12 分鐘閱讀

AI 寫程式的祕密不只在大腦：拆開 11 個 Coding Agent，看看它們的「身體」長什麼樣！

以下為虛構對話，人物與情節為創作，科學內容來源標註於文末。

▌一百行的勝利

窗外在下雨。

Dg 把論文印出來的那一頁拍在桌上。

「K，你看。一個只有一百行的程式，成績跟一百萬行的差不多。所以大的那些都是白寫的。」他挺起胸，「愛因斯坦說過：一切都應該盡可能簡單，但不能過於簡單。」

「結論錯。」

門口傳來一聲輕咳。

Aon 靠在門框上，手裡抱著要還給 K 的書。

「等一下。那句話，愛因斯坦在哪裡說的？」

「呃……名言啊。」

「名言也要有出處。」Aon 走進來，把書放下，「那個精簡版本，找不到他親筆寫過的紀錄。比較接近的是他 1933 年一場演講裡的一段話，很長，意思也不完全一樣。」

Dg 張著嘴。

「再來，」Aon 拿起那頁紙，「『成績差不多』，誰算的？」

K 喝了口咖啡。「各家自己公布。」

「模型一樣嗎？測的日期一樣嗎？」

「都不一樣。」

「那就不是同一場考試。」Aon 把紙放回桌上，「考生不同、考卷版本不同，只是分數剛好長得像。這種數字拿來比，跟拿兩個學校的段考成績比誰聰明差不多。」

「論文也把那張表拿掉了。」K 說。

▌支點與槓桿

Dg 不甘心，手指在桌上敲了兩下。

「那阿基米德呢？『給我一個支點，我就能舉起地球。』」

「那是幾百年後的人轉述的。」Aon 幾乎是反射地回，「他自己的著作裡沒有這句。」

「……可是意思是對的吧？」

K 放下杯子。

「意思對。那根槓桿，就是 harness。」

「harness？」

「模型以外的全部。」

Aon 接過話，語速開始變快。

「所以這篇論文不是在比哪個模型強。是在比——同一個腦袋，被放進什麼樣的身體。迴圈、工具、記憶、權限，全部拆開來看。」

「那一百行的那個……」

「只有一個工具。」Aon 說，「但你要先問：它解的是什麼題？那份考卷只考修 bug。大系統多出來的幾十萬行，在處理權限、外掛、好幾個 AI 分工，那些考卷根本沒出題。」

「所以不是白寫。」

「是考卷沒考。」

Dg 低頭看那頁紙，慢慢點頭。

▌十一分之九

「還有一個地方。」Aon 已經翻到下一頁，「『沒有任何系統用 LangChain、沒有任何系統用向量檢索』——這句話你剛剛是不是想拿去當標題？」

Dg 的筆停在半空。

「十一個系統。」Aon 豎起一根手指，「能代表整個產業嗎？」

「不能。」K 說，「論文自己寫了。」

「對。那就只能說『這十一個沒用』，不能說『大家都不用』。SKILL.md 九個支援，九是分子，分母是十一，不是全世界。」

「你很囉唆。」

「是你跳步驟。」Aon 頭也沒抬，「Claude Code 那份還是三月外流的快照，跟其他系統不是同一個時間點抓的，這也要註明——」

「四月所有系統都寫『不准自動 commit』。」K 打斷他，「七月，有的反過來教，有的直接刪掉。」

Aon 終於停下來。「……規則移到哪了？」

「設定檔。由程式擋。」

Dg 盯著那頁紙很久。

「所以……腦袋沒換。是手跟規矩換了，做出來的事就不一樣。而且考卷只看得到一部分。」

「嗯。」

Dg 翻開筆記本，把「愛因斯坦：盡可能簡單」那一行劃掉，在旁邊寫下「先查是誰說的」，又在下面補了一行：「模型＋harness，分母是十一」。

Aon 從 K 的印表機抽了一張廢紙，背面寫下「1933 演講原文、Pappus 原文、各系統抓取版本日期」，對折兩次，收進襯衫口袋。

大家都在比哪個 AI 模型比較聰明，但有一組研究者做了件更實在的事：把 11 個 AI 寫程式工具的原始碼一行一行讀完。結果發現，真正讓它們能動手做事的，是模型以外那一大套「裝備」。而且，一個只有大約 100 行的迷你版，成績居然能跟大上千倍的系統站在同一區。

