昨晚看到更新消息的时候开发者群里的第一反应都是版本号是认真的吗从 2.x 直接跳到 3.8谁看了都得愣一下。但吵完版本号之后大家很快就把注意力放到了真正值得聊的两个数字上——90.8% 的终端任务得分以及几乎翻倍的代码跑通率。这两个指标放在一起说明这次不是挤牙膏式的常规升级而是实打实地往“让模型自己把活儿干完”的方向死磕了一把。我自己长期在业务一线写代码、调服务、修环境问题对这种“终端场景”的更新尤其敏感。过去用模型写代码最常见的情况是代码片段给得挺漂亮一粘进终端就开始报错要么缺依赖要么路径不对要么版本不兼容最后还是得自己手动收拾残局。如果这次终端跑通率真能做到接近九成那工作流会有本质变化——模型不再只是“写代码的助手”而是能直接上手操作终端、自己跑命令、自己看报错、自己修问题的执行者。这篇不聊版本号八卦直接拆这个版本到底死磕了什么、终端能力怎么用、评测数据怎么读以及我实测中踩到的一些坑。1. 这次更新到底在“死磕”什么1.1 版本号不重要重要的是侧重点变了先把这个“3.8”的争议说清楚。版本号这个东西在大模型圈子里经常是营销策略的一部分有时候跳过几个小版本、直接给一个跨版本号是为了强调“变化足够大”。纠结它到底是 3.8 还是 3.5 还是别的什么对实际使用没有任何帮助。我更愿意把“3.8”理解成这次迭代的产品代号核心不是数字而是更新里透露出来的方向选择。方向选的是终端。这次更新的核心主题词就两个终端终端任务执行和代码跑通率。终端任务得分 90.8%意味着在评测环境里给模型一个需要用命令行完成的任务它有九成以上的概率能从头到尾跑通代码跑通率翻倍则意味着模型生成代码后直接执行的通过率相比上一代有了明显提升。这两点叠加在一起指向的是同一个方向从“会写代码”到“能把代码跑起来”。这个方向本身就是一个里程碑。因为“写代码”和“跑通代码”之间的鸿沟所有写过代码的人都懂。代码语法没问题不等于能运行能运行不等于业务逻辑正确业务逻辑正确不等于在当前环境下能部署成功。终端是这个链条里最真实、最无情的验收场模型能不能在终端里站住脚直接决定了它在实际工程中的价值上限。1.2 90.8% 终端得分应该怎么理解90.8% 这个分数我的理解是它来自一组复合评测而不是单纯的一句话“回答得对不对”。所谓终端任务指的是模型需要在真实的命令行环境里按照用户指令完成一个多步骤操作。比如初始化一个项目、安装指定依赖、跑通测试、分析报错日志、修复问题后再次执行。这类任务和传统的“给一道算法题返回一段代码”完全不同。传统代码评测看的是“结果代码质量”终端任务评测看的是“整条执行链路”。链路里任何一环断了任务都算失败。这就像考试里给你一张综合卷不是让你写解题思路而是让你在真实的设备上把实验做完——中间有一个步骤出错就得返工机器不会因为“思路正确”就给你分。所以 90.8% 这种得分含金量比普通的代码生成分数要高得多它代表的是模型在真实运行环境中的完成能力。代码跑通率翻倍也很好理解。以前的模型生成代码经常出现“纸上谈兵”式输出函数写得完整、注释到位但你拿过来一跑立刻遇到缺包、缺文件、路径错误、版本冲突。跑通率翻倍意味着模型在生成代码时开始更多考虑环境上下文知道当前目录下有哪些文件、依赖装没装、Python 和 Node 的版本是多少然后基于这些真实信息去生成能直接运行的代码。这种“贴合环境”的能力比单纯增加参数量更有实战价值。1.3 谁最应该关注这次更新我身边大概有三类人最适合跟进这波更新。第一类是自己写业务代码、每天要和各种服务环境打交道的人模型能在终端里独立执行任务后日常的“装环境、跑测试、看日志”环节能省下大量时间。第二类是做 AI Agent、自动化脚本、工作流编排的人终端能力是 Agent 落地的关键底座模型终端执行越稳定Agent 能处理的任务就越复杂。第三类是运维和 DevOps 方向的工程师终端里大量命令操作天然适合交给模型辅助前提是它真的能跑对。当然如果你只是偶尔用用 AI 写点小片段对终端没兴趣那这次更新对你的感受可能不会太强烈。因为这次进步的核心不在“对话变聪明”上而在“执行变可靠”上。这也正好是它比较特殊的地方——它选择了一条更难的路不是比谁更会聊而是比谁更能干活。2. 为什么说终端是 AI 落地的关键战场2.1 终端才是开发者的真实主场现在的代码开发早就不是编辑器里敲完就结束的事了。从一个需求到上线中间要经过环境配置、依赖管理、构建编译、测试运行、日志排查、服务部署这些环节里的绝大多数操作都是在终端里完成的。IDE 固然强大但 IDE 背后的构建和运行逻辑也是调用终端工具链实现的。可以说终端是开发全流程的枢纽。以前模型的输出基本集中在“代码编辑器”这个环节你贴一个需求它给你一段代码然后你自己复制到项目里自己到终端里跑跑出来问题再手动回来改。这个过程模型是不参与的它只负责“前半段”的思考后半段的执行依然是你来扛。终端能力补齐之后模型从“只出脑力”变成“脑力执行力”它能自己打开终端、输入命令、观察输出、修正错误、再次执行直到任务完成。这个转变的重要性类比一下就懂了。以前的模型是一个顾问给你建议但活儿得你自己干终端能力强化后的模型更像一个实习工程师你给它布置任务它自己查资料、动工具、处理报错最后把结果汇报给你。同样是解决一个问题前者降低了“思考门槛”后者直接解放了“执行时间”。