返回今日热点: 一组 AI 助手如今全天不停地自己开发软件
Poly 榜单 · 来自今日热点

2026年AI编程智能体团队与单兵作战对比：前9名

两款领先的AI编程智能体结对合作，在CooperBench任务上的成功率仅约25%；在一项Codex测试中，增加子智能体后得分保持在71.0%不变，而每解决一项任务消耗的token从7.69M升至24.12M。

  • 第1名：Gas Town
  • 9 个名次

01最终榜单

领先的 AI 各自独立列出了十个名次。上方是一份便于核对的汇总结果：每个名次都有理由、列入它的 AI，以及 AI 提供的来源（如有）。

亮色标签表示该 AI 把这一项列入了自己的榜单，暗色标签表示没有。

  1. 1

    Gas Town

    同时运行20至30个Claude Code实例。一位评审人员在一个晚上看到7个拉取请求（PR）中有6个被合并，一周后却发现141个孤立进程。据报道，按量计费成本接近每小时100美元。

    已列入: Meta, Nemotron, Nova, DeepSeek. 未列入: Wenxin.

    在各自榜单中的名次: Meta: 2 · Nemotron: 2 · Nova: 9 · DeepSeek: 2

    每个 AI 的看法 4
    • Meta第 2 名

      一个代码库上运行 20–30 个 Claude Code 实例，由一个合并队列代理统一管理——账本/交接模型最成熟，但据报道每小时烧掉 100 美元的 token

      来源 ↗
    • Nemotron第 2 名

      三代理机群在 Terminal-Bench 长任务上保持 91% 的通过率——单个代理则降至 67%

    • Nova第 9 名

      合并的改动由代理署名，由人批准

    • DeepSeek第 2 名

      七个 PR 合并了六个，而审查者正在吃晚饭；一周后，同一套装置留下了 141 个残留的 Claude 进程。

      来源 ↗
    4 个 AI 列入此名次
    来源 ↗
  2. 2

    Claude Code 智能体团队

    Anthropic的文档称，团队在计划模式下消耗的token约为单次会话的7倍。一项针对CircleCI缺陷的单独测试发现，团队带来的提升更大：17.27分对9.87分。

    已列入: Meta, Nova, DeepSeek. 未列入: Nemotron, Wenxin.

    在各自榜单中的名次: Meta: 3 · Nova: 1 · DeepSeek: 5

    每个 AI 的看法 3
    • Meta第 3 名

      每位队友独立的 100 万 token 上下文窗口——据 Anthropic 文档，计划模式下 token 开销为 7 倍，但明确的消息传递取代了盲目的冲突

      来源 ↗
    • Nova第 1 名

      并行工作者带来 2.3 个百分点的提升，token 成本为 3.3 倍，Spool 中已接受的合并

      来源 ↗
    • DeepSeek第 5 名

      一个含 52 个缺陷的应用，团队模式下改进幅度高出 75%，但 CooperBench 的双代理组合得分为 25%，单人约为 50%。

      来源 ↗
    3 个 AI 列入此名次
    来源 ↗
  3. 3

    AgentRadio

    这里最大的实测收益：四个通过消息总线协作的智能体，得分从单独作战的32.3%提升到62.1%，超过了一个更新的单一模型57.2%的成绩。仅有一个来源报道此结果。

    已列入: DeepSeek. 未列入: Meta, Nemotron, Nova, Wenxin.

    在各自榜单中的名次: DeepSeek: 1

    每个 AI 的看法 1
    • DeepSeek第 1 名

      四个代理在异步消息总线上协作，把单人 32.3% 的成绩提升到 62.1%——并且超过了一个更新的单模型 57.2%。

      来源 ↗
    1 个 AI 列入此名次
    来源 ↗
  4. 4

    Cursor 智能体集群

    每种配置都把SQLite重新构建到测试全部通过，但执行者的花费因模型组合不同而从411美元到9,373美元不等，相差22倍。没有单独作战的基准。

    已列入: Meta, Nemotron, Nova, DeepSeek. 未列入: Wenxin.

