AI 编程工具按自动化程度分三代：第一代是代码补全（GitHub Copilot 早期形态），人在写、机器猜；第二代是对话式助手（ChatGPT、Cursor 的 Chat 模式），人问、机器答、人粘贴；第三代才是本报告讨论的自主编程 Agent（autonomous coding agent）——给它一个 GitHub issue 或一句需求，它自己规划步骤、检索代码、编辑文件、执行测试、根据报错自我修正，最后产出一个可评审的 Pull Request。
引爆点是 2024 年 3 月 Cognition 公司发布的 Devin。演示视频里它自称"第一个 AI 软件工程师"，能独立完成修 bug、部署小应用等任务，配合"AI 取代初级程序员"的叙事迅速出圈。此后学术界（普林斯顿的 SWE-agent）、开源社区（OpenHands/原 OpenDevin）、大厂（OpenAI Codex CLI、Anthropic Claude Code）全面跟进，到 2025-2026 年，"Agent 模式"已经成为几乎所有编程工具的标配。
一个关键的概念区分：Agent = 模型 + 脚手架（scaffold）+ 工具 + 环境隔离。同一个模型，换一个脚手架（文件读写方式、命令白名单、上下文管理策略），SWE-bench 成绩可以差 10-15 个百分点。所以评估 Agent 时不能只看背后是哪个模型，还要看它跑在什么框架里、有没有沙箱、怎么管理长任务的上下文。这直接决定了"虚拟初级工程师"这个比喻的成色。
基准层面，SWE-bench Verified（从真实 GitHub issue 筛出的 500 题，人工校验可解）是行业最通用的标尺。2024 年初 Devin 首测仅 13.86%（此前无辅助基线不到 2%）；2025 年中 Qwen3-Coder 等开源模型达到 67% 上下；2026 年 3 月官方榜单上 Claude Opus 4.5 以约 80.9% 领跑，9 月部分第三方追踪器已给 Claude Opus 5 打出 96% 级别的分数。第三方与官方口径差距如此之大，本身就说明评测水很深（见第 5 节）。
| 代表产品 | 形态 | 定价（2026 年中） | 适合谁 |
|---|---|---|---|
| Devin（Cognition） | 云端并行 Agent，按 ACU 计费，含浏览器/终端/编辑器 | Core $20/月起，Max $200/月，超额按量 | 有明确工单队列的团队 |
| Claude Code（Anthropic） | 终端 Agent，配合 Max 订阅 | Pro 约 $20/月，Max 5x $100/月，Max 20x $200/月 | 个人开发者主力工具 |
| OpenAI Codex CLI | 终端/云端 Agent，随 ChatGPT 订阅 | 随 Plus/Pro 订阅，用量限额 | ChatGPT 生态用户 |
| Cursor 后台 Agent | IDE 内并行 Agent | Pro $20 / Pro+ $60 / Ultra $200（月） | 重 IDE 工作流者 |
| OpenHands | 开源自托管 Agent 平台 | 软件免费，自付算力 | 要数据私有的团队 |
| SWE-agent / mini-SWE-agent | 开源研究脚手架 | 免费（Princeton/MIT） | 研究者、自建管线 |
价格曲线值得注意：自主 Agent 从 2024 年"$500/月的奢侈品"变成 2026 年"$20/月起步的日用品"，而模型能力同期翻了数倍。单位智能的成本一年降一个数量级，这让"多 Agent 并行"从噱头变成现实——Devin 的卖点已经不是单个 Agent 多聪明，而是能同时开 5-10 个 Agent 干不同的工单。
Devin 的路径几乎是一部行业教科书：2024 年 3 月发布即因演示与真实体验差距陷入"造假"争议（YouTuber 首测大量任务失败）；随后靠 SWE-bench 技术报告（13.86%→30%+）逐步挽回技术信誉；2025 年 4 月推出 Devin 2.0，入门价砍到 $20/月并转向"并行工单"定位；2025 年 7 月，在 OpenAI 约 30 亿美元收购 Windsurf 流产、谷歌以约 24 亿美元许可协议挖走 Windsurf 核心团队后，Cognition 接盘收购了 Windsurf 的品牌、产品与剩余团队（Windsurf 当时约 $82M ARR、350+ 企业客户），年底将其并入 Devin 产品线；2025 年 9 月 Cognition 估值达 102 亿美元。