2.2 为什么终端任务的跑通比代码生成难得多要做实现在终端里自主执行难点不只是“理解命令语法”。真实的终端环境是混乱的、有状态的、充满不确定性的。每一次操作都会改变环境状态装了一个包全局依赖就变了改了一个配置文件服务行为就变了创建了一个文件目录结构就变了。模型需要在这种动态变化的环境里做决策每执行一步都要观察结果再决定下一步干什么。这和生成代码有本质差异。生成代码是单一出口的静态任务输入自然语言输出代码文本终端任务是闭环的动态任务模型要在一个看不见的环境沙盘里反复试错。举个具体例子用户说“把我这个项目跑起来”模型首先要看目录结构判断这是什么语言的项目找到入口文件然后检查依赖是否安装没装就装再执行启动命令如果端口被占用还要换端口或杀进程启动成功后还要确认服务是否真的可访问。这中间任何一个环节都需要结合命令行输出做判断相当于在迷宫里没地图地走每一步都得看路标。所以 90.8% 这个数字背后真实反映的是模型的“反馈处理能力”看到报错能不能读懂读懂后能不能定位到原因定位后能不能选择合适的修复命令修复后能不能确认问题解决。这套能力链路远比“回答一个编程问题”要复杂得多。2.3 它会改变周边工具链的玩法终端这个口子打开之后受影响最大的不是模型本身而是周边的一整套工具链。像 Tabby、VS Code 内置终端、Windows Terminal 这些常用的终端软件都在争着变成 AI Agent 的执行界面。其实热词里很多人搜“tabby终端工具”“vscode终端”“claude code如何直接执行终端命令”本质上就是在找“怎么让模型跑进我的终端里”的路径。以后终端的定位可能不再只是输入输出框而是变成人与 Agent 的交互界面。这种变化有点像命令行从“手动挡”到“自动挡”的演进。以前每个命令行工具都是需要人手动调用的现在模型可以作为中间层理解用户意图后自动调用合适的工具再把结果整理成人类能看懂的反馈。工具之间的配合、命令之间的逻辑、异常的跳过与重试这些原本靠经验积累的操作正在被模型逐步消化。连带着测试、部署、日志分析这些环节都可能因为终端 Agent 的成熟而出现新一轮自动化机会。3. 在终端里实操我是怎么让模型把任务跑完的3.1 设计一个真正完整的终端任务评测数据都是别人的自己上手跑一遍才是真的。以实际任务来说我挑了一个非常典型的多步骤场景在一个空目录里从零初始化一个 Python 项目装依赖写一个简单的 HTTP 服务跑通测试最后启动服务验证接口。这个任务基本覆盖了终端操作的常见类型——目录操作、包管理、代码生成、进程管理、端口验证。任务设计的原则是“闭环”不能只让模型做一步而要让模型把一个完整需求从头跟到尾。因为实际的工程任务往往就是这种复合型的。如果模型只会装依赖不会启服务只会写代码不会修报错那在真实场景里意义就不大。复合任务的难度也更高模型在中间任何一步失败后续都无法继续评测的分辨率也主要来自这种设计。3.2 给模型的提示词和上下文约束实操第一步是先把上下文喂清楚。我推荐的做法是在给模型下命令前先让它自动执行一个环境信息收集命令比如 pwd、ls、python --version、node --version、pip list 等等把当前目录结构、语言版本、已安装依赖全部作为上下文传给模型。这样它后面做决策时就有真实的“环境感知”而不是凭空猜。我的提示词模板大概是这样任务目标在这个目录里完成一个 Python HTTP 服务的初始化、实现与验证。 执行要求 1. 每执行一条命令前先说明你的理由和预期结果 2. 执行后必须读取命令输出根据输出决定下一步 3. 如果报错先分析错误类型再决定是修复环境还是修改代码 4. 最终以 curl 请求的方式验证服务可访问并打印访问结果。 请逐步执行只有拿到最终成功的结果才算完成任务。这个提示词的核心是强制模型进入“循环反馈模式”。不是让它一次性给出一堆操作而是要求它“执行一步 → 观察结果 → 调整下一步”。很多终端任务跑不通不是因为模型不会写某条命令而是因为它没有等结果就盲目往下走一步错步步错。3.3 跑通链路里的关键检查点实际跑下来模型的工作流基本可以拆成几个关键检查点。第一个是“项目识别”模型会先读目录判断这是什么类型的项目。第二个是“依赖确认”它会检查是不是已经装了 requirements.txt 里的包或者 package.json 里的依赖。第三个是“服务启动后的健康检查”这个尤其重要——很多模型新手会犯的毛病是服务进程一启动就觉得任务做完了根本不去确认端口是否真的有响应。我在验证模型能力时会特别要求它必须使用 curl 或浏览器方式访问实际接口拿到 HTTP 状态码才算完成。这一步能筛掉大量“假成功”。有一次我让它启动一个 Flask 服务它执行完 python app.py 就直接报告成功但实际端口根本没监听。后来加上强制健康检查后它才会去用 curl 验证发现失败后回到代码里排查结果发现是代码中绑定的 host 写错了。这个案例让我确信终端任务评测拼的真的不是单点能力而是“闭环意识”。3.4 实操中的几个硬性注意事项第一绝对不要在非隔离环境里让模型执行破坏性命令。像rm -rf、git reset --hard、强制覆盖文件这种即便模型判断该做你也应该在配置层面禁止或二次确认。