波仔
🧡 第一章 为什么选择Claude Code
📄 一句话概括

编程智能体的分数是四把尺子加权出来的：能不能稳稳调用工具、一次能装多少上下文、看没看懂别人的项目、守不守你定的规矩。

📝 本节和前面几节的关系

前面讲了它干什么，这一节讲凭什么它干得成——以及该怎么判断一个模型适不适合当编程智能体。

一、第一把尺子：工具调用能力

编程智能体的一切动作都靠工具：读文件是一个工具，执行命令是一个工具，改写文件也是一个工具。 模型要能稳稳地决定什么时候调哪个工具、参数填对，而且不出错地拿到结果再往下走。 这项不过关，再会聊天也只能停在对话框里。

二、第二把尺子：长上下文

一个真实项目动辄上万行。一次能装进多少内容，直接决定它要你反复解释多少遍。 装得少，它就反复读同一个文件、反复问同一件事；装得多，它才能把上下游一起看。

三、第三把尺子：代码理解力

看懂自己刚写的代码不难，难的是看懂别人写的、没有注释的、结构还乱的项目。 真实工作几乎全是后者：接手一个老项目、改一段没人说得清的逻辑。

四、第四把尺子：遵守指令

你说别动配置目录，它就真的不动；你说先给方案再动手，它就真的先停下来。 这一项权重最小，但它是能不能放心让它自己跑的前提。 四把尺子合起来：工具调用 35%、长上下文 30%、代码理解 25%、遵守指令 10%。

五、动手 Demo：四把尺子加权打分

用上面那套权重给两个假想的模型打分，看排序由哪一项决定。

rulers = [("工具调用能力", 0.35), ("长上下文", 0.30),
          ("代码理解力", 0.25), ("遵守指令", 0.10)]
a = {"工具调用能力": 9, "长上下文": 8, "代码理解力": 8, "遵守指令": 7}
b = {"工具调用能力": 7, "长上下文": 9, "代码理解力": 9, "遵守指令": 6}
sa = sum(wt * a[name] for name, wt in rulers)
sb = sum(wt * b[name] for name, wt in rulers)

实跑输出：

--------------------------------------------------------------------
为什么是它——四把尺子量一个编程智能体
--------------------------------------------------------------------

挑模型不能只看「聊天聪不聪明」，编程智能体的分数是加权出来的：

  尺子             权重     量的是什么
  -------------------------------------------------------------------
  工具调用能力     35%      能不能稳稳地读文件、跑命令、改代码
  长上下文         30%      一次能装进多少项目背景，装不下就要反复喂
  代码理解力       25%      看懂别人写的项目，而不是只看懂题目
  遵守指令         10%      你说别动这个目录，它就真的不动

甲模型：工具 9／长文 8／理解 8／听话 7  ->  加权总分 8.25
乙模型：工具 7／长文 9／理解 9／听话 6  ->  加权总分 8.00

甲胜出。差别全在第一条：工具调用不过关，再聪明也只能停留在「聊天」。

甲 8.25 分，乙 8.00 分；乙在长上下文和代码理解上都还高 1 分，输就输在工具调用那一项。 权重是我给的，但这套尺子的名字请记住：以后每换一个模型，先按这四项问一遍，比看排行榜管用。

30 秒实验

  1. 把工具调用的权重从 35% 调到 15%，总分排名会不会翻转？
  2. 用这四把尺子给你现在用的工具打个分，看哪一项最弱。

常见误区

  1. 只看通用能力排行榜。聊天榜单靠前的模型，工具调用未必稳，排行榜不等于能干活的排名。
  2. 把权重当成固定真理。权重随任务变：小项目对长上下文的要求远没有大项目高。
自测三问（点开对答案） 1. 四把尺子分别是什么？ —— 工具调用能力、长上下文、代码理解力、遵守指令。 2. 哪一项权重最高，为什么？ —— 工具调用能力（35%）——它是能不能自己动手的地基，不过关就只能停在聊天。 3. 为什么【遵守指令】权重低却重要？ —— 局大部分活它都不必做，但它是你敢于让它自主运行的前提条件。

相关笔记