这个实验规模很大：16893 次会话，1163 个 prompt 变体，75 个代码仓库，10 种语言，3 个主流 coding agent——Claude Code、Codex 和 Cursor。每个任务不是让 agent 给建议，而是直接实现。最后筛出 5292 个有效会话，覆盖 51 个代码库和 18 个行业。 Armature 是一家做开发者工具增长的公司，他们自己说这是「有偏见的...

阅读更多