    在各自榜单中的名次: Meta: 6 · Nemotron: 5 · Nova: 6 · DeepSeek: 3

    每个 AI 的看法 4
    • Meta第 6 名

      Cursor 在修复任务中表现突出：80.4%，对比单人作业；团队扇出共享额度，但会碰上与 Claude Max 相同的每周上限

    • Nemotron第 5 名

      IDE 原生并行——提升 9 个百分点，token 为 1.6 倍，但未记录跨代理的消息传递

    • Nova第 6 名

      按任务分层的表现，没有团队基准

    • DeepSeek第 3 名

      同一个 SQLite 测试通过率为 100%，而工作者的花费在一种配置下为 411 美元，在另一种配置下为 9,373 美元。

      来源 ↗
    4 个 AI 列入此名次
    来源 ↗
  5. 5

    OpenAI Codex 子智能体

    成本约为三倍，却没有带来提升。SWE-bench两种方式都保持在71.0%，而每解决一项任务的token用量增至三倍。在Terminal-Bench上，每项任务9.01美元对25.80美元，换来的都是71.67%。

    已列入: Meta, Nemotron, Nova, DeepSeek. 未列入: Wenxin.

    在各自榜单中的名次: Meta: 4 · Nemotron: 3 · Nova: 5 · DeepSeek: 4

    每个 AI 的看法 4
    • Meta第 4 名

      Codex 编写，Claude 审查——单独 Codex 的采纳率为 59.6–88.6%，Claude Code 的文档采纳率为 92.3%，不对称搭配胜过单打独斗

      来源 ↗
    • Nemotron第 3 名

      开源团队在 CooperBench 上与商业方案持平——但消息传递耗掉 38% 的 token

      来源 ↗
    • Nova第 5 名

      专注单代理，没有团队协作指标

    • DeepSeek第 4 名

      Codex 在 SWE-bench 上的通过率没有变化，两种方式都是 71.0%，但有九项任务只有在并发下才能解决。

      来源 ↗
    4 个 AI 列入此名次
    来源 ↗
  6. 6

    Claude Code 并行子智能体

    结果相反：LoopsBench完全解决率增至三倍（从7.1%升至21.4%），但SWE-bench Verified却从83.0%降至59.0%。这一降幅超过了该研究标题中11.9分的区间，因此存在争议。

    已列入: Nova, DeepSeek. 未列入: Meta, Nemotron, Wenxin.

    在各自榜单中的名次: Nova: 2 · DeepSeek: 8

    每个 AI 的看法 2
    • Nova第 2 名

      并行工作者导致 11.9 个百分点的下降，token 成本为 1.4 倍，消息传递有限

      来源 ↗
    • DeepSeek第 8 名

      并行子代理把 LoopsBench 的解题率从 7.1% 提升到 21.4%，而 SWE-bench 通过率从 83.0% 降到 59.0%。

      来源 ↗
    2 个 AI 列入此名次
    来源 ↗
  7. 7

    Kimi Code 并行智能体

    协调300个智能体，成本比前沿模型低4至8倍，但一篇博客称，并行执行者使其SWE-bench通过率从77%降至59%。该数字仅来自单一来源。

    已列入: Nemotron, Nova, DeepSeek. 未列入: Meta, Wenxin.

    在各自榜单中的名次: Nemotron: 7 · Nova: 3 · DeepSeek: 7

    每个 AI 的看法 3
    • Nemotron第 7 名

      月之暗面的并行方案——提升 2.3 个百分点，token 为 1.4 倍，效率最好，但记录尚短

      来源 ↗
    • Nova第 3 名

      未公布团队指标，已合并工作的公开记录有限

    • DeepSeek第 7 名

      Kimi 可以协调 300 个代理，成本低 4–8 倍，但并行工作者把它的 SWE-bench 通过率从 77% 拉低到 59%。

      来源 ↗
    3 个 AI 列入此名次
    来源 ↗
  8. 8

    MetaGPT / ChatDev

    较早的角色扮演团队输给了单个智能体：单个智能体在10道题上胜过它们，只输了1道。ChatDev在ProgramDev上的正确率仅为33.3%。

    已列入: Nemotron, DeepSeek. 未列入: Meta, Nova, Wenxin.

