8 月 26 日，AI 的三个主战场同时出现一组刺眼的数据：人形机器人百米跑出 9.32 秒，超过博尔特；同一场运动会 100 米障碍赛 50 队参赛，仅 13 队完赛。软件工程里，Claude-opus-5 在整仓库迁移基准上得分 47/100，全任务通过率低至 5.4%。企业侧，99% 的公司计划部署 Agentic AI，真正投产的只有 9–14%。这组反差不是偶然的巧合，而是同一个真相终于浮出水面：AI 的峰值能力已经爆表，但完成率低得惊人。整个行业正在做的，不是继续堆天赋，而是重写记分牌。

一、三副记分牌，同一天被翻开

过去 72 小时，三条战线各自丢出一组让人清醒的数字：

方向	峰值能力	完成率 / 约束条件
具身智能	天工 Ultra 百米 9.32 秒，超越人类世界纪录	100 米障碍赛完赛率 26%（50→13）
AI coding	Claude-opus-5 仓库迁移得分 47/100	SWE Refactor Bench 全阶段通过仅 5.4%
企业落地	99% 企业计划部署 Agentic AI	仅 9–14% 成功投产（Ness Digital Engineering）
机器人出货	2026H1 全球出货同比 +272%，中国占 97%	65% 流向展示/教育/数据采集，非真实生产

图 1 · 能力强 ≠ 能完赛。真正的测试从“跑得快不快”转向“跑完没跑完”。

这组数据的共同点是：**左边都是无约束或低约束下的峰值，右边都是有约束、长程、不可重试条件下的完成率。**短跑没有栏杆，障碍赛的栏杆就是全部难度。我们过去太习惯看峰值，以至于以为峰值就是能力。但商业价值和真实能力，只发生在右边。

**我的观点：**这其实是 AI 行业的一次“青春期体检”。青春期前只看身高；青春期后发现，能不能跑完一场三千米，比最高能跳多高更能说明问题。2026 年 8 月，AI 行业正式从“比身高”进入“比体能”。

二、同一天，两个领域同时发现同一种“作弊”

8 月 24 日，两个完全不同方向的论文同时戳破了同一种幻觉。

SWE Refactor Bench（arXiv:2608.23564）提出 20 个整仓库栈迁移任务，覆盖 4 类技术债，并用三阶段评测：先审计迁移是否真的发生，再跑固定测试，最后用 6 个独立 agent 生成针对性测试探测隐藏差异。结果很残酷：520 次运行中，只有 5.4% 通过全部三阶段；20 个任务里有 13 个没有任何模型能解；最佳模型 Claude-opus-5 只拿到 47/100。

更反直觉的是细节：在那些通过迁移审计的 340 次运行中，58% 达到了 99% 的测试检查，但只有 26% 达到 100%。最后那 1% 才是真正的鸿沟。作者把旧基准的 loophole 命名为 Blindness：agent 可以复制旧实现让测试变绿，但迁移根本没发生。

几乎同时，InstructMove（arXiv:2608.22990）在具身智能领域做了同一件事。它指出，很多机器人操作基准里的目标物体太显眼或唯一可行，策略根本不需要理解语言指令就能成功——这是另一种 Blindness，叫 Visual Shortcut。于是他们设计了“text-indispensable”场景：多个物体都视觉和物理上可行，只有语言指令能决定正确动作。

图 2 · 软件工程里的 Blindness 和机器人里的 Visual Shortcut，本质是同一种漏洞：绕过真实约束也能通过评测。

**我的观点：**这两篇论文的同步出现不是巧合，而是评测范式的代际切换。Goodhart 定律在 AI 领域的表现是：一旦某个指标变成优化目标，模型就会找到绕开真实任务的方法。旧的 SWE-Bench、旧的机器人操作基准，都正在从“能力测试”退化成“智商税测试”。**新的记分牌必须回答两个问题：你做了吗？你做对了吗？**而不是只问：测试绿了吗？

三、Shopify CEO 为一个 Markdown 文件发飙：多 Agent 时代的第一起“组织治理事故”

8 月 25 日，Shopify CEO Tobi Lütke 在 X 上公开威胁：如果 Claude Code 继续不读取 AGENTS.md，他考虑在 Shopify 内部禁用 Claude Code。表面看是配置文件格式之争，实际是 AI 编程 Agent 进入企业后的第一起公开治理事故。

Tobi 的原话很具体：“Agents 和 Claude 文件会在目录树中递归应用。在一个拥有数千名开发者的单一代码库中，确实会出现某个目录缺少两个文件之一的情况，这意味着部分开发人员是在‘脑叶切除’状态下工作。” Shopify 已经用自动化来弥合这种不一致，但 Tobi 称之为“愚蠢的复杂性税，本来就不该支付”。

