，以及依据支持到哪里。
把代码变更送到真正被接收的一步：比较偏修复实现与偏质量验证的工作，辨别团队积压究竟卡在哪里。
本页选取本领域几项具体工作，说明已公开的进展、适用条件与尚未知的影响；不是行业整体自动化程度。
从可验收交付，看具体进展
这些工作，现在怎样用AI？
先选一项工作，看当前可委派范围、要接收的产物和验收方法，再看哪些研究改变了这项判断。无需先填写个人资料。
当前可用 · 先选交付目标
编程与软件：现在可以怎样用AI
AI已能参与完整代码交付循环；明确规则与可运行环境是最实用起点。当前仓库的表现仍需自己的补丁和回归证据。
约束内功能交付：从行为契约到真实系统变更 →
在既有系统内交付一段符合用户行为、数据、权限与资源约束的可运行功能，连同可独立验收的实现和集成证据。
行为契约、真实依赖和独立验收齐备时，可整包委派到“可接收的功能实现”；本例的后端导出需满足实际数据、权限和资源验收，再按团队发布权限采纳。
接收标准：新增功能在真实系统中满足契约
变更审查：交付可定位、可复现的问题 →
在合并前找出会影响用户或系统的真实问题，并说明审查覆盖。
可让AI并行检查差异、定位疑点和构造复现；关键发现需核实，接收不能只看“无问题”。
接收标准：每条问题可重现或严格定位
浏览器功能交付：操作、渲染与可访问性一起验收 →
交付可在目标浏览器完成真实用户任务的界面变更，附持久状态、视觉差异和可访问性证据。
可整包委派已定义交互的实现与浏览器迭代；以真实状态变化接收，键盘和辅助技术另留明确检查。
接收标准：任务确实完成
按原始公开或修订日期倒序；核查与补录日期另列。上方工作建议反映当前判断，不受历史窗口筛选。
截至 2026-10-21 的精选；按首次公开或实际判断变化日期筛选与排序。资料修订另行说明，不自动表示能力提升。下次复查 2026-11-20。
· 现场观察
代码产出增加后，工作转向组织、接收与监控Agent
Anthropic内部观察显示，Agent做得更多会改变人的工作内容，增加上下文维护、请求分流与监控。
实际结果：研究给出内部工作和招聘材料及访谈，观察到Agent管理工作增加；这是一家公司采用后的变化。
现在可做：为一条维护流程记录待接收补丁、重复异常和复核耗时；让注意力集中在真实决策上。
展开工作变化、研究配置与证据
改变的步骤：变化集中在交付之间的组织：规格、可见上下文、互审和异常分流进入日常工作。
以前：给人拆分实现步骤，再集中审阅提交。
现在：可以委派完整修改；同时需要让任务状态和异常可见，避免所有Agent输出都请求逐条阅读。
配置与口径：内部工作数据与访谈；采用非随机；代码量等产出代理指标不代表全部业务价值。
适用边界：组织观察不能推出你的团队应减几人，也不证明所有复核必须永远由人完成。
- Anthropic内部的工作与职责变化 ↗
2026-10-16 · 定位：Bottlenecks and process；采用非随机限制
单公司现场观察到Agent组织、上下文维护和注意力分配成为新的工作。；公司业务及采用选择特殊；产出代理量不等于完整业务价值，不外推行业岗位数量。
核查 2026-10-19 · 下次复查 2026-10-26 · 已到期待复查
· 工作方法
模型不变，改进工具和检查流程也能改善交付
Harness²通过比较运行轨迹来修改上下文、工具和检查安排，展示运行流程本身可以优化。
实际结果：指定Code配置的平均检查得分由73.4变为76.5；得分是每题检查项通过比例的汇总，不是完整项目通过率。
现在可做：先检查Agent是否真的读输入、运行测试和查看产物；记录改流程后的收益与全部成本。
展开工作变化、研究配置与证据
改变的步骤：从只换模型或加提示，扩展到保存失败轨迹、试改流程并重新执行。
以前：失败后直接重试或换模型，缺少对漏读、漏执行和漏检查的定位。
现在：用轨迹定位瓶颈并试改流程，再按相同目标验收。
配置与口径：Gemini 3.5 Flash＋OpenCode执行、Opus 4.8编辑；40个Code任务、三条随机顺序经验流、k=1。含确定性和LLM/VLM检查；k=1无最终多产物选择，编辑/候选另耗预算。
适用边界：流内经验相关；论文未验证本站队列或当前仓库，不能据最终执行步数推总成本下降。
- Harness²：固定执行模型，改进运行流程 ↗
2026-10-09 · 定位：§2.2、§3.1表1、附录B/D
WorkBuddy-Bench Code上的平均检查得分变化及工具/上下文/检查流程的优化方法。；检查项均分不是项目通过率；经验流内相关，候选与编辑成本另计；未验证本站任务。
核查 2026-10-19 · 下次复查 2026-10-26 · 已到期待复查
· 工作方法
从生成界面到真正完成用户操作
长时间应用构建案例把规划、实现与操作评价连接，评价者要真正使用应用才能发现未接通流程。