關鍵亮點

  • 大家都自己動手做：11 個系統、加起來約 400 萬行程式碼，沒有一個用現成的「AI 代理組裝套件」（像 LangChain），全都自己從頭寫。
  • 找資料靠 Ctrl+F 的升級版：沒有一個用時下流行的「語意搜尋」來找程式碼，而是用類似關鍵字搜尋的老方法。
  • 外掛規格已經有人勝出：一種叫 SKILL.md 的「技能包」格式，11 個系統裡有 9 個支援。
  • 規矩會隨信任消失：「不准 AI 自己存檔送出」原本是所有系統的共同規定，三個月後已經有系統直接刪掉這條。

一、大腦和身體：Agent 到底是什麼

coding agent 的模型與 harness 分層示意圖 模型是大腦，harness 是讓大腦能動手的身體和工具箱。

先搞懂一個詞：harness

你可能聽過 Claude Code、Codex、Gemini CLI 這些名字，它們都是「coding agent」，也就是會自己讀程式、改程式、跑測試的 AI 助手。

一般人會以為，它們厲不厲害全看背後的 AI 模型。但 2026 年 7 月一篇來自 Wavestone AI Lab 的論文提出一個更好懂的公式：

Agent ＝ 模型 ＋ harness

打個比方：模型是廚師，harness 是整間廚房。爐子、刀具、冰箱、食譜架、還有「刀子用完要歸位」這種規矩，全都算在 harness 裡。同一位廚師，進到設備齊全的廚房和只有一支卡式爐的露營區，做出來的菜當然不一樣。

harness 這個詞大約在 2026 年 2 月開始流行，「harness engineering」（打造這間廚房的學問）也成了新的熱門話題。

研究者怎麼做

這組研究者沒有讓 AI 去考試、也不排名次，而是直接翻開原始碼來讀，像拆開手機看裡面的零件。他們把一間「廚房」拆成七個區塊：

  1. 執行迴圈：AI 想一下、做一步、看結果、再想一下的循環
  2. 跟模型溝通的方式
  3. 工具：AI 能用哪些「手」，例如讀檔、執行指令
  4. 記憶：怎麼記住前面做過什麼
  5. 安全權限：什麼事可以做、什麼事要先問人
  6. 多代理分工：好幾個 AI 一起合作
  7. 擴充性：能不能裝外掛

廚房真的會影響菜色

另一項研究幫這個論點補了證據。Lin 等人讓 AI 自己改良自己的「廚房」，結果在一項程式任務測驗中，成績從 69.7% 進步到 77.0%。而且進步的來源是工具、中介機制和長期記憶，不是改寫給 AI 的指示文字。也就是說：廚師沒換，換了廚房，菜就變好吃了。

二、大家都沒用的東西

現成套件？不需要

這份研究最好玩的發現，是「什麼東西沒出現」。

市面上有很多幫你快速組裝 AI 代理的套件，像 LangChain、AutoGen，概念有點像「IKEA 組合家具」。但這 11 個正式上線的系統，沒有一個用這些套件，連 Google 自己的 Gemini CLI 也沒用 Google 自家的版本。大家都選擇自己手工打造。

為什麼？因為寫程式的 AI 需要精準控制每一個動作。組合家具方便，但想把抽屜改成左開，就得整個拆掉重來。Anthropic 在 2024 年也建議過：先從簡單的做法開始，對這類套件保持謹慎。

流行的語意搜尋？也不需要

現在很多 AI 產品會用「向量檢索」找資料，概念是把每段文字轉成一串數字，用「意思相近」來找東西，好比圖書館員依照書的主題幫你推薦。

但這 11 個系統找程式碼時，全都不用這招，而是用：

  • 關鍵字搜尋工具（像超強化版的 Ctrl+F）
  • 程式結構分析工具（看懂哪段是函式、哪段是變數）
  • 檔名比對
  • 專案裡的說明檔：例如一份叫 AGENTS.md 的檔案，像是貼在廚房牆上的「本店規矩」

理由很直覺：程式碼一天改好幾次，事先建好的「主題索引」很快就過時了。每次現場用 Ctrl+F 找，永遠拿到最新版。

記憶快滿了怎麼辦

AI 能一次記住的內容有上限，像一張大小固定的工作桌。工作越久，桌上堆的紙越多。11 個系統中有 7 個的做法是：桌子快滿時，請 AI 把舊資料整理成一份會議紀錄，再把原稿收掉。

