AI编程得分暴跌：补丁工离工程师还差三道坎

当所有人都在惊叹AI写代码的速度时，一份来自Scale AI的评测给行业浇了盆冷水：在284道由资深工程师出的真实软件工程考题里，当前最强的GPT-5.4单次通过率仅43.49%，三次全对的概率直接腰斩到29.2%。更扎心的是，AI修bug的能力一骑绝尘，但在读代码、写测试、做重构这些工程师真正的日常工作上，几乎全员翻车。这不是某款模型的失误，而是整个AI编程领域的集体照妖镜——我们一直以为AI正在替代程序员，可实际上，它们只是优秀的补丁工，离合格工程师还差着十万八千里。

被忽略的工程师日常：不止修bug那么简单

过去两年，AI写代码的叙事被反复刷新：从OpenHands到SWE-Bench，每一次榜单更新都伴随着“AI替代程序员”的喧嚣。但所有这些评测，都在做同一件事——修bug和加功能。而真实世界里的软件工程，远远不止这两件事。 一位工程师的日常，是对着陌生代码库啃一下午文档，是为新功能写能覆盖边界场景的测试，是把十年前的祖传代码拆成可维护的模块，是debug一个只在生产环境出现的诡异报错。这些上游和下游的能力，被所有主流评测集体无视了。 Scale AI推出的SWE Atlas，就是要补上这块盲区。这套评测体系包含三大核心任务：124道代码库问答，考验AI理解陌生系统的能力；90道测试编写，看它能不能像专业测试工程师一样精准覆盖风险；70道代码重构，要求它在不改变功能的前提下优化代码结构。所有题目都来自真实开源项目，由资深工程师手写，每道题平均有10到18条评分细则——不再是简单的“通过/不通过”，而是像代码评审一样，从边界覆盖、代码健康到文档同步逐一打分。

集体翻车的真相：功能对了，工程全错

评测结果让所有人大跌眼镜：前沿模型集体掉档，Pass@1最高仅43.49%，三次全对的比例直接下降30%到50%。更关键的是，AI在“补丁工”的领域表现出色，但在“工程师”的核心能力上，几乎全员不合格。 在测试编写任务中，模型能写出看起来能跑的测试套件，通过变异测试的比例普遍超过60%，但一旦用专业评审标准打分，分数立刻被腰斩。原因很简单：它们写的测试只验证“函数应该做什么”，从不考虑“函数不该做什么”，更不会去覆盖那些细微的边界场景。比如为一个金额计算函数写测试，AI会测正常数值的相加，却不会测负数、零值或者超出精度范围的输入——而这些恰恰是生产环境中最容易出问题的地方。 重构任务的差距更夸张：如果只看功能是否正常，每个模型的得分都能高达60%到80%，但一旦用评审标准衡量，分数直接砍半。AI能做到表面上的代码整洁，却不会清理旧的函数定义，不会修正反模式，更不会同步更新文档。就像给旧房子刷了层新漆，看起来光鲜亮丽，地基里的裂缝却依然存在。

最能体现差距的是代码库问答任务。得分最高的模型，不是在静态读代码，而是会像人类工程师一样，把代码跑起来，发请求，看运行时日志，通过动态分析理解系统。而表现差的模型，只会对着静态代码瞎猜，甚至编造不存在的函数和逻辑。

新标尺下的行业转向：从“能写”到“会工程”

SWE Atlas的出现，给整个AI编程行业重新校准了标尺。过去我们只关心AI能不能写出能跑的代码，现在我们终于开始关注，AI能不能写出“好”的代码——可维护、可扩展、符合工程规范的代码。 第三方评测机构Artificial Analysis已经把SWE Atlas纳入了Coding Agent Index，作为衡量AI编程能力的三大核心评测之一。即便是当前榜首的Cursor CLI + Claude Opus 4.7组合，综合得分也仅有61分，整个榜单的顶尖系统都聚集在40到60分区间，无一突破70分。这意味着，AI离真正接管工程师的工作，还有很长的路要走。 但这并非坏消息。SWE Atlas的出现，让行业终于从“AI替代程序员”的虚幻叙事中清醒过来，开始聚焦真正有价值的方向：如何让AI理解复杂系统，如何让AI写出高质量的测试，如何让AI参与长期的代码维护。这些能力的提升，才是AI编程真正的未来——不是替代工程师，而是成为工程师的可靠伙伴。

当我们谈论AI替代程序员时，我们其实混淆了“写代码”和“软件工程”的边界。写代码只是工具，软件工程是构建、维护和演化系统的艺术。AI可以成为优秀的工具使用者，但要掌握这门艺术，它还需要学会理解系统的上下文，学会为未来的维护负责，学会像工程师一样思考。 补丁工修当下，工程师顾长远。这不仅是AI需要跨越的三道坎，也是整个行业需要重新审视的核心命题。毕竟，好的软件不是写出来的，是维护出来的——而这，恰恰是AI目前最欠缺的能力。