实际结果：在“2D复古游戏制作工具”案例中，单Agent输出的实体不响应输入；完整运行系统的结果能移动角色并试玩，仍出现平台重叠和关卡大墙等问题。
现在可做：选一个真实操作，例如保存、重新打开和修改；把结果状态纳入验收。
展开工作变化、研究配置与证据
改变的步骤：验收Agent用Playwright实际试玩，发现矩形填充只落起止点、实体删除条件等问题，再把缺陷交回修订；验收关注可操作行为。
以前：生成文件或漂亮截图就交付。
现在：实际操作核心流程，失败返回实现循环，交付行为证据。
配置与口径：原文Opus 4.5案例：单Agent约20分钟/9美元，完整系统约6小时/200美元；规划器还把一句话请求扩为16项功能、10个迭代。不是同预算、同范围的因果对照。
适用边界：案例支持工作法，不提供所有应用的一般完成率。
- 把长时间应用开发交付给Agent ↗
2026-03-24 · 定位：规划/生成/评价分工、实际应用操作及评价者限制
展示围绕可用应用的实现、操作评价与修正循环，支持以用户行为验收功能。；作者工程案例；未复现演示应用，不能推出任意项目可靠率或多Agent必优。
核查 2026-10-19 · 下次复查 2026-10-26 · 已到期待复查
· 工作方法 · 资料修订 2025-06-16：5月官方首次公布成果；6月白皮书补方法/产物说明，不重置能力首次公开日。
AlphaEvolve公开算法搜索与部分成果
专用系统以代码搜索和任务评价器得到算法/计算优化成果。
实际结果：AlphaEvolve报告演化代码搜索在算法/计算基础设施得到改进，并公开部分结果供检查。
现在可做：冻结算法语义、独立评价器和预算，先校准错误/合法替代，再搜索候选；推广与复杂性论证单独检查。
展开工作变化、研究配置与证据
改变的步骤：专用系统以代码搜索和任务评价器得到算法/计算优化成果。
以前：把LLM写代码与算法评价分开，难以持续利用反馈搜索新候选。
现在：专用系统把代码变异、评价与演化连接，可产出可检查算法；公开成果不等于整搜索系统可得。
配置与口径：2025白皮书专用AlphaEvolve，LLM代码修改+演化+任务评价器；单成果不带未报告成功分母，本文不猜算力/重试。
适用边界：专用研究系统与选择性成果，不保证公开Agent复现或解决任意新题。
- AlphaEvolve 白皮书 ↗
2025-06-16 · 定位：Abstract；evolution/evaluators与algorithm discoveries
代码搜索、自动评价与算法成果；专用研究系统和任务；不推断公开Agent均可复现，也不是自由理论发现率。
核查 2026-10-20 · 下次复查 2027-01-20
- AlphaEvolve 公开产物 ↗
持续更新仓库；本次2026-10-20访问 · 定位：README与具体算法产物目录
可检查算法/数学成果入口；公开成果不等于完整搜索系统/训练配置开放，本站未重放。
核查 2026-10-20 · 下次复查 2027-01-20
- Google DeepMind AlphaEvolve首次成果公布 ↗
2025-05-14 · 定位：2025-05-14发布；algorithm discovery/computational infrastructure
专用研究系统的算法与计算成果首次公开身份；厂商研究披露，不能代表公开服务已可获得或任意任务完成率。
核查 2026-10-20 · 下次复查 2027-01-20
· 工作方法 · 资料修订 2026-01-23：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。
EmbedAgent公开固件、电路和跨平台任务
原研究与实现把代码和虚拟电路行为联合检查，不同平台成绩不能互换。
实际结果：EmbedAgent公开固件、电路与迁移任务的虚拟电路验收，原实验显示平台/语言条件影响完成表现。
现在可做：选定目标板卡/接线和SDK，让Agent交候选；用外部刺激/时序及升级中断控制接收实物结果。
展开工作变化、研究配置与证据
改变的步骤：原研究与实现把代码和虚拟电路行为联合检查，不同平台成绩不能互换。
以前：编译或通用编程题无法检查电路连接和设备行为。
现在：代码、原理图与跨平台迁移被放入同一可执行评价环境；仿真仍不同于实物。
配置与口径：论文v3：126案例、9组件、3平台、10LLM；有/无原理图、迁移与检索/编译反馈设置分开，本文不转用比例。
适用边界：虚拟电路与小板卡不能证明工业实物、实时或电气可靠性。
- EmbedAgent v3 ↗
2025-04-19；v3修订2026-01-23 · 定位：Abstract；Embedbench roles and evaluation
编程、原理图和跨平台迁移仿真评测；126例、小型板卡与虚拟电路，不是工业实时、EMC或实物认证。
