当前阶段，选哪个模型的影响，远小于你有没有把 Agent 工作流设计好。有研究数据表明，相同的模型在不同的 scaffold（prompt 框架、工具调用策略、上下文管理）下，SWE-bench 分数可以相差 22 分——这个差距比 Opus 4.8 和 GPT-5.5 之间的差距还大。 先把结论放前面 ...