我自己的习惯是跑这类实验一律在 Docker 容器或虚拟机里进行坏了就重建成本可忽略安全上却稳得多。第二要给命令执行加超时。真实终端里有些命令会无限期等待输入模型如果卡在交互式命令里整个会话就死住了。第三文件权限和路径注意项要提前说清楚模型经常默认用相对路径一旦工作目录变复杂就容易跑歪。这些看起来都是细节但在 Agent 落地时都是致命问题。模型本身能跑通复杂的任务链路但如果执行环境里没有超时、权限收敛、危险命令拦截这些安全机制生产环境是不敢放它上去的。4. 评测数字背后的拆解与我的实测对照4.1 90.8% 终端得分评测的维度构成终端任务的评测不会是单一指标而是一个复合体系。我推测大致包括任务完成率、步骤成功率、错误恢复率、环境适应能力四个维度。任务完成率就是整条链路最终跑通的比例步骤成功率是链路里每一步完成的精准度错误恢复率考察的是模型遇到报错后能否自行修复环境适应能力则是看模型能否在不同的操作系统、不同的包管理器、不同的预装软件条件下完成任务。四个维度里错误恢复率是最能拉开差距的。因为只要任务链路足够长几乎必然会出错——可能某个包版本不兼容可能端口被占用可能 Python 版本不对。遇到这些意外的处理方式才真正区分模型的“死磕能力”。有的模型一遇报错就停下来求助有的模型会换个思路继续前进显然 90.8% 这个水平说明它在“遇事不慌”这个维度上做得相当到位。4.2 代码跑通率翻倍的内在逻辑代码跑通率这个指标过去主要是靠“生成代码的容错性”撑起来的。以前的模型喜欢生成理想化的、假设环境完美的代码import 一个库就认为这个库存在读取一个文件就认为这个文件在根本没有意识到真实环境里的各种约束。跑通率翻倍说明模型开始利用更长的上下文来感知环境生成时会结合实际目录、实际依赖、实际版本来调整写法。一个很直观的例子是 Python 虚拟环境。以前模型生成安装依赖的命令经常是裸pip install完全不在意当前有没有激活虚拟环境。但在带终端能力的版本里它会先执行which python或pip -V检查当前解释器路径判断是否在虚拟环境里再决定下一步操作。这种“先检查环境再动手”的思维方式就是跑通率能大幅提升的核心原因。4.3 常见任务类型的跑通率表现我自己整理了一张实际测试过的任务类型对比表列出几种典型终端任务的表现情况和原因分析供大家参考后续评测时对照任务类型实测表现关键原因初始化项目并安装依赖非常稳定环境检查逻辑强能先识别语言栈再安装运行测试并修复失败用例稳定能读测试日志定位断言失败位置启动服务并验证端口中等偏上偶尔忘记健康检查需要提示词约束处理依赖版本冲突中等能定位冲突包但修复策略偶尔激进处理隐藏配置错误偏弱对隐式配置的感知仍有局限这个表只是我个人的抽样结果不代表官方评测但能说明一个趋势模型在“看得见”的错误上表现已经很稳比如命令报错、文件缺失、端口占用但在“看不见”的错误上还有提升空间比如某个服务配置了环境变量才生效或者某个依赖需要特定编译参数。4.4 一个真实案例的记录随便分享一个我印象很深的实测过程。任务是“把仓库里的历史测试全部跑通”。模型先检查了目录结构发现是一个 Node.js 项目接着读 package.json 里 scripts 字段看到 test 命令是jest --coverage。然后它执行 npm install中途有个依赖报 peer 冲突它没有直接忽略而是用npm install --legacy-peer-deps重新安装。测试跑起来后有两个用例挂了它打开对应测试文件和源码文件发现是某个 mock 函数签名变了于是修改了 mock 调用方式再次跑测全部通过。整个过程里最有价值的是“遇到 peer 冲突没有放弃”。这种依赖冲突在真实工程里极其常见解决方案也分好几层能自己判断用--legacy-peer-deps而不是简单问用户说明模型对软件工程生态是有理解深度的。这类体验以前很难想象现在确实已经能在终端里稳定复现了。5. 上手配置与工程化接入建议5.1 终端能力的接入方式选型要真正把这波能力用起来接入方式很关键。目前看下来主要有三种路径。第一种是直接用官方命令行工具或自带交互界面的方式好处是零配置上手适合先体验。第二种是接入 API自己封装执行器好处是可控性强能完全定制安全策略适合对稳定性有要求的工程场景。第三种是接入现有 IDE 或终端插件生态里利用社区能力快速获得可视化界面适合日常开发辅助。我自己的建议是先花一天时间用自带工具跑几个典型任务把能力边界摸清楚再用 API 自建一个小的执行沙箱把安全机制加上最后再考虑是否嵌入到团队日常工具链里。直接在生产环境上大范围推广风险太大先把实验环境的反馈跑一轮会更稳妥。5.2 最小可用的工程化配置清单如果你打算自建执行环境有几个配置项是必须做好的。一是运行环境的隔离策略优先用容器或虚拟机哪怕只是一个临时目录加 env 隔离也行。二是命令执行白名单把常见的构建、测试、部署命令放行把危险系统操作拦截。三是超时和资源限制单条命令和整轮任务都要设超时防止模型陷入死循环。四是日志全量记录模型执行过的每一条命令、每一条输出都要留痕出问题时才能回溯。这四项配置看起来不复杂但每一项背后都有真实的失败教训。比如没有日志记录时模型执行了一堆操作然后告诉你“失败了”你完全不知道它干了什么排查起来非常痛苦。