    在各自榜单中的名次: Nemotron: 8 · DeepSeek: 10

    每个 AI 的看法 2
    • Nemotron第 8 名

      角色扮演式代理（产品经理、开发、测试）——提升 8 个百分点，但 token 为 2.7 倍；消息开销为 34%

      来源 ↗
    • DeepSeek第 10 名

      ChatDev 在 ProgramDev 上的正确率为 33.3%，低于它本想超越的单代理基线。

      来源 ↗
    2 个 AI 列入此名次
    来源 ↗
  9. 9

    GitHub Copilot Agent HQ

    在同一个代码仓库中并行运行Copilot、Claude和Codex，但未公布团队与单独作战的成功率，因此团队能否胜过单个智能体尚不清楚。

    已列入: Nova, DeepSeek. 未列入: Meta, Nemotron, Wenxin.

    在各自榜单中的名次: Nova: 4 · DeepSeek: 9

    每个 AI 的看法 2
    • Nova第 4 名

      没有公开的团队基准，依赖用户反馈

    • DeepSeek第 9 名

      它把 Copilot、Claude 和 Codex 并排放在同一个仓库里，但没有公布团队与单人的成功率。

    2 个 AI 列入此名次
    未给出来源

02值得了解

AI 在编制榜单时注意到的内容。

在CooperBench上，智能体把15%至20%的token预算用于相互发消息。这使合并冲突减少了约30%，但并未提高功能完成率。

提及者:
已列入: Nova, DeepSeek. 未列入: Meta, Nemotron, Wenxin.
来源 ↗

在同样的规则下，人类开发者结对解决了CooperBench 10项任务中的9项，智能体只解决了3项。问题出在协调，而不是编码难度。

提及者:
已列入: DeepSeek. 未列入: Meta, Nemotron, Nova, Wenxin.
来源 ↗

一次动用1,393个子智能体的Codex运行，耗时约19小时，花费约19,300美元。随后，一位OpenAI Codex开发者表示，超过两个并行智能体几乎肯定会白白烧掉token，却换不来质量提升。

提及者:
已列入: Meta, DeepSeek. 未列入: Nemotron, Nova, Wenxin.
来源 ↗

Vals AI发现，最昂贵的Opus团队配置成本是最便宜配置的30倍（122美元对4.08美元），但仅提升1.6分（93.2对91.5），且在统计上并不显著。

提及者:
已列入: DeepSeek. 未列入: Meta, Nemotron, Nova, Wenxin.
来源 ↗

CooperBench的降幅有两种说法：比单独作战低约50%（绝对成功率25%），以及摘要中的“平均降幅至少30%”。两者基准不同，并非同一个数字。

提及者:
已列入: Meta, DeepSeek. 未列入: Nemotron, Nova, Wenxin.
来源 ↗

03大家常问的问题

什么是AI编程智能体

AI编程智能体是一种由模型驱动的工具，它读取代码仓库、编辑文件、运行测试，并不断迭代以达成目标。CooperBench让两个这样的智能体合作完成652项任务时，成功率仅约25%。

来源 ↗
AI编程智能体是怎么工作的

它们循环经历规划、编辑、运行测试和重试的过程。开启并行子智能体后，由于每个子智能体都要加载各自的上下文，token用量会达到顺序运行的1.41至3.31倍。

来源 ↗
AI智能体能一起工作吗

能，但目前效果不好。双智能体团队在CooperBench上的得分约25%，大约是单个智能体同时拿到两项功能时的一半。有些摘要称降幅为30%，是因为它们采用了不同的基准。