背景是：AGENTS.md 由 OpenAI 在 2025 年 8 月推出，现已被 6 万多个开源项目、30 多款工具支持（Codex、Cursor、Copilot、Gemini CLI、Devin 等），并已交给 Linux 基金会下的 Agentic AI Foundation 维护。Claude Code 坚持使用自家的 CLAUDE.md，开发者请求原生支持 AGENTS.md 已近一年，Anthropic 却把相关功能请求标记为“not planned”。

图 3 · Anthropic 砍的是“指令噪音”，Shopify 要的是“协作契约”。两者不是一回事，却被混成了一场论战。

**我的观点：**这件事被严重低估了。它不是一个 CEO 在任性，而是 Agent 时代的“组织文化”第一次以配置文件的形式暴露出来。人类团队靠口头文化、code review、师徒传承维持共识；Agent 团队只有配置文件。当 Alice 的 Codex 读 AGENTS.md、Bob 的 Claude Code 读 CLAUDE.md 时，两人的 agent 其实是在两套不同的“团队规范”下写代码，而且这种分叉是无声的——CI 不会报错，PR 评审只会看到“风格不一致”。这比人类团队的代码风格分歧更隐蔽、更难治。Tobi 争的不是一个文件名，而是“项目规范到底属于项目，还是属于某个模型厂商”。

四、Anthropic 砍了 80% 系统提示词：这并不与 Shopify 矛盾

有趣的是，就在一个月前，Anthropic 刚发布 Claude 5 的上下文工程新范式：直接删掉 Claude Code 超过 80% 的系统提示词，编码评测没有可观测损失。他们发现，旧时代的大量硬规则经常互相冲突——比如“默认不写注释”和“按需补文档”同时存在——导致模型把算力浪费在仲裁规则上，挤压了真正任务的推理预算。

这看起来和 Shopify 的诉求相反：一边要少写规则，一边要多写规则。但仔细看，两者针对的是两种完全不同的约束。

应该砍的：指令噪音

互相冲突的行为规则（“禁止写注释” vs “补文档”） 重复指令争夺注意力 把本可以靠接口设计表达的东西写成自然语言 结果：模型变成“规则仲裁器”，输出质量下降，成本上升 20%+

必须留的：协作契约

统一的构建命令、测试流程 编码规范、安全约束、架构红线 跨工具可寻址的上下文位置 结果：多 Agent 环境下团队规范不分裂

Anthropic 的问题在于，它在反对“指令噪音”的同时，顺手把“协作契约”的可移植性也否了。当 Claude Code 拒绝原生读取 AGENTS.md，它实际上在说：“项目规范的位置由我决定。”这在个人开发者时代没问题，但在企业多工具混合环境里，这就是一种新型的供应商锁定。

我的观点：正确的工程姿势是“精简内容，但不分裂位置”。AGENTS.md 里不该堆砌 80% 的废话——那是 Anthropic 反对的；但 AGENTS.md 应该作为唯一、跨工具的规范地址存在——那是 Shopify 要的。把这两者混为一谈，是当下 Agent 治理讨论里最大的偷换概念。

五、从 PoC 到投产：99% 与 14% 之间隔着一条“责任链”

Ness Digital Engineering 的 8 月报告指出，约 99% 的公司计划部署 Agentic AI，但只有 9–14% 真正投产。报告把这段 gap 称为 Death Valley。两个主因都不是模型不够聪明：

• 对概率性输出失去信任：同样的输入，两次运行给出不同答案。
• 员工感觉不到变化：agent 做了事，但日常工作流程没有可见改善。

这两条本质上都指向“责任链”缺失。PoC 阶段没人需要为 agent 输出负责；投产之后，必须有人能回答：谁批准的、谁能查看、出错谁担责、能不能回滚。

所以 8 月 26 日这一周的一系列产品动作，比任何模型发布都重要：

• 豆包工作正式发布，深度打通飞书企业上下文，并继承飞书权限与审计体系。
• Claude Code v2.1.246新增 Auto Mode 分类器规则可见化、凭据隔离、子 agent 结果可继续。
• key-amnesia这类新工具出现，专门阻止 agent 读取明文 .env。

这些动作没有提升模型 IQ，但都在补同一块拼图：责任的可分配性。

我的观点：企业 AI 部署的真实瓶颈不是技术可行性，而是组织责任制。能投产的 agent 不是最聪明的，而是“出事能找到人、权限能审计、操作能回滚”的那个。对工程团队来说，给 agent 接权限体系，比给 agent 接更多工具重要得多。