加上全量日志后至少能清楚地看到它是怎么一步步走到失败状态的问题定位效率提高好几倍。5.3 与现有开发工作流的融合方式实际落地时不用一上来就把所有工作都交给模型。我习惯的做法是拆分任务粒度把那种重复性强、链路明确的任务比如“统一安装依赖并导出版本清单”“批量检查代码风格并修复”“跑完测试并把失败用例整理成报告”交给模型执行把需要业务判断、方案决策的任务比如“这个重构怎么拆”“这段逻辑怎么设计”留给人来做。这样人机各司其职反而比“全能助手”的定位更高效。另外一个经验是给模型固定的项目模板能显著提升体验。把项目结构、依赖管理方式、测试框架、代码规范写进系统提示词里模型的行为就会稳定很多。就像一个新入职的程序员入职培训做得越细致干活就越靠谱。只丢一句话“帮我弄一下”哪怕再强的模型也会迷失方向。5.4 单测、持续集成里的特殊价值终端能力还有一个容易被忽视的价值点在持续集成流程里做“自动修复者”。持续集成跑挂了以前要么花很长时间人工看日志要么直接重新跑一次碰运气。如果模型能接入持续集成环境里在构建失败时自动拉取错误日志、定位问题、生成修复补丁再验证一次整个持续集成流程的稳定性会产生质的飞跃。我现在已经把这个思路用在个人项目里了日常提交代码后如果流水线挂了模型会自动打开日志分析是测试波动还是代码问题。如果是代码问题它会给出修改建议甚至直接提补丁我只需要 review 一下不用再从头到尾翻日志。这套模式跑顺之后整个迭代速度明显加快。当然这不是终端能力本身直接提供的而是叠加在终端执行之上的工程化收益。6. 常见问题与排查实录6.1 终端进程启动失败或直接闪退这个问题我在配置环境的时候遇到过很多次尤其在 Windows 上。提示“终端进程启动失败启动期间发生本机异常无法启动 conpty”非常经典通常不是模型的问题而是终端后端本身没起来。排查思路是先检查终端模拟器配置看 conpty 开关是否正常再检查系统里有没有残留的终端配置缓存清掉后重启终端窗口基本能解决。顺便说一句如果在跨平台环境里调试模型的终端任务强烈建议优先用 Linux 容器或 WSL 环境命令行生态的一致性会比 Windows 原生环境好很多。模型在处理 POSIX 风格的命令时训练数据更充分踩坑概率会小很多。这不算歧视纯粹是训练语料分布的客观现实。6.2 解释器版本与终端版本不一致热词里有人搜“vs code 解释器与终端版本不一致的问题”这个在模型执行终端任务时同样会触发。现象是IDE 里选的是某个 Python 虚拟环境但模型在终端里跑python时的版本却是另一个。根因是终端没有激活同一个虚拟环境解释器路径对不上。解法就是让模型在动手前先把解释器路径确认清楚。可以在提示词里要求它至少执行一次which pythonWindows 上换成where python来确认当前解释器路径再和用户期望的版本对齐。这个检查和“先 pwd 确认目录”同样重要都是避免“在错误的环境里埋头苦干”的关键动作。6.3 命令执行到一半卡住不动模型执行任务时出现“卡住”大部分情况是遇上了交互式提示。比如 npm install 过程中问你是否继续安装某个依赖或者某个脚本等待键盘输入而模型没有收到输入通道就一直停在那里。解决方式是执行环境中关闭交互式提示统一用非交互参数能极大减少这类卡顿。npm 需要--yesapt 需要-y通用一点的做法是提前声明“所有命令都必须使用非交互模式”。还有一些卡住属于资源等待。比如测试启动后等待某个服务响应而服务因为配置问题一直没起来模型就会误以为还在正常运行中。这种时候超时机制就特别重要宁可把超时设短一点紧急中断也不要让它无限等下去。从代价角度看中断重试的成本远低于死等。6.4 常见问题速查表现象常见原因处理方法终端进程启动失败终端后端或 conpty 异常清理终端配置缓存重启终端解释器版本不一致虚拟环境未激活先执行 which python 确认路径命令执行一半卡死遇到交互式提示统一加非交互参数依赖安装报 peer 冲突依赖版本不兼容使用 legacy-peer-deps 或锁版本服务启动但访问失败端口或绑定地址错误curl 验证端口检查绑定地址日志太多看不清输出无筛选让模型先 grep 关键错误级别这套速查表是我在跑终端任务时反复遇到的真实问题整理出来就是希望大家别在同样的坑里浪费时间。大部分问题其实不是模型能力不足而是执行环境和交互设置没调对改完之后整体成功率会明显上一个台阶。6.5 我踩过的一个比较深的坑最后说一个让我印象很深的失败案例。有一次我让模型优化一批历史 SQL 脚本它非常认真地处理了每个文件最后报告“全部完成”。但我复核时发现有几个脚本的编码被它从 UTF-8 转成了系统默认编码导致读取时中文注释乱码。原因大概是执行环境里的locale设置不是 UTF-8模型按照系统默认值处理了文件编码。从那以后我在环境配置里强制固定LANGC.UTF-8和PYTHONUTF81并要求模型在修改文本文件前先检查文件编码修改后做一次读取验证。这类问题非常隐蔽不实际跑一遍根本发现不了也算是一个只有实操经验才能带来的教训吧。彩蛋放在最后送一个小技巧让模型接手终端前先让它执行一遍我下面这个环境快照命令把当前的目录结构、解释器版本、依赖状态、端口监听情况一次性地喂进去。信息越完整模型跑通的概率越高。