来源 ↗
AI智能体之间是怎么协作的

它们共享任务清单、相互发消息并合并分支。Gas Town通过基于git的账本和单一合并队列，协调20至30个Claude Code实例。

来源 ↗

04我们如何统计

用大白话讲，不用公式。

1问题

AI编程智能体团队排行前十：谁能胜过单独作战的一个智能体

2为什么选这个话题

它把协作基准、token成本研究和真实的合并工作记录放在一起，让读者看到智能体团队究竟何时真正胜过单个智能体，何时只是多说了几句空话。

3适用范围

全球范围，AI软件工程

4考量标准

  • 合作编程任务的团队成功率，与承担同等总工作量的单个智能体并列显示
  • 增加并行执行者后通过率的变化，与其额外消耗的token对比
  • 预算中用于智能体相互发消息而非写代码的占比
  • 该配置是否能连续运行数天、每项改动都有人确认，依据是智能体签署的公开合并工作记录判断
  • CooperBench（斯坦福大学与SAP Labs US）——双智能体在12个开源库的652项合作编程任务上的成功率，对比同时拿到两项功能的单个智能体；用于发消息的token占比
  • 并行子智能体研究，arXiv 2610.10263（Codex、Claude Code、Kimi Code）——开启并行执行者后通过率的变化（从下降11.9分到提升2.3分），以及token用量（为顺序运行的1.41至3.31倍）
  • Anthropic Claude Code智能体团队文档——开发方自己描述的团队token用量，与单次会话相比
  • GitHub公开仓库记录（Gas Town、Spool）——由智能体签署、经人工合并的改动，与星标数分开统计

5谁来排名

领先的 AI：Meta, Nemotron, Nova, Wenxin, DeepSeek。每个 AI 独立编制自己的十项榜单，并为每个名次注明来源。

6名次如何确定

不同 AI 以不同说法写出的同一项被视为一项。把某项列入榜单的 AI 越多、排得越靠前，它的名次就越高。“AI 共识”表示有多少个 AI 在自己的榜单中列入了该项。来源仅限 AI 自己找到的，没有任何人工添加。

05各个 AI 的单独榜单

🇺🇸 Meta10 个名次 · 3 条备注

同一个问题，仅由 Meta 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Spool（enes-alatas/spool）

    四个 Claude 循环连续几天自己搭出一座“工厂”——提交的 PR 署名 Co-Authored-By: Claude Opus 5.5，经 Telegram/Slack 聊天确认后合并

    来源 ↗
  2. 2
    Gas Town

    一个代码库上运行 20–30 个 Claude Code 实例，由一个合并队列代理统一管理——账本/交接模型最成熟，但据报道每小时烧掉 100 美元的 token

    来源 ↗
  3. 3
    Claude Code 代理团队（Anthropic 原生）

    每位队友独立的 100 万 token 上下文窗口——据 Anthropic 文档，计划模式下 token 开销为 7 倍，但明确的消息传递取代了盲目的冲突

    来源 ↗
  4. 4
    OpenAI Codex + Claude Code 对抗式搭配

    Codex 编写，Claude 审查——单独 Codex 的采纳率为 59.6–88.6%，Claude Code 的文档采纳率为 92.3%，不对称搭配胜过单打独斗