核查 2026-10-20 · 下次复查 2027-01-20
- EmbedAgent 官方实现 ↗
持续更新仓库；本次2026-10-20访问 · 定位：README：run/evaluate；Wokwi
可检查虚拟电路与固件任务入口；仿真不等于实物；工具与API费用未实测。
核查 2026-10-20 · 下次复查 2027-01-20
· 工作方法 · 资料修订 2025-04-07：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。
PaperBench把论文复现拆为可检查贡献
要求从论文到代码并执行实验，部分贡献与完整复现需分开。
实际结果：PaperBench提供20篇论文的贡献rubric和实际复现实验，原模型结果是部分贡献得分，不能视为整篇成功率。
现在可做：选一项可预算贡献冻结rubric，独立重跑核心实验/消融，记录未复现项、预算和差异原因。
展开工作变化、研究配置与证据
改变的步骤：要求从论文到代码并执行实验，部分贡献与完整复现需分开。
以前：写出代码或类似论文文本难以判断关键实验是否复现。
现在：贡献被连到可检查实现和实际运行，复现差异可以逐项暴露；LLM裁判仍有误差。
配置与口径：论文v3：20篇ICML2024论文、8316子项，作者参与rubric与独立judge校准；原最佳Claude3.5 Sonnet(New)+开放脚手架，本文不转用得分。
适用边界：贡献分与LLM裁判均有限，不是完整论文复现率。
- PaperBench v3 ↗
2025-04-02；v3修订2025-04-07 · 定位：Abstract；replication rubrics与judge
从论文到实现和实验的复现评测；部分复现得分不是论文完整复现率；不检验新颖性与所有理论结论。
核查 2026-10-20 · 下次复查 2027-01-20
· 工作方法
MLE-bench公开训练与实验任务资产
离线Kaggle工程任务有直接模型实验与公开运行资产。
实际结果：MLE-bench发布75个Kaggle工程任务及评分/运行资产，并实测Agent的数据准备、训练和实验搜索。
现在可做：冻结业务保留集/泄漏控制与计算预算，先对简单基线，再接收完整训练/失败账本。
展开工作变化、研究配置与证据
改变的步骤：离线Kaggle工程任务有直接模型实验与公开运行资产。
以前：代码生成题难以衡量数据准备、训练资源和最终模型效果。
现在：离线ML工程可以按任务预算与竞赛结果评价；不覆盖线上服务或业务收益。
配置与口径：原论文：75竞赛，包含o1-preview+AIDE等模型/脚手架；本文不混用榜单分数，当前仓库暂停新提交。
适用边界：离线竞赛与预算特定；模型训练得分不继承为服务/收益。
- MLE-bench 原论文 ↗
2024-10-09 · 定位：Abstract；dataset与resource scaling
Kaggle训练、数据准备与实验交付；离线竞赛不覆盖在线收益/模型运维；历史配置不代表现行最好系统。
核查 2026-10-20 · 下次复查 2027-01-20
- MLE-bench 官方实现与可比性公告 ↗
持续更新仓库；2026-04-24公告 · 定位：README：Leaderboard update；Setup/agents
训练环境、评分器、运行入口；官方暂停新榜单提交；不同预算、数据访问和脚手架成绩不可混用。
核查 2026-10-20 · 下次复查 2027-01-20
评测方法和测量修订 · 8项
· 测量修订
测量修订：资源和验收错误也会制造失败
Terminal-Bench 4.0修正环境、题目与验收，让测到的失败更接近任务本身。
实际结果：本次调整资源条件、修订题目并移除部分任务；它改变测量口径，不代表模型突然获得新能力。
现在可做：保留一个正确替代实现和几个已知缺陷；规则变更重评产物，环境变更重跑。
展开工作变化、研究配置与证据
改变的步骤：评估Agent前，先检查任务说明、运行资源和验收是否合理。
以前：直接比较不同环境的榜单，或把所有超时都当能力失败。
现在：版本化输入、环境和验收；正确解、关键缺陷和绕过控制分别检查。
配置与口径：Terminal-Bench 4.0；环境和题集变化按主版本处理，相关试次需重跑。
适用边界：不把旧新题集分数连接成能力曲线；该基准预算不是业务SLA。
- Terminal-Bench 4.0的资源与验收修订 ↗
2026-08-28 · 定位：Calibrating resources；Removing and fixing tasks；Versioning
环境资源、题目和验收器会改变测量结果；不同环境版本需重跑。；这是测量修订，不是模型能力突破；基准预算不能照搬成业务时限。