echo PWD pwd \ echo FILES ls -la \ echo PYTHON (python --version 21 || python3 --version 21) \ echo NODE (node --version 21 || echo no node) \ echo GIT (git status --short 21 || echo not a git repo) \ echo LISTEN PORTS (netstat -tulpn 2/dev/null || ss -tulpn 2/dev/null || echo no netstat/ss)这个命令会把最重要的一组环境信息一次性打印出来把这些输出粘贴到提示词里模型就有了一张家底清单。它不会再靠猜去判断有哪些文件、用什么语言、有没有冲突端口。我在实际使用中发现只多这一步终端任务的首次跑通率就高了不少。大家如果在自己环境里试出来不一样的结果也欢迎按自己的项目情况继续加料调整。 终端任务得分90.8%，AI模型从“写代码”到“跑通代码”的进化
昨晚看到更新消息的时候开发者群里的第一反应都是版本号是认真的吗从 2.x 直接跳到 3.8谁看了都得愣一下。但吵完版本号之后大家很快就把注意力放到了真正值得聊的两个数字上——90.8% 的终端任务得分以及几乎翻倍的代码跑通率。这两个指标放在一起说明这次不是挤牙膏式的常规升级而是实打实地往“让模型自己把活儿干完”的方向死磕了一把。我自己长期在业务一线写代码、调服务、修环境问题对这种“终端场景”的更新尤其敏感。过去用模型写代码最常见的情况是代码片段给得挺漂亮一粘进终端就开始报错要么缺依赖要么路径不对要么版本不兼容最后还是得自己手动收拾残局。如果这次终端跑通率真能做到接近九成那工作流会有本质变化——模型不再只是“写代码的助手”而是能直接上手操作终端、自己跑命令、自己看报错、自己修问题的执行者。这篇不聊版本号八卦直接拆这个版本到底死磕了什么、终端能力怎么用、评测数据怎么读以及我实测中踩到的一些坑。1. 这次更新到底在“死磕”什么1.1 版本号不重要重要的是侧重点变了先把这个“3.8”的争议说清楚。版本号这个东西在大模型圈子里经常是营销策略的一部分有时候跳过几个小版本、直接给一个跨版本号是为了强调“变化足够大”。纠结它到底是 3.8 还是 3.5 还是别的什么对实际使用没有任何帮助。我更愿意把“3.8”理解成这次迭代的产品代号核心不是数字而是更新里透露出来的方向选择。方向选的是终端。这次更新的核心主题词就两个终端终端任务执行和代码跑通率。终端任务得分 90.8%意味着在评测环境里给模型一个需要用命令行完成的任务它有九成以上的概率能从头到尾跑通代码跑通率翻倍则意味着模型生成代码后直接执行的通过率相比上一代有了明显提升。这两点叠加在一起指向的是同一个方向从“会写代码”到“能把代码跑起来”。这个方向本身就是一个里程碑。因为“写代码”和“跑通代码”之间的鸿沟所有写过代码的人都懂。代码语法没问题不等于能运行能运行不等于业务逻辑正确业务逻辑正确不等于在当前环境下能部署成功。终端是这个链条里最真实、最无情的验收场模型能不能在终端里站住脚直接决定了它在实际工程中的价值上限。1.2 90.8% 终端得分应该怎么理解90.8% 这个分数我的理解是它来自一组复合评测而不是单纯的一句话“回答得对不对”。所谓终端任务指的是模型需要在真实的命令行环境里按照用户指令完成一个多步骤操作。比如初始化一个项目、安装指定依赖、跑通测试、分析报错日志、修复问题后再次执行。这类任务和传统的“给一道算法题返回一段代码”完全不同。传统代码评测看的是“结果代码质量”终端任务评测看的是“整条执行链路”。链路里任何一环断了任务都算失败。这就像考试里给你一张综合卷不是让你写解题思路而是让你在真实的设备上把实验做完——中间有一个步骤出错就得返工机器不会因为“思路正确”就给你分。所以 90.8% 这种得分含金量比普通的代码生成分数要高得多它代表的是模型在真实运行环境中的完成能力。代码跑通率翻倍也很好理解。以前的模型生成代码经常出现“纸上谈兵”式输出函数写得完整、注释到位但你拿过来一跑立刻遇到缺包、缺文件、路径错误、版本冲突。跑通率翻倍意味着模型在生成代码时开始更多考虑环境上下文知道当前目录下有哪些文件、依赖装没装、Python 和 Node 的版本是多少然后基于这些真实信息去生成能直接运行的代码。这种“贴合环境”的能力比单纯增加参数量更有实战价值。1.3 谁最应该关注这次更新我身边大概有三类人最适合跟进这波更新。第一类是自己写业务代码、每天要和各种服务环境打交道的人模型能在终端里独立执行任务后日常的“装环境、跑测试、看日志”环节能省下大量时间。第二类是做 AI Agent、自动化脚本、工作流编排的人终端能力是 Agent 落地的关键底座模型终端执行越稳定Agent 能处理的任务就越复杂。第三类是运维和 DevOps 方向的工程师终端里大量命令操作天然适合交给模型辅助前提是它真的能跑对。当然如果你只是偶尔用用 AI 写点小片段对终端没兴趣那这次更新对你的感受可能不会太强烈。因为这次进步的核心不在“对话变聪明”上而在“执行变可靠”上。这也正好是它比较特殊的地方——它选择了一条更难的路不是比谁更会聊而是比谁更能干活。2. 