    来源 ↗
  5. 5
    Codex 并行工作者，配合 git worktree

    两个并行代理就是上限——再多就是 2.86 倍的账单，却只得到相同的 71.67%（Terminal-Bench 4.0）

  6. 6
    Cursor 代理团队

    Cursor 在修复任务中表现突出：80.4%，对比单人作业；团队扇出共享额度，但会碰上与 Claude Max 相同的每周上限

  7. 7
    Factory / Droid（factory.ai）

    商用机群横跨 CLI、桌面端、远程电脑和 GitHub Actions——正是启发 Gas Town 的 Refinery 所用的工厂模式

  8. 8
    Omnigent（Databricks 元框架）

    混合 Claude Code、Codex 等的元框架——在 12 个开源库上衡量成功率，例如 CooperBench 的 652 项任务

    来源 ↗
  9. 9
    Beads + Shipmates 账本

    Beads 是追踪器，Gas Town 是工厂——持久记忆加上组长与组员的沟通通道，用于人在回路中的批准

    来源 ↗
  10. 10
    通用双代理基线（CooperBench 单人与双人对比）

    协作的诅咒——两个代理合作的成功率为 25%，比一个代理单独完成两项任务约低 50%

    来源 ↗

Meta 注意到的内容

CooperBench 发现了协作的诅咒：在 12 个库的 652 项任务中，团队成功率为 25%，单人约为 50%——平均下降约 30%，与沟通不畅有关

来源 ↗

并行的代价确实存在：增加工作者后，通过率变化为 -11.9 到 +2.3 个百分点，而 token 用量增加 1.4 到 3.3 倍；一次 Terminal-Bench 运行显示，同样的 71.67%，账单却是 2.86 倍

来源 ↗

Spool 的证明：四个循环连续数日持续构建 Spool 本身，提交的 PR 署名 Co-Authored-By: Claude Opus 5.5，笔记本合上后仍可通过 Telegram/Slack 联系。看的是公开的合并记录，而不是星标数

来源 ↗
🇺🇸 Nemotron10 个名次 · 2 条备注

同一个问题，仅由 Nemotron 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Spool（2026）

    四个 Claude Code 代理连续数周每天交付合并的 PR——人类只负责批准，从不亲自敲代码

  2. 2
    Gas Town（2026）

    三代理机群在 Terminal-Bench 长任务上保持 91% 的通过率——单个代理则降至 67%

  3. 3
    OpenDevin 多代理（2026）

    开源团队在 CooperBench 上与商业方案持平——但消息传递耗掉 38% 的 token

    来源 ↗
  4. 4
    Aider + Claude Code 结对（2026）

    两种不同工具，同一仓库——提升 14 个百分点，但 token 为 3.1 倍；人工审查成为瓶颈

    来源 ↗
  5. 5
    Cursor 后台代理（2026）

    IDE 原生并行——提升 9 个百分点，token 为 1.6 倍，但未记录跨代理的消息传递

  6. 6
    Codex 多会话（2026）

    OpenAI 自家的并行方案——在冲突较多的任务上下降 11.9 个百分点，见 arXiv:2610.10263

    来源 ↗
  7. 7
    Kimi Code 机群（2026）

    月之暗面的并行方案——提升 2.3 个百分点，token 为 1.4 倍，效率最好，但记录尚短

    来源 ↗
  8. 8
    MetaGPT 软件公司（2026）

    角色扮演式代理（产品经理、开发、测试）——提升 8 个百分点，但 token 为 2.7 倍；消息开销为 34%

    来源 ↗
  9. 9
    AutoGen 代码审查群（2026）

    四名审查员、一名撰写者——提升 6 个百分点，token 为 2.2 倍，消息开销为 28%；擅长发现回归问题

    来源 ↗
  10. 10
    LangGraph 多代理开发（2026）

    图编排——提升 5 个百分点，token 为 2.5 倍，消息开销为 30%；灵活但调试复杂

    来源 ↗

Nemotron 注意到的内容

各团队的消息开销在 0–47% 之间——Cursor 的 0%（无消息）在 token 效率上胜过 Codex 的 47%，但在解决冲突上落了下风

来源 ↗

token 开销为 1.4–3.3 倍，意味着“便宜”的 1.4 倍团队（Kimi）在难任务上，成本可能低于“昂贵”的 3.3 倍单人运行

来源 ↗
🇺🇸 Nova10 个名次 · 1 条备注

同一个问题，仅由 Nova 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Claude Code 团队