核查 2026-10-19 · 下次复查 2026-10-26 · 已到期待复查
- 持续维护评测：何时复用、重评和重跑 ↗
2026-07-30 · 定位：Versioning and Publishing Tasks；CI on New and Improved Tasks
保存产物，按输入环境或验收变化分别重跑或重评；用参考、空操作与作弊控制校准。；方法论依据，不提供本站工作可靠率。
核查 2026-10-19 · 下次复查 2026-10-26 · 已到期待复查
· 测量修订 · 资料修订 2026-10-10：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。
DBA-Bench以活跃负载区分诊断、恢复和约束
v2在活跃PostgreSQL/TiDB比较有界/持续运维状态，揭示诊断与恢复及安全的差距。
实际结果：DBA-Bench v2在活跃PostgreSQL/TiDB检验231有界与10持续场景，观察到诊断、恢复和约束满足的差距。
现在可做：在目标DB冻结事务/权限与负载探针；恢复后再施加一次事件，检查先前修复仍成立。
展开工作变化、研究配置与证据
改变的步骤：v2在活跃PostgreSQL/TiDB比较有界/持续运维状态，揭示诊断与恢复及安全的差距。
以前：根因或单步成功无法说明数据库业务已恢复且安全。
现在：评价扩到有负载状态和连续事件，能发现恢复后退化和违规动作。
配置与口径：v2：PostgreSQL/TiDB、活跃负载；231有界/10持续场景，8自动基线；具体模型/预算与场景约束依原表，不推算目标库成功率。
适用边界：预印本受限场景；具体库、权限与负载仍需独立状态验收。
- DBA-Bench v2 ↗
2026-07-24；v2修订2026-10-10 · 定位：Abstract；live PostgreSQL/TiDB与persistent scenarios
有负载的状态式DB运维评估；原文预印本；诊断、恢复与安全结果须分开，不能外推目标生产库成功率。
核查 2026-10-20 · 下次复查 2027-01-20
· 测量修订
软件评测审计使验收器本身进入核对范围
OpenAI审计指出SWE-Bench Pro的题意和测试可能影响输赢。
实际结果：厂商审计证据改变验收设计，不是本CSV后端已修复。
现在可做：给CSV验收加入漏行/越权负控制和合法替代实现。
展开工作变化、研究配置与证据
改变的步骤：接收不再只看测试绿灯，要核对独立行为与合法替代。
以前：默认任何测试失败都代表模型能力失败。
现在：先排除验收定义和环境错误，再解释产物输赢。
配置与口径：OpenAI为参评厂商；原审计方法与任务范围见原文。
适用边界：本次没有可比的新能力结果；这是评测方法修订，新增阅读日期不表示能力提升。
- OpenAI：SWE-Bench Pro评测问题审计 ↗
2026-07-08 · 定位：SWE-Bench Pro任务审计、过严测试/题意缺失/测试覆盖问题
模型厂商对参评软件基准的原始审计说明。；作者是参评厂商；其问题比例估计不等于整个基准无效，也不证明本站验收器有相同缺陷。
核查 2026-10-20 · 下次复查 2026-11-03 · 已到期待复查
· 测量修订 · 资料修订 2026-07-13：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。
OSWorld2.0挑战跨工具长流程和隐藏状态
108个长流程把二元完成与部分分分开，动态约束/状态成为失败来源。
实际结果：OSWorld2.0发布108个长流程，分开二元完成与部分评分，实测暴露动态信息、约束和隐藏状态处理失败。
现在可做：项目状态从工单/产物核实；注入过期记录与依赖变化，检查重排及未确认承诺，不用文档完成度验收。
展开工作变化、研究配置与证据
改变的步骤：108个长流程把二元完成与部分分分开，动态约束/状态成为失败来源。
以前：短桌面任务较少体现跨来源、长时约束与中途变化。
现在：长流程把局部步骤和最终完成分开，能检查多步任务中遗漏状态/验证的问题。
配置与口径：论文v2：108流程、500步主评价；完整/部分分分开；原实验模型/思考与批调用设置按论文，本文不混合成绩。
适用边界：跨应用一般任务，不能把部分评分或总分转成项目管理率。
- OSWorld2.0 v2 ↗
2026-06-28；v2修订2026-07-13 · 定位：Abstract：108 long-horizon workflows；binary/partial
跨应用长流程与隐藏状态的任务评估；二元完成与部分分不能混用；不是企业IT恢复专属成功率。
核查 2026-10-20 · 下次复查 2027-01-20
· 测量修订
钓鱼队列随机试验报告人加Agent研判改善