为什么说终端是 AI 落地的关键战场2.1 终端才是开发者的真实主场现在的代码开发早就不是编辑器里敲完就结束的事了。从一个需求到上线中间要经过环境配置、依赖管理、构建编译、测试运行、日志排查、服务部署这些环节里的绝大多数操作都是在终端里完成的。IDE 固然强大但 IDE 背后的构建和运行逻辑也是调用终端工具链实现的。可以说终端是开发全流程的枢纽。以前模型的输出基本集中在“代码编辑器”这个环节你贴一个需求它给你一段代码然后你自己复制到项目里自己到终端里跑跑出来问题再手动回来改。这个过程模型是不参与的它只负责“前半段”的思考后半段的执行依然是你来扛。终端能力补齐之后模型从“只出脑力”变成“脑力执行力”它能自己打开终端、输入命令、观察输出、修正错误、再次执行直到任务完成。这个转变的重要性类比一下就懂了。以前的模型是一个顾问给你建议但活儿得你自己干终端能力强化后的模型更像一个实习工程师你给它布置任务它自己查资料、动工具、处理报错最后把结果汇报给你。同样是解决一个问题前者降低了“思考门槛”后者直接解放了“执行时间”。2.2 为什么终端任务的跑通比代码生成难得多要做实现在终端里自主执行难点不只是“理解命令语法”。真实的终端环境是混乱的、有状态的、充满不确定性的。每一次操作都会改变环境状态装了一个包全局依赖就变了改了一个配置文件服务行为就变了创建了一个文件目录结构就变了。模型需要在这种动态变化的环境里做决策每执行一步都要观察结果再决定下一步干什么。这和生成代码有本质差异。生成代码是单一出口的静态任务输入自然语言输出代码文本终端任务是闭环的动态任务模型要在一个看不见的环境沙盘里反复试错。举个具体例子用户说“把我这个项目跑起来”模型首先要看目录结构判断这是什么语言的项目找到入口文件然后检查依赖是否安装没装就装再执行启动命令如果端口被占用还要换端口或杀进程启动成功后还要确认服务是否真的可访问。这中间任何一个环节都需要结合命令行输出做判断相当于在迷宫里没地图地走每一步都得看路标。所以 90.8% 这个数字背后真实反映的是模型的“反馈处理能力”看到报错能不能读懂读懂后能不能定位到原因定位后能不能选择合适的修复命令修复后能不能确认问题解决。这套能力链路远比“回答一个编程问题”要复杂得多。2.3 它会改变周边工具链的玩法终端这个口子打开之后受影响最大的不是模型本身而是周边的一整套工具链。像 Tabby、VS Code 内置终端、Windows Terminal 这些常用的终端软件都在争着变成 AI Agent 的执行界面。其实热词里很多人搜“tabby终端工具”“vscode终端”“claude code如何直接执行终端命令”本质上就是在找“怎么让模型跑进我的终端里”的路径。以后终端的定位可能不再只是输入输出框而是变成人与 Agent 的交互界面。这种变化有点像命令行从“手动挡”到“自动挡”的演进。以前每个命令行工具都是需要人手动调用的现在模型可以作为中间层理解用户意图后自动调用合适的工具再把结果整理成人类能看懂的反馈。工具之间的配合、命令之间的逻辑、异常的跳过与重试这些原本靠经验积累的操作正在被模型逐步消化。连带着测试、部署、日志分析这些环节都可能因为终端 Agent 的成熟而出现新一轮自动化机会。3. 在终端里实操我是怎么让模型把任务跑完的3.1 设计一个真正完整的终端任务评测数据都是别人的自己上手跑一遍才是真的。以实际任务来说我挑了一个非常典型的多步骤场景在一个空目录里从零初始化一个 Python 项目装依赖写一个简单的 HTTP 服务跑通测试最后启动服务验证接口。这个任务基本覆盖了终端操作的常见类型——目录操作、包管理、代码生成、进程管理、端口验证。任务设计的原则是“闭环”不能只让模型做一步而要让模型把一个完整需求从头跟到尾。因为实际的工程任务往往就是这种复合型的。如果模型只会装依赖不会启服务只会写代码不会修报错那在真实场景里意义就不大。复合任务的难度也更高模型在中间任何一步失败后续都无法继续评测的分辨率也主要来自这种设计。3.2 给模型的提示词和上下文约束实操第一步是先把上下文喂清楚。我推荐的做法是在给模型下命令前先让它自动执行一个环境信息收集命令比如 pwd、ls、python --version、node --version、pip list 等等把当前目录结构、语言版本、已安装依赖全部作为上下文传给模型。这样它后面做决策时就有真实的“环境感知”而不是凭空猜。我的提示词模板大概是这样任务目标在这个目录里完成一个 Python HTTP 服务的初始化、实现与验证。 执行要求 1. 每执行一条命令前先说明你的理由和预期结果 2. 执行后必须读取命令输出根据输出决定下一步 3. 如果报错先分析错误类型再决定是修复环境还是修改代码 4. 最终以 curl 请求的方式验证服务可访问并打印访问结果。 请逐步执行只有拿到最终成功的结果才算完成任务。这个提示词的核心是强制模型进入“循环反馈模式”。不是让它一次性给出一堆操作而是要求它“执行一步 → 观察结果 → 调整下一步”。很多终端任务跑不通不是因为模型不会写某条命令而是因为它没有等结果就盲目往下走一步错步步错。3.3 跑通链路里的关键检查点实际跑下来模型的工作流基本可以拆成几个关键检查点。第一个是“项目识别”模型会先读目录判断这是什么类型的项目。