各家細節不同：Claude Code 會預留一塊空間（約 13,000 個 token，token 可以想成 AI 計算字數的單位）；Gemini CLI 則在桌面用掉一半時開始整理，並保留最近 30% 的內容不動。Hermes 比較特別，它不改寫舊紀錄，而是直接開一本新筆記本，並在封面註明「接續上一本」。

三、100 行打天下？規模不等於實力

極簡 agent 與大型 agent 的規模對比 工具數量從 1 個到 109 個以上，程式規模相差上千倍。

小而強的 Mini-SWE-Agent

論文的第一個觀察很反直覺：Mini-SWE-Agent 只有大約 100 行程式碼，只給 AI 一個工具（下指令的終端機），但它自己公布的修 bug 測驗成績，跟大上千倍的系統落在同一個範圍。

這好比一位廚師只拿一把菜刀，做出來的菜跟五星級廚房差不多。這不是第一次出現：2024 年有個叫 Agentless 的研究，用固定的三步驟（找問題、修問題、檢查）就跟當時許多複雜系統打成平手。

規模比較表

系統 工具數量 程式規模 自己公布的修 bug 測驗成績（2026 春）
Mini-SWE-Agent 1 約 100 行 74%+
Claude Code 43 — 72.7%
Hermes 69 約 64.2 萬行 —
OpenCode — 約 57.8 萬行 —
Codex — 約 110 萬行 69.1%
OpenHands — — 77.6%
OpenClaw 109+ — —

⚠️ 這些成績都是各家自己公布的，用的 AI 模型、時間、設定都不一樣，就像不同學校的段考成績，不能直接比。論文本身也把這些數字從主要表格拿掉了。測驗名稱是 SWE-Bench Verified，一套用真實程式 bug 出題的考卷。

那大系統多出來的程式碼在幹嘛？

答案是「上班需要的東西」：權限管理、外掛、多個 AI 分工、跟各種編輯軟體整合。這些功能不會讓考試分數變高，但決定了這個 AI 能不能真的放進公司裡用。考試考的是「會不會解題」，規模反映的是「能不能上工」，兩件事不一樣。

四、從工具變成平台：外掛之戰

三種規格的採用率

論文認為，2026 上半年這些 AI 助手已經從「一個工具」變成「一個平台」。平台的關鍵，就是能不能裝外掛。目前有三種主要規格：

  • SKILL.md（技能包，教 AI「某件事怎麼做」）：11 個裡有 9 個支援
  • MCP（連接外部工具與資料的插座）：8 個
  • ACP（讓 AI 助手接到編輯軟體，或被其他 AI 助手呼叫）：6 個

可以把 MCP 想成電源插座，讓 AI 接上外面的電器；SKILL.md 比較像食譜卡，告訴 AI 某道菜的做法。

需要時再拿出來

工具一多，全部一次告訴 AI，光是說明書就會塞爆工作桌。於是有了「延遲載入」：先只給 AI 一本目錄，需要哪個工具再去翻那一頁。這招原本只有 Claude Code 在用，後來 Codex、Hermes、OpenCode 都跟進。技能包能勝出，也是因為它天生就是「用到才打開」的設計。

廚房裡開廚房

ACP 帶來一個有趣的現象：OpenHands 可以把 Claude Code、Codex、Gemini CLI 當成可以替換的「後台廚房」來呼叫。一間廚房可以外包給另一間廚房，競爭的層級又往上跳了一格。

五、三個月就變了一輪

coding agent 生態系在一季內的演變 同一批系統隔三個月再看一次，變化快到像換了一代。

從「長得像」到「直接抄」

研究者把同一批系統隔了一季再讀一次，發現大家已經從互相參考變成直接模仿。Codex 一字不改地採用 Claude Code 的設定用語，還做了「從 Claude Code 搬家過來」的匯入功能；OpenHands 可以直接讀 Claude Code 的外掛。

最誇張的是 Pi：用某些 Claude 付費帳號登入時，它會整套假扮成 Claude Code，連身分資訊和工具名稱都照抄。

規矩從「口頭交代」變成「寫進合約」

另一個趨勢是，原本寫在給 AI 的指示裡的規矩（像口頭叮嚀「不要亂動這個」），正在搬進設定檔，由系統直接擋下。口頭交代要靠 AI 自己聽話；寫進設定檔，就是不管 AI 想不想，系統都不讓它做。

「不准自己存檔」這條規矩不見了

寫程式時有個動作叫 commit，可以想成「正式存檔並記錄這次改了什麼」。2026 年 4 月，所有系統都叮嚀 AI：不要自己 commit。到了 7 月，Mistral Vibe 反過來教 AI 怎麼 commit，Codex 的新版指示乾脆把這條刪了。