研究报告队列优先级/解释改变分析师注意力与研判表现。
实际结果：问卷中排序/解释改变专业分析师的邮件研判与注意力；原语料Agent零FP/FN后合成错误用于行为研究，resolve-benign收益属于组合反事实而非持续邮箱处置观测。
现在可做：用本地真假/待证与自然错误分布验证排序/解释，单列自动关单的漏报风险；不照搬问卷反事实。
展开工作变化、研究配置与证据
改变的步骤：研究报告队列优先级/解释改变分析师注意力与研判表现。
以前：随机队列与材料研判难区分排序、解释及跳过良性协议的作用。
现在：三组干预和合成判定错误可区分这些条件；跳过良性的协议只作反事实，不构成无人遏制结果。
配置与口径：论文v1 §2，Qualtrics标准化只读邮件材料；无AI随机队列、知情AI队列、不知情AI队列三组；含合成判定/解释错误及resolve-benign反事实。招募/剔除/队列条件详见C30-PHISH，不是现场邮箱响应试验。
适用边界：167招募、标准化只读材料/Qualtrics，25封队列源自93语料；有合成错误与反事实，非生产长期无人响应。
- Phishing Triage Agent 随机对照试验 ↗
2025-11-17 · 定位：Abstract；RCT treatment and outcomes
AI增强分析师钓鱼队列研判；厂商相关研究；有人参与的队列实验不是自主事件响应全流程。
核查 2026-10-20 · 下次复查 2027-01-20
· 测量修订 · 资料修订 2024-11-12：文档版本/结果表述修订；没有据此推定新的模型能力跃迁。
IT管理员RCT覆盖登录、策略和设备排障
试验比较Entra/Intune中Copilot辅助管理员与对照；v2修订耗时数字。
实际结果：IT管理员RCT在Entra/Intune的登录、策略与设备排障比较辅助准确性/耗时；v2修正了耗时数字。
现在可做：选真实测试设备/账户，核对原用户任务、权限/数据和重启结果；将诊断、操作与恢复分开记录。
展开工作变化、研究配置与证据
改变的步骤：试验比较Entra/Intune中Copilot辅助管理员与对照；v2修订耗时数字。
以前：管理员需分别收集身份、策略和设备信息以回答/排查问题。
现在：Copilot可在这些管理情景辅助信息综合；实验答题改善不等于实际设备已恢复。
配置与口径：论文v2：Entra/Intune有/无Security Copilot随机组，登录/设备策略/设备排障三情景；题型分开，未将修订当新能力。
适用边界：辅助管理员任务，不是无人终端配置/维修试验。
- IT管理员 Security Copilot RCT v2 ↗
2024-11-01；v2修订2024-11-12 · 定位：Abstract；Entra/Intune三类情景
登录、设备策略与故障的辅助管理员实验；人加Copilot，不是自主远程维修；v2修正时间数字，不是新能力跃迁。
核查 2026-10-20 · 下次复查 2027-01-20
· 测量修订
SWE-bench Multimodal把视觉JS缺陷单列评估
617个视觉JavaScript缺陷任务把视觉和跨语言泛化问题显式化。
实际结果：原研究观察到通用修复系统在视觉JS任务上退化，视觉/语言分布需单独评价。
现在可做：前端变更用真实浏览器重放操作与渲染，独立查持久状态、焦点和失败态；不用截图相似替代功能。
展开工作变化、研究配置与证据
改变的步骤：加入带图像的用户界面软件缺陷，而非继续只测文本Python仓库。
以前：Python文本问题基准难覆盖图像/渲染与视觉交互缺陷。
现在：视觉JS问题及其检查成为独立任务入口，不能把原榜单直接外推到前端。
配置与口径：论文v1：617任务、17JS库，SWE-agent等当时配置；不是2026模型排行或本站运行。
适用边界：历史模型与库级缺陷；不覆盖所有完整页面、可访问性或跨浏览器产品交付。
- SWE-bench Multimodal 原论文 ↗
2024-10-04 · 定位：Abstract；任务定义与实验
视觉JavaScript缺陷；跨语言与视觉泛化研究；历史模型/任务，不是当前前端、可访问性或产品完成率。
核查 2026-10-20 · 下次复查 2027-01-20
· 测量修订
AndroidWorld把移动任务验收接到真实模拟器状态
动态参数/持久状态检查使手机操作可以按结果验收；它没有评估新app代码。
实际结果：AndroidWorld公开在Android模拟器运行的参数化app任务，结果可由持久状态核验。
现在可做：为移动功能准备断网/后台/重进控制，核对实际存储与服务状态；另用目标真机补生命周期/外设。
展开工作变化、研究配置与证据
改变的步骤：动态参数/持久状态检查使手机操作可以按结果验收；它没有评估新app代码。