第二个是“依赖确认”它会检查是不是已经装了 requirements.txt 里的包或者 package.json 里的依赖。第三个是“服务启动后的健康检查”这个尤其重要——很多模型新手会犯的毛病是服务进程一启动就觉得任务做完了根本不去确认端口是否真的有响应。我在验证模型能力时会特别要求它必须使用 curl 或浏览器方式访问实际接口拿到 HTTP 状态码才算完成。这一步能筛掉大量“假成功”。有一次我让它启动一个 Flask 服务它执行完 python app.py 就直接报告成功但实际端口根本没监听。后来加上强制健康检查后它才会去用 curl 验证发现失败后回到代码里排查结果发现是代码中绑定的 host 写错了。这个案例让我确信终端任务评测拼的真的不是单点能力而是“闭环意识”。3.4 实操中的几个硬性注意事项第一绝对不要在非隔离环境里让模型执行破坏性命令。像rm -rf、git reset --hard、强制覆盖文件这种即便模型判断该做你也应该在配置层面禁止或二次确认。我自己的习惯是跑这类实验一律在 Docker 容器或虚拟机里进行坏了就重建成本可忽略安全上却稳得多。第二要给命令执行加超时。真实终端里有些命令会无限期等待输入模型如果卡在交互式命令里整个会话就死住了。第三文件权限和路径注意项要提前说清楚模型经常默认用相对路径一旦工作目录变复杂就容易跑歪。这些看起来都是细节但在 Agent 落地时都是致命问题。模型本身能跑通复杂的任务链路但如果执行环境里没有超时、权限收敛、危险命令拦截这些安全机制生产环境是不敢放它上去的。4. 评测数字背后的拆解与我的实测对照4.1 90.8% 终端得分评测的维度构成终端任务的评测不会是单一指标而是一个复合体系。我推测大致包括任务完成率、步骤成功率、错误恢复率、环境适应能力四个维度。任务完成率就是整条链路最终跑通的比例步骤成功率是链路里每一步完成的精准度错误恢复率考察的是模型遇到报错后能否自行修复环境适应能力则是看模型能否在不同的操作系统、不同的包管理器、不同的预装软件条件下完成任务。四个维度里错误恢复率是最能拉开差距的。因为只要任务链路足够长几乎必然会出错——可能某个包版本不兼容可能端口被占用可能 Python 版本不对。遇到这些意外的处理方式才真正区分模型的“死磕能力”。有的模型一遇报错就停下来求助有的模型会换个思路继续前进显然 90.8% 这个水平说明它在“遇事不慌”这个维度上做得相当到位。4.2 代码跑通率翻倍的内在逻辑代码跑通率这个指标过去主要是靠“生成代码的容错性”撑起来的。以前的模型喜欢生成理想化的、假设环境完美的代码import 一个库就认为这个库存在读取一个文件就认为这个文件在根本没有意识到真实环境里的各种约束。跑通率翻倍说明模型开始利用更长的上下文来感知环境生成时会结合实际目录、实际依赖、实际版本来调整写法。一个很直观的例子是 Python 虚拟环境。以前模型生成安装依赖的命令经常是裸pip install完全不在意当前有没有激活虚拟环境。但在带终端能力的版本里它会先执行which python或pip -V检查当前解释器路径判断是否在虚拟环境里再决定下一步操作。这种“先检查环境再动手”的思维方式就是跑通率能大幅提升的核心原因。4.3 常见任务类型的跑通率表现我自己整理了一张实际测试过的任务类型对比表列出几种典型终端任务的表现情况和原因分析供大家参考后续评测时对照任务类型实测表现关键原因初始化项目并安装依赖非常稳定环境检查逻辑强能先识别语言栈再安装运行测试并修复失败用例稳定能读测试日志定位断言失败位置启动服务并验证端口中等偏上偶尔忘记健康检查需要提示词约束处理依赖版本冲突中等能定位冲突包但修复策略偶尔激进处理隐藏配置错误偏弱对隐式配置的感知仍有局限这个表只是我个人的抽样结果不代表官方评测但能说明一个趋势模型在“看得见”的错误上表现已经很稳比如命令报错、文件缺失、端口占用但在“看不见”的错误上还有提升空间比如某个服务配置了环境变量才生效或者某个依赖需要特定编译参数。4.4 一个真实案例的记录随便分享一个我印象很深的实测过程。任务是“把仓库里的历史测试全部跑通”。模型先检查了目录结构发现是一个 Node.js 项目接着读 package.json 里 scripts 字段看到 test 命令是jest --coverage。然后它执行 npm install中途有个依赖报 peer 冲突它没有直接忽略而是用npm install --legacy-peer-deps重新安装。测试跑起来后有两个用例挂了它打开对应测试文件和源码文件发现是某个 mock 函数签名变了于是修改了 mock 调用方式再次跑测全部通过。整个过程里最有价值的是“遇到 peer 冲突没有放弃”。这种依赖冲突在真实工程里极其常见解决方案也分好几层能自己判断用--legacy-peer-deps而不是简单问用户说明模型对软件工程生态是有理解深度的。这类体验以前很难想象现在确实已经能在终端里稳定复现了。5. 上手配置与工程化接入建议5.1 终端能力的接入方式选型要真正把这波能力用起来接入方式很关键。目前看下来主要有三种路径。第一种是直接用官方命令行工具或自带交互界面的方式好处是零配置上手适合先体验。第二种是接入 API自己封装执行器好处是可控性强能完全定制安全策略适合对稳定性有要求的工程场景。