    并行工作者带来 2.3 个百分点的提升，token 成本为 3.3 倍，Spool 中已接受的合并

    来源 ↗
  2. 2
    Codex 并行工作者

    并行工作者导致 11.9 个百分点的下降，token 成本为 1.4 倍，消息传递有限

    来源 ↗
  3. 3
    Kimi Code 团队

    未公布团队指标，已合并工作的公开记录有限

  4. 4
    GitHub Copilot 团队

    没有公开的团队基准，依赖用户反馈

  5. 5
    Devin 自主代理

    专注单代理，没有团队协作指标

  6. 6
    Cursor AI 团队

    按任务分层的表现，没有团队基准

  7. 7
    OpenCode 团队

    开源，协作指标有限

    来源 ↗
  8. 8
    Hermes AI 团队

    早期阶段，没有公开基准

  9. 9
    Gas Town 公开记录

    合并的改动由代理署名，由人批准

  10. 10
    Spool 公开记录

    合并的改动由代理署名，由人批准

Nova 注意到的内容

Claude Code 团队的并行工作者带来 2.3 个百分点的提升，但 token 成本为 3.3 倍

来源 ↗
🇨🇳 DeepSeek10 个名次 · 4 条备注

同一个问题，仅由 DeepSeek 回答。上方的最终榜单综合了所有 AI。

  1. 1
    AgentRadio（2026）

    四个代理在异步消息总线上协作，把单人 32.3% 的成绩提升到 62.1%——并且超过了一个更新的单模型 57.2%。

    来源 ↗
  2. 2
    Gas Town（2026）

    七个 PR 合并了六个，而审查者正在吃晚饭；一周后，同一套装置留下了 141 个残留的 Claude 进程。

    来源 ↗
  3. 3
    Cursor 代理群（2026）

    同一个 SQLite 测试通过率为 100%，而工作者的花费在一种配置下为 411 美元，在另一种配置下为 9,373 美元。

    来源 ↗
  4. 4
    OpenAI Codex 动态并发（2026）

    Codex 在 SWE-bench 上的通过率没有变化，两种方式都是 71.0%，但有九项任务只有在并发下才能解决。

    来源 ↗
  5. 5
    Claude Code 代理团队（2026）

    一个含 52 个缺陷的应用，团队模式下改进幅度高出 75%，但 CooperBench 的双代理组合得分为 25%，单人约为 50%。

    来源 ↗
  6. 6
    Spool（2026）

    四个持久运行的 Claude Code 循环可从 Slack 和 Telegram 联系，笔记本合上后仍在工作——有一位用户眼看着 70 个子代理吃光了整份额度。

    来源 ↗
  7. 7
    Kimi Code 并行代理（2026）

    Kimi 可以协调 300 个代理，成本低 4–8 倍，但并行工作者把它的 SWE-bench 通过率从 77% 拉低到 59%。

    来源 ↗
  8. 8
    Claude Code 动态并发（2026）

    并行子代理把 LoopsBench 的解题率从 7.1% 提升到 21.4%，而 SWE-bench 通过率从 83.0% 降到 59.0%。

    来源 ↗
  9. 9
    GitHub Copilot Agent HQ（2026）

    它把 Copilot、Claude 和 Codex 并排放在同一个仓库里，但没有公布团队与单人的成功率。

  10. 10
    MetaGPT / ChatDev（2026）

    ChatDev 在 ProgramDev 上的正确率为 33.3%，低于它本想超越的单代理基线。

    来源 ↗

DeepSeek 注意到的内容

CooperBench 最尖锐的数字不是双代理的 25%：在同样的协调约束下，人类开发者组合解决了 10 项中的 9 项，而代理只解决了 10 项中的 3 项。所以问题出在协调，而不是编码难度。

来源 ↗

Vals AI 发现，最贵的 Opus 配置成本是最便宜配置的 30 倍，只多得 1.6 分：即 122 美元和 93.2 分，对比 4.08 美元和 91.5 分。而这 1.6 分的差距在统计上并不显著。

来源 ↗

一次有 1,393 个子代理的 Codex 运行，把 1.06M 行非测试 Python 代码减少了 34.4%，用时约 19 小时，花费约 19,300 美元。但一位 OpenAI Codex 开发者公开表示，单个代理只需一小部分成本就能完成。

来源 ↗

Cursor 的代理群表明，仅改变模型组合，团队的经济账就会翻转：同样的质量，若用前沿模型做规划、便宜模型做工作者，成本为 411 美元；若工作者也用前沿模型，则为 9,373 美元。

来源 ↗

更多榜单