以前：仅看截图/点击轨迹难判定手机任务是否真正完成。
现在：任务可随机实例化并检查终态，操作与成功评价得以分开；这不测新app编写。
配置与口径：AndroidWorld原论文：116任务、20app、动态参数；公开参考环境Pixel6/API33；模型/预算按原论文，不转写为开发成绩。
适用边界：既有Android应用操作，不是新app开发、iOS或真机资源测试。
- AndroidWorld 原论文 ↗
2024-05-23 · 定位：Abstract；benchmark and robustness analysis
动态参数化Android应用操作评测；操作既有app，不评估新app编写、iOS、耗电或真实设备驱动。
核查 2026-10-20 · 下次复查 2027-01-20
- AndroidWorld 官方环境 ↗
持续更新仓库；本次2026-10-20访问 · 定位：README：Installation/Quickstart/Docker
API33模拟器、状态任务和M3A运行入口；默认legacy模型；Docker仍标experimental，未在本站安装。
核查 2026-10-20 · 下次复查 2027-01-20
此前收录的背景材料 · 3项
保留旧链接与阅读上下文。以下材料按时间筛选，不参与上方进展类型筛选；可能与当前重点重合，不重复计为独立证据。
公开 2026-10-09
模型之外，运行方法也会改变交付
固定执行模型，比较运行规则与检查方式。
Harness²研究候选运行系统的执行对照与选择性经验复用。
10月19日补充阅读；研究原始公开日如上，补录日不是新能力发布时间。 · 本站核查 2026-10-19
对应工作与阅读材料
对具体工作的意义
- 核对原始输入、工具条件、产物验收与人的贡献
- 技术能力、个人效果、组织效果和劳动市场结论分层判断
展开限制、待观察项与原始来源
- 本站未复现实验，未验证当前团队或个人收益
- 方法相邻，不能推算职业替代或招聘人数
- 更复杂流程也可能增加成本或引入错误
- 先形成可检查的作品或有限试点安排，必要时保留原决定
Harness²：用执行对照改进运行方法 ↗ · 核查 2026-10-19
原文定位与适用范围
§2.1–2.3；§3.1；§4。冻结执行模型下的候选运行系统、行为对照与经验复用
作者研究，本站未复现；行为对照不能验证正确性，多次运行和编辑器成本需计入。
原始公开 2026-10-09 · 本站观察 2026-10-19 · active
公开 具体日期未知 · 修订 2026-09-22
评测协议变了，成绩曲线也要换读法
软件基准把问题和测试打包让代理修复；如果题意与测试不一致，分数会混入评测缺陷。
发布方在2026-09-22将公开题集由731缩为642题，并更正69题说明；同时限制联网、用干净环境重新评补丁。
这是旧基准的新修订；本站旧资料已登记，本轮对齐版本关系，不称新发现。 · 本站核查 2026-10-16
对应工作与阅读材料
对具体工作的意义
- 比较维护能力时同时看题集、网络和重新评测规则
- 选人或组队时要求可复现验证依据，不只看漂亮通过率
展开限制、待观察项与原始来源
- 发布方仍列有信任中继与验证器执行补丁代码等剩余限制
- 本站未复跑所有任务；V1/V2不能直接作同协议差值
- 更严格协议可能暴露以前未计入的失败；分数变化不等于模型变弱
- 关注同题集同协议的新运行和真实项目接收成本
SWE-Bench Pro V2版本修订 ↗ · 核查 2026-10-16
原文定位与适用范围
Update September 22, 2026。发布方对公开split及隔离评测协议的修订说明
官方声明，本轮未复跑审计；V1和V2任务与协议不同，不能直接连成绩计算进步。
原始公开 2026-09-22 · 本站观察 2026-10-16 · active
公开 2026-01-29
修复PR合并，还取决于检查和协作
PR是送给维护者审阅的改动；合并表示该项目接收，不自动表示节省总人时。
研究在8106个修复PR中观察到65.0%已合并，另有人工作了326个关闭未合并PR的原因分析；重复解决、测试问题和审阅流程都可能影响接收。
2026年1月公开的研究，2026-10-16补读；不是本周的新能力突破。 · 本站核查 2026-10-16
对应工作与阅读材料
对具体工作的意义
- 交付应包括复现、回归和审阅响应
- 开工前检查是否已由别的改动解决，可减少重复劳动
展开限制、待观察项与原始来源
- 65.0%的分母包含仍开放PR；不是个人成功概率
- 没有随机匹配项目与代理，也没测本团队完整净人时
- 未合并既可能是错误，也可能是重复、优先级或协作；不能统称AI修复失败
- 对自己的工作记录技术失败、流程等待和重复关闭，分别决定改善方法
AI参与的修复PR为什么未合并？ ↗ · 核查 2026-10-16