启示：自主 Agent 赛道的护城河不在"演示视频"，而在工单分发、沙箱稳定性与验收体系的工程整合。Cognition 用并购把 IDE（入口）、Agent（劳动力）、企业客户（付费方）拼成了闭环——个人开发者从中学到的是：Agent 的价值取决于你的"任务管道"是否顺。
普林斯顿团队 2024 年的 SWE-agent 证明了"模型 + 极简命令行脚手架"就能达到专有系统的水平，其衍生品 mini-SWE-agent（约 100 行核心代码）在 2026 年被 SWE-bench 官方采纳为默认评测脚手架——同一模型用 Claude 4.5 Haiku 跑出 66.6% 的成绩，说明脚手架极简反而减少上下文污染。OpenHands（原 OpenDevin）则走平台路线，提供沙箱、浏览器操作与多 Agent 协作，是自托管阵营事实上的标准。对预算有限的独立开发者，OpenHands + 开源模型（GLM、DeepSeek、Qwen）是一条完全免费的技术路线，代价是运维与调参时间。
真正被大规模日常使用的"Agent"，其实是 Claude Code 这类终端工具：它没有 Devin 那样的可视化面板，但胜在便宜（随订阅）、快、可嵌入既有工作流。2025-2026 年社区形成了"写规格 → Claude Code 执行 → 人工 review"的默认协作模式，GLM、Qwen 等模型也通过兼容 Anthropic API 直接接入 Claude Code 生态，把月成本压到 $3-10 级别。对一人公司而言，这条路线的性价比远超独立 Agent 产品。
把 Agent 当雇员来评估，需要回答三个问题：能干什么、干得多快、返工率多少。
能干什么：2026 年的真实边界大致是——擅长：有明确复现步骤的 bug 修复、依赖升级与机械重构、按模板加 CRUD 功能、补测试、写文档、日志排查；不可靠：跨多服务的架构改动、需求本身含糊的"产品级"功能、性能调优（容易给出假优化）、需要产品判断的取舍。规律一句话：验收标准能写成自动测试的任务，Agent 表现接近真人初级；验收依赖人类判断的任务，返工成本经常超过自己写。
干得多快：METR 2025 年 7 月的随机对照实验给全行业泼了冷水——16 名资深开源维护者在自己熟悉的代码库上，用 Cursor+Claude 解题反而比不用慢 19%，而他们主观认为自己快了 20%。这说明在"人比 AI 更懂上下文"的场景，沟通成本（写提示、检查输出、修偏差）会吃掉全部收益。反过来，人对代码库不熟悉、任务本身自包含时，Agent 的加速比普遍为正（多项企业内部数据称 20-40%，属估计值）。结论：Agent 不是普遍加速器，是"陌生度"与"规格清晰度"的套利工具。
返工率多少：SWE-bench 上 80% 的通过率意味着五个任务仍有一个要人工重做，且失败往往在语义层面（测试过了但实现不符合意图）。按工时折算，"Agent 干 8 小时 + 人验收修正 2 小时"对比"人直接写 6 小时"，只在任务可并行、单人能同时监督多个 Agent 时才划算——这正是 Devin 卖"并行"的原因，也是"虚拟初级工程师"比喻最贴切的地方：你不会让初级工程师单打独斗，但会让他先写一版你来改。
基准可信度崩塌中。2026 年 SWE-bench Verified 出现严重污染争议：题目与测试用例泄漏进训练数据，OpenAI 已因此撤出该基准，Epoch AI 将饱和点标在约 83%，官方也被迫换用 mini-SWE-agent 统一脚手架并压缩排行榜展示。买 Agent 服务时，厂商贴的基准分数参考价值有限，自建 10-20 道本公司真实任务的小型私有评测集更可靠。
成本失控。自主 Agent 会自循环重试：一个陷入死循环的 Agent 一夜烧掉数十美元 API 费的案例在社区屡见不鲜。必须设置单任务预算上限与重试上限。
安全与权限。Agent 需要真实的环境权限（写文件、跑命令、发网络请求），提示注入可通过 issue 文本、网页内容劫持 Agent 行为。给 Agent 的凭据应当最小化、可撤销，敏感仓库隔离运行。