这周AI编程圈传开的，是Anthropic官方给的两组数字。
第一组来自10月10日公布的查错测试：在11.6万行代码里预先埋入70个Bug，让单Agent和刚公测的"动态工作流"各跑三次。单Agent三次找出14、15、27个；换成Claude自己组队、多个Agent协作，三次都查出66个。 同一天，Claude ManagedAgents动态工作流开启公测，ClaudeCodeProjects也向所有此前加入等待名单的Pro/Max用户放开。36氪
第二组来自9月28日Anthropic发布的调优指南里的内部客服评测：在14张未参与修改的留出测试工单上，最终配置的决策准确率从78.6%升到90.5%，模型调用成本降到约原来的1/5。
这两组数字都在说同一件事：写代码这关，AI已经快到你用不着盯着了。而知乎上一篇研发复盘的开头，比这两个数字更扎心：过去大半年代码提交量比去年同期翻了将近一倍，但版本的上线日期一天都没往前提。知乎
一、先把靶子立正：不是AI的代码更烂，是验收跟不上产出
有个反直觉的数据值得先摆出来。海外代码审查工具Greptile的联合创始人晒出一份基于百万级PR的对比：企业代码库里已经有四分之一的PR由AI生成，这些AI代码的回滚率和严重（P0）缺陷数，和人类写的基本持平，个别指标甚至更好。哔哩哔哩
也就是说，问题不是"AI写的代码一眼烂"。真正卡住的环节在下游。知乎"AIcoding导致代码量大幅增加，如何做好代码质量管控"的问题下，两条方向相反的评论刚好吵在一处：
一边说：“现在AI编程的速度，人工就是24小时连轴看都完全审核不过来。”知乎
另一边说：“给AI各种规则，验证输入输出、覆盖边界、性能、安全要求就行了，为什么要管AI写了什么，这代码还得当传家宝吗？” 这两条其实都对了一半。瓶颈确实从"写"迁移到了"验收"——但"不看代码"不等于"不验收"，验收的对象得换：从逐行读代码，换成盯标准、盯覆盖率、盯缺口。这周官方连发的两个动作，就是冲着这个迁移来的。知乎
二、"66 vs 27"这组数字，只能信一半
先把筛掉的噪音说清楚，免得你拿它去说服老板时被抓包：
埋的雷，不是野生的Bug。 66/70测的是对预埋Bug的检出率。预埋测试证明"会分工的团队比独狼找得全"，但真实代码库里的缺陷分布和埋点不是一回事，检出率不能直接平移。
官方没披露的比披露的多。 用的什么模型、实际跑了多少个Agent、总耗时、Token用量、误报了几条——帖子里都没写。找得更多，但为此多花的时间和钱，目前算不出账。36氪
别记错了功能归属。 单Agent 14/15/27、组队66，说的都是ManagedAgents动态工作流，不是同天扩大公测的Projects。后者是项目对话里的任务协调，费用走现有套餐额度，并行线程开得越多额度消耗越快。
所以这组数字的正确用法，不是"快把人工评审换成AI组队"，而是：多Agent交叉复核这个结构，第一次有了官方实测背书。
三、9月28日那份指南，才是给普通开发者的可抄作业
调优指南的核心思路一句话：反复测试、修改这种活，AI自己也能干，你退到定规矩的位置上。官方给了两个入口（要求Claude Code v2.1.259及以上）：
/claude-api-build-eval：把你平时让AI频繁翻车的问题、加上最常见的普通问题，做成一套可反复运行的验收题库，并拟出评分规则——哪些信息必须说清、哪些错误不能犯。评分器自己先要过你的肉眼关：拿几份人工打过分的对照答案检查它有没有误判，之后定期抽查。
/claude-api-hillclimb：允许AI在它够得着的范围内（提示词、技能文件、模型配置）每轮改一处、跑一遍评估，有改善才保留，退步就撤回。
官方还防了一手"应试教育"：单独留出一部分不公开的验收考题，提出修改的模型看不到题面。练过的题涨分、留出题不涨，就判过拟合，本轮修改撤回。客服案例那组78.6%→90.5%、成本1/5，就是在这样的留出题上测出来的——但14张工单是小样本、特定配置，官方口径里省的是模型调用成本，不是项目总成本，而且调优本身也烧调用费。36氪
四、把"验收"拆成三档：哪些留给人，哪些交给题库，哪些交给组队复核
按这周的材料，可以把你手里的活按风险和形态分档：
第一档，人只盯标准，不逐行读码：钱、鉴权、数据迁移、大家都依赖的公共模块。 这一档误放行成本最高，但读法要变——你审的是"验收标准够不够狠"，边界、异常路径、安全要求有没有进题，而不是逐行看AI怎么实现的。
第二档，交给题库反复跑：验收口径高频重复的功能。 客服回答的点击路径对不对、没开发的功能会不会一本正经胡说、退款按不按规则处理——这类活正好是build-eval的主场。每改一次提示词跑一遍，看看修好了哪、有没有把别处改坏。
第三档，交给多Agent工作流：批量、可核对、必须堵缺口的活。 官方演示过的两件事可以直接类比：300份合同里挑控制权变更条款，以及API、网页、移动端三个仓库同步停用旧接口。抄作业的时候重点抄它两条规则：一是复核要跑两轮，第二轮重新检查全部材料，首轮没报问题的也不能跳过；二是"没查出问题"和"根本没查到"必须分开列，读不了的文件标"未覆盖"，而不是混进"没问题"里——否则一份整齐的汇总，恰恰会把缺口藏得最好。
五、谁现在该上手，谁该再等等
接了AI功能的个人开发者：值得试，从题库开始。 先定好你愿意为"实验性跑分"掏多少钱，再决定hillclimb让它跑几轮。便宜的模型答非所问逼用户反复追问、最后人工兜底，未必省钱；这笔账现在可以让AI在质量达标的前提下帮你一起调。
团队负责人：结构可以今天抄，替代先别谈。 "两轮复核+未覆盖清单+留出考题"不依赖任何新额度，现在就能塞进评审流程；等真机部署、野生Bug、带误报率的第三方数据出来，再谈Agent组队替代人眼。
刚装AI编程工具玩的新手：你的瓶颈还没到这儿。 先让产出多到评审跟不上，再操心评审工业化。
费用参考也摆在桌面上：ManagedAgents按Token计费，另加每个会话每小时0.08美元运行费（只算运行状态时间）；可以设会话预算，但触顶暂停后已发出的请求仍会完成，最终费用可能小幅超出预算——官方自己也承认这点，所以建议从范围明确的小任务开始摸清消耗。 会分工不等于更划算：多找出多少真问题、多花多少调用费、人要花多少时间复核修错，得进同一笔账。36氪
六、接下来盯什么
Anthropic在公测说明里自己也留了句话：接下来的考验是，把活分出去之后，Claude能不能少让人操心，把经得起检查的结果交回来。三个可观察的信号：
官方或第三方补齐11.6万行测试的误报率、耗时和费用——如果66/70的检出在野生Bug上撑不住，那"两轮复核"的结构价值就比这个数字本身更靠得住；
v2.1.259的准入门槛和额度政策是否松动，1/5成本那条曲线有没有更大样本跟进；
像Greptile那样的百万级PR统计再出新一期——如果AI PR占比继续涨而回滚率不恶化，"人从读码退到定标准"就不只是这周的热帖，而是流程真的在换轨。
这周最值得记住的其实不是那66个Bug，而是那句复盘："提交量翻倍，上线日期没动。"当写不再是瓶颈，你的评审还停在逐行读码，慢下来的不是AI，是流程里最后一个还在手工验收的人。