原文定位与适用范围
§2.1–2.3，表1，§3.2。AIDEV-POP中8106个修复PR及326个关闭未合并样本
观察研究，项目/代理分配不随机；合并不等于同质量节省人时，未合并不全是技术失败。
原始公开 2026-01-29 · 本站观察 2026-10-16 · active
把这项变化用于自己的问题
理解进展可以止于阅读。需要行动时，把同一交付标准带到职业方向、岗位要求或团队安排。
未来3–5年：2029–2031
2029–2031：从单份修改到持续交付的软件Agent
整包应用案例、真实修复接收和运行流程优化，是更长软件任务可委派的正面信号。以下是本站据此提出的条件情景，不是这些研究给出的日期预测。
当前建议回答今天怎样交付；未来3–5年指2029–2031。编程的完整交付与数学的开放问题成果，支持认真准备更广泛自主工作的强情景。本站把AGI视作跨领域、能适应新任务且可靠达成复杂目标的讨论对象；这些进展是方向证据，尚不能确认某个AGI定义已满足或必在某年发生。三种情景均给出可观察信号、职责变化与现在行动，不把今天的局限或人的现有分工写成永久边界。
基准情景：完整修改成为常用交付
在上下文与测试较成熟的系统中，Agent承接功能、修复和回归的一体交付，维护者从逐步编写转向目标、异常与接收；审查的一部分继续自动化。
现在的行动：现在沉淀真实行为契约、失败样本和环境；按净交付周期衡量收益，不以代码量替代。
成立信号与职责变化
- 未见仓库和变更类型仍保持可验收交付
- 返工、接收和线上恢复成本随使用改善
- 环境/上下文变化能被检测并更新
工程岗位更常覆盖需求、系统取舍与运行结果；初级培养需从只写代码升级为理解与验证完整修改。
加速情景：软件成为按目标持续运行的系统
若长链恢复、跨仓库迁移和自动验证持续进步，Agent可在权限与预算内规划、实现、迁移和维护较大系统；人可用更少逐步干预探索新产品，团队边界可能重组。
现在的行动：把工具和职责做成可替换接口；试验更大交付，但按实际触发信号扩围，并安排成员转向新的业务机会。
成立信号与职责变化
- 跨多系统、数周目标能在真实变化后继续交付
- 独立评估能发现自生成测试漏掉的重要错误
- 完整人工介入和故障成本持续下降，且系统可迁移到新业务
稀缺工作可能转向选目标、产品机会、资源和影响取舍；不能预设人工代码审查永远是主要瓶颈。
受限情景：编码快，集成与组织仍慢
模型产物更强，但遗留系统、隐性需求、权限和恢复成本使自主交付扩展较慢；固定程序与AI协作长期并存。
现在的行动：优先修复反复出现的集成障碍；保持可回退的部署和岗位安排，避免依据榜单单独裁定编制。
成立信号与职责变化
- 未知依赖和需求变动仍引发大幅返工
- 审查和事故处理抵消生成提速
- 同一Agent换系统后需要重新铺上下文
系统知识、集成和沟通能力仍有高价值；工具投入首先服务复现、测试和资料。
持续观察什么，以及情景的研究依据
- 实际未见仓库的完整交付与维护记录
- 跨月净人工时间、回滚与事故情况
- 任务/环境/模型版本变化后的迁移表现
- 把长时间应用开发交付给Agent ↗
2026-03-24 · 定位：规划/生成/评价分工、实际应用操作及评价者限制
展示围绕可用应用的实现、操作评价与修正循环，支持以用户行为验收功能。；作者工程案例；未复现演示应用，不能推出任意项目可靠率或多Agent必优。
核查 2026-10-19 · 下次复查 2026-10-26 · 已到期待复查
- AI参与的修复PR：哪些被项目接收，哪些没有 ↗
2026-01-29 · 定位：§2样本、表1、§3.2失败原因
五类Agent参与的8106个修复PR中5267已合并、2113关闭未合并、726仍开放；提供修复交付与项目接收的观察。；非随机样本，Agent配置与项目不同；合并不等同全部正确或净省时，不用于本站成功率。
核查 2026-10-19 · 下次复查 2026-10-26 · 已到期待复查
- Harness²：固定执行模型，改进运行流程 ↗
2026-10-09 · 定位：§2.2、§3.1表1、附录B/D
WorkBuddy-Bench Code上的平均检查得分变化及工具/上下文/检查流程的优化方法。；检查项均分不是项目通过率；经验流内相关，候选与编辑成本另计；未验证本站任务。
核查 2026-10-19 · 下次复查 2026-10-26 · 已到期待复查
- Anthropic内部的工作与职责变化 ↗
2026-10-16 · 定位：Bottlenecks and process；采用非随机限制
单公司现场观察到Agent组织、上下文维护和注意力分配成为新的工作。；公司业务及采用选择特殊；产出代理量不等于完整业务价值，不外推行业岗位数量。
核查 2026-10-19 · 下次复查 2026-10-26 · 已到期待复查