就像新進員工剛來時，主管會說「寄信給客戶前先給我看」；等到信任建立了，這句話自然就不說了。AI 越被信任，規矩就越少。

改檔案的方法也在變

AI 要怎麼把「我想改這裡」精準落實到檔案上，各家還在摸索。Mistral Vibe 三個月內從「大概對得上就改」換成「一字不差才改」；Gemini CLI 則加了一道補救：改失敗時，再請 AI 幫忙修正那次修改。

六、先別急著下結論

安全規則不在指示裡

一個值得注意的發現：11 個系統給 AI 的指示裡，都沒有寫「遇到某些要求要拒絕」這類規定，安全把關交給 AI 模型本身和提供模型的公司處理。

另外，「沙盒」（讓 AI 在隔離的房間裡做事，搞砸了也不會波及整台電腦）並不會因為系統變大就自動出現。Hermes 有約 64.2 萬行程式碼，卻完全沒有作業系統層級的隔離；OpenCode 約 57.8 萬行，也只有規則層面的限制。

不過 Hermes 有個貼心設計：如果 AI 改了程式，卻沒有任何檢查過的證據就想說「我做完了」，系統會直接駁回，要它先驗收。就像老師不收沒寫計算過程的考卷。

這份研究的限制

  • Claude Code 的部分，分析的是 2026 年 3 月外流的原始碼，論文自己也說現在的版本可能不一樣了。
  • 研究沒有實際測試效能，成績比較都來自各家自己公布的數字。
  • 關於產業動態（收購、服務終止、人氣排名）的部分，論文自己註明沒有經過原始碼查證。
  • 這是單一團隊、在單一時間點寫的預印本，還沒經過同行審查。
  • 「沒人用現成套件、沒人用語意搜尋」只是這 11 個系統的狀況，不能直接說整個業界都這樣。

在這之前，Rombaut 的〈Inside the Scaffold〉也用讀原始碼的方式分析了 13 個開源 AI 程式助手，但沒有納入 Claude Code。兩份研究可以互相對照著看。

常見問題（FAQ）

Q1：harness 和 LangChain 這類套件差在哪？ 套件像 IKEA 組合家具，是拿來「組裝」AI 代理的零件包；harness 則是 AI 實際上班的整間工作室，包含做事的流程、工具、記憶和規矩。研究發現，正式上線的 AI 程式助手都選擇自己蓋工作室。

Q2：為什麼不用聽起來更聰明的語意搜尋？ 程式碼改得太頻繁，事先整理好的「主題索引」很快就過時。每次直接用關鍵字現場找，雖然看起來土，但保證拿到最新版本，也更接近工程師平常找東西的方式。

Q3：100 行的小程式真的能跟大系統比嗎？ 在修 bug 測驗上，自己公布的成績確實差不多。但大系統多出來的是上班需要的功能，像權限、外掛、分工，這些不會反映在考試分數上。而且各家用的模型和時間都不同，不能直接分高下。

Q4：SKILL.md 和 MCP 是對手嗎？ 不太算。MCP 像電源插座，把外部工具接進來；SKILL.md 像食譜卡，教 AI 某件事怎麼做。大多數系統兩種都支援。

Q5：指示裡沒寫安全規則，代表這些 AI 不安全嗎？ 不能這樣推。安全把關是交給 AI 模型本身、提供模型的公司，以及系統的權限和沙盒機制，而不是靠指示文字。比較需要留意的是，有些大型系統缺少讓 AI 在隔離環境中工作的保護。

結論

這份研究提醒我們：討論 AI 有多會寫程式時，別只盯著「大腦」，也要看看它被放進什麼樣的「身體」和「工作環境」。目前的答案出乎意料地樸素：自己手寫的簡單流程、現場用關鍵字找資料、需要時才打開的技能包，比華麗的現成套件和語意搜尋更受青睞。

更值得追蹤的是變化速度。短短三個月，各家開始互相搬設定、抄介面；給 AI 的叮嚀隨著信任越來越少，真正的限制則搬進系統設定由程式把關。這些 AI 助手正在從單一工具長成平台，平台之間的界線也越來越模糊。

接下來的問題是：AI 越來越聰明之後，這間「廚房」會變簡單還是變複雜？從目前的趨勢看，很可能兩件事會同時發生：對 AI 的管束越來越少，跟其他系統的串接越來越多。

延伸搜尋

參考資料來源

您可能也會有興趣