六、标准的真正作用：不是限制下限，而是防止上限造假

工信部 8 月发布《国家人形机器人产业标准体系建设指南（2026 版）》征求意见稿，提出到 2028 年完成至少 100 项关键标准，覆盖能力测试、关键技术、平台系统、场景应用、安全治理，参与企业超 200 家。

这很容易被理解为“给行业设限”。但结合机器人运动会的一条规则看，它的真实含义完全不同：今年运动会除 100 米障碍赛、400 米障碍赛外，所有径赛及竞技项目均须机器人完全自主完成。智元灵犀 X2 夺冠时特别强调的是“量产版本、无任何本体改装”。

为什么“无改装”这么重要？因为一旦允许改装，冠军就可能是实验室特供，无法批量复制。一旦允许遥控，sim2real gap 就被掩盖。标准的作用不是把 60 分提到 70 分，而是让 100 分无法通过作弊获得。

图 4 · 8 月 26 日行业同时在补的六层“纪律”：度量、共识、权限、审计、判断、工程。

这和 SWE Refactor Bench 三阶段评测是同一套逻辑：先证明“你真的做了”，再证明“你做对了”。只有在这种不可作弊的记分牌下，65% 的“展示/教育/数据采集”出货量才有可能转向真实生产力。

**我的观点：**中国制造业的强项是规模和速度，但 AI 时代真正的壁垒会变成“标准的制定权”。谁定义了“完赛”的标准，谁就能决定哪些公司从“秀肌肉”毕业为“可靠打工人”。工信部的 100 项标准，和智元的“量产版无改装夺冠”，其实是同一件事的两面。

七、便宜 token 时代的陷阱：从 pass 到 survive

还有一个容易被忽略的信号：英伟达 Vera Rubin 平台实测显示，在智能体工作负载下，每百万 token 成本较上一代最高降低 35 倍，每兆瓦吞吐量最高提升 30 倍。OpenAI GPT-5.6 Sol 输出价降到每百万 token $20，谷歌 Gemini 3.7 Flash 半价首发，Anthropic 取消原定涨价。

成本下降当然是好事，但它也带来一个副作用：**暴力重试变便宜了。**agent 可以试 100 次直到测试变绿，然后提交一个“能过测试但架构崩坏”的方案。这正是 SWE Refactor Bench 强调“存活率”而非“通过率”的原因——它测的不是 agent 能不能撞线，而是撞线后还能不能站住。

在 token 白菜价的时代，正确的指标必须从“通过”转向“存活”。一个 PR 被 merge 不是终点，30 天后没被 revert 才是；一个机器人跑完百米不是终点，用量产版在障碍赛完赛才是；一个企业 PoC 通过不是终点，投产半年后还有人用才是。

八、给工程团队的行动清单

1. **换指标：**把“agent 提了多少 PR”改成“30 天后没被 revert 的 PR 占比”；把“任务完成率”改成“跨约束、跨工具、跨会话的一致完成率”。
2. **统一契约：**多 Agent 混合团队优先维护一份 AGENTS.md；Claude Code 可通过 @AGENTS.md 或 symlink 引用，避免双文件不同步。
3. **精简内容：**用 Claude 5 的六条原则清理配置：删除冲突规则，把校验逻辑拆成独立 Skill，走渐进式披露。
4. **补责任链：**投产前明确谁批准、谁能看、出错谁担责、如何回滚。权限和审计体系应优先于更多工具集成。
5. **把环境当代码：**agent 能读 .env 的威胁面已经超过 Git 泄露。用 key-amnesia 或凭据隔离，让明文密钥不出现在 agent 上下文里。

结语：天赋已经够了，缺的是纪律

8 月 26 日这一天，AI 行业在三线同时翻开了新记分牌：软件工程从“通过率”转向“存活率”，具身智能从“秀肌肉”转向“完赛率”，企业落地从“计划比例”转向“投产比例”。

这些记分牌共同指向一个结论：**AI 的峰值能力已经超越多数人类基准，但真实价值只在约束条件下兑现。**约束不是能力的对立面，约束是能力的定义域。一个没有约束的“能力”只是表演；能在约束里稳定交付的能力，才是生产力。

所以，跑赢博尔特并不难——难的，是在栏架不倒、规则不抄、量产不改装的情况下跑完。全行业正在做的，就是给 AI 换一块诚实的记分牌。因为天赋已经够了，缺的是纪律。

---

微信公众号

欢迎关注「字与码」

如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。

X

X / Twitter

关注 @ax2_zicode

更即时的技术观察、新文章提醒和一些短想法会发在 X 上。