- 任务时间跨度：软件任务趋势及其适用范围 ↗
未标注（最后更新2026-09-08） · 定位：页首维护状态；Methodological Details；FAQ
在给定软件类任务分布上，按人类专家任务时长描述模型可完成难度，适合观察长链能力趋势。；此页已停止主动更新；时间跨度不是Agent自主运行时长，不直接对应行业自动化或AGI日期。
核查 2026-10-19 · 下次复查 2026-10-26 · 已到期待复查
工具与采用佐证：OpenHands（实现资料已查）、Cognition（原始声明已查）
补充佐证 · 工具与真实采用线索
这项工作，已经有哪些实现路径
论文之外，查看工具实现、公开项目与企业采用主张。下面每条都说明本次核查到了哪一层；项目热度和厂商比例不充当任务完成率。
OpenHands：把不同编程Agent接入持续工作环境
编程工作已有组织Agent运行、工作区和自动化的实现路径，可以作为搭建交付环境的候选。
查看实际核查、适用范围和下一步验证
原始主张：项目提供本地/远程Agent工作台、后端选择和自动化连接。
已检查：固定commit的README、许可证和自动化接口测试已读；旧resolver路径404。主仓库当前负责Canvas，SDK和automation分别承接执行与触发。
仍不能推出：接口测试存在不证明任务成功；没有在本站启动该工具或使用其云服务。
下一步验证：固定SDK/Canvas匹配版本，在隔离仓库用一个有失败回归的缺陷和一项新功能检查完整产物、重试、权限与人工接收。
核查 2026-10-19 · f3caa2778553662c22715bfb52b5eb6edf975d5b
- OpenHands Agent Canvas：固定版本实现入口 ↗
2026-10-19 · 定位：README及同commit下已记录的配置/测试/源码路径
固定仓库版本的实现资料只读核查；未执行该最新仓库的模型工作；不可把README展示结果当本站复现
核查 2026-10-19 · 下次复查 2026-11-02 · 已到期待复查
Cognition：高比例AI代码提交是采用线索
提示工程师工作可能从逐行编写转向问题定义、并行执行与接收，可纳入未来职责情景的观察清单。
查看实际核查、适用范围和下一步验证
原始主张：2026-05-27官方文章称，内部工程师提交的代码89%由Devin提交。
已检查：实际读取原始What’s Next段；没有把融资、收入或转述数量视为独立证据。
仍不能推出：原文比例不等于89%工程工作自动完成，也未提供本站可复算的分母、窗口及人工复核成本。
下一步验证：取得明确时间窗与可审计PR样本，区分生成/提交/合并/接收，纳入删除、回滚、人工重写及完整人时，再判断净效果。
核查 2026-10-19 · official-post-2026-05-27
- Cognition：内部提交代码的Devin采用声明 ↗
2026-05-27 · 定位：What’s Next段
厂商对自身工程团队提交代码的自述；89%是原文代码提交口径；未披露本站需要的工作量分母、统计窗口、复核人时与独立审计
核查 2026-10-19 · 下次复查 2026-11-02 · 已到期待复查
方法补充与职业来源关系
本期方法补充，怎样帮助我的判断？
当前阅读建议；整理 2026-10-21。与上方按原始发布日期筛选的进展分开，不改变历史窗口。
模型没换，工作流程为什么可能变好？ →
普通读者：把模型、运行系统、输入环境和验收条件分开读；本站没有复现实验收益。
从模型能力到工作交付，中间还缺什么？ →
普通读者：说明模型到交付需要哪些条件；真实收益和岗位变化缺少证据时保持未知。
这是方法与准备材料，尚未证明本人的能力、团队收益或新增岗位需求。可以保持原决定。
与正式任务的关系
正式软件维护任务与C03的复现、修复、回归相交；C03是编辑案例，未覆盖该任务全部原子和组织要求。 修改现有软件：修复错误、适配新硬件、升级接口或提升性能 →
用你已有的上下文继续
交给我的 Agent
带走当前公开资料，让你的 Agent 结合已有背景继续分析。也可以读完就结束。
查看可复制的内容
我正在了解：计算机 请解释这项进展实际做到了什么、改变哪项工作，以及证据没有覆盖什么。理解清楚即可，不要求建立个人档案、行动计划或决策记录。 公开资料： 本页公开资料：https://edgeofwork.com/explore.md?purpose=understand&domain=computing&version=2026-10-21.journeys.2&window=all&kind=all 区分职业资料、研究结果、工具声明和编辑推断；读取资料给出的日期、版本与范围。需要时补充原始来源。使用自己的自然报告或对话继续，无需把个人材料和分析回填网站。