第三种是接入现有 IDE 或终端插件生态里利用社区能力快速获得可视化界面适合日常开发辅助。我自己的建议是先花一天时间用自带工具跑几个典型任务把能力边界摸清楚再用 API 自建一个小的执行沙箱把安全机制加上最后再考虑是否嵌入到团队日常工具链里。直接在生产环境上大范围推广风险太大先把实验环境的反馈跑一轮会更稳妥。5.2 最小可用的工程化配置清单如果你打算自建执行环境有几个配置项是必须做好的。一是运行环境的隔离策略优先用容器或虚拟机哪怕只是一个临时目录加 env 隔离也行。二是命令执行白名单把常见的构建、测试、部署命令放行把危险系统操作拦截。三是超时和资源限制单条命令和整轮任务都要设超时防止模型陷入死循环。四是日志全量记录模型执行过的每一条命令、每一条输出都要留痕出问题时才能回溯。这四项配置看起来不复杂但每一项背后都有真实的失败教训。比如没有日志记录时模型执行了一堆操作然后告诉你“失败了”你完全不知道它干了什么排查起来非常痛苦。加上全量日志后至少能清楚地看到它是怎么一步步走到失败状态的问题定位效率提高好几倍。5.3 与现有开发工作流的融合方式实际落地时不用一上来就把所有工作都交给模型。我习惯的做法是拆分任务粒度把那种重复性强、链路明确的任务比如“统一安装依赖并导出版本清单”“批量检查代码风格并修复”“跑完测试并把失败用例整理成报告”交给模型执行把需要业务判断、方案决策的任务比如“这个重构怎么拆”“这段逻辑怎么设计”留给人来做。这样人机各司其职反而比“全能助手”的定位更高效。另外一个经验是给模型固定的项目模板能显著提升体验。把项目结构、依赖管理方式、测试框架、代码规范写进系统提示词里模型的行为就会稳定很多。就像一个新入职的程序员入职培训做得越细致干活就越靠谱。只丢一句话“帮我弄一下”哪怕再强的模型也会迷失方向。5.4 单测、持续集成里的特殊价值终端能力还有一个容易被忽视的价值点在持续集成流程里做“自动修复者”。持续集成跑挂了以前要么花很长时间人工看日志要么直接重新跑一次碰运气。如果模型能接入持续集成环境里在构建失败时自动拉取错误日志、定位问题、生成修复补丁再验证一次整个持续集成流程的稳定性会产生质的飞跃。我现在已经把这个思路用在个人项目里了日常提交代码后如果流水线挂了模型会自动打开日志分析是测试波动还是代码问题。如果是代码问题它会给出修改建议甚至直接提补丁我只需要 review 一下不用再从头到尾翻日志。这套模式跑顺之后整个迭代速度明显加快。当然这不是终端能力本身直接提供的而是叠加在终端执行之上的工程化收益。6. 常见问题与排查实录6.1 终端进程启动失败或直接闪退这个问题我在配置环境的时候遇到过很多次尤其在 Windows 上。提示“终端进程启动失败启动期间发生本机异常无法启动 conpty”非常经典通常不是模型的问题而是终端后端本身没起来。排查思路是先检查终端模拟器配置看 conpty 开关是否正常再检查系统里有没有残留的终端配置缓存清掉后重启终端窗口基本能解决。顺便说一句如果在跨平台环境里调试模型的终端任务强烈建议优先用 Linux 容器或 WSL 环境命令行生态的一致性会比 Windows 原生环境好很多。模型在处理 POSIX 风格的命令时训练数据更充分踩坑概率会小很多。这不算歧视纯粹是训练语料分布的客观现实。6.2 解释器版本与终端版本不一致热词里有人搜“vs code 解释器与终端版本不一致的问题”这个在模型执行终端任务时同样会触发。现象是IDE 里选的是某个 Python 虚拟环境但模型在终端里跑python时的版本却是另一个。根因是终端没有激活同一个虚拟环境解释器路径对不上。解法就是让模型在动手前先把解释器路径确认清楚。可以在提示词里要求它至少执行一次which pythonWindows 上换成where python来确认当前解释器路径再和用户期望的版本对齐。这个检查和“先 pwd 确认目录”同样重要都是避免“在错误的环境里埋头苦干”的关键动作。6.3 命令执行到一半卡住不动模型执行任务时出现“卡住”大部分情况是遇上了交互式提示。比如 npm install 过程中问你是否继续安装某个依赖或者某个脚本等待键盘输入而模型没有收到输入通道就一直停在那里。解决方式是执行环境中关闭交互式提示统一用非交互参数能极大减少这类卡顿。npm 需要--yesapt 需要-y通用一点的做法是提前声明“所有命令都必须使用非交互模式”。还有一些卡住属于资源等待。比如测试启动后等待某个服务响应而服务因为配置问题一直没起来模型就会误以为还在正常运行中。这种时候超时机制就特别重要宁可把超时设短一点紧急中断也不要让它无限等下去。从代价角度看中断重试的成本远低于死等。6.4 常见问题速查表现象常见原因处理方法终端进程启动失败终端后端或 conpty 异常清理终端配置缓存重启终端解释器版本不一致虚拟环境未激活先执行 which python 确认路径命令执行一半卡死遇到交互式提示统一加非交互参数依赖安装报 peer 冲突依赖版本不兼容使用 legacy-peer-deps 或锁版本服务启动但访问失败端口或绑定地址错误curl 验证端口检查绑定地址日志太多看不清输出无筛选让模型先 grep 关键错误级别这套速查表是我在跑终端任务时反复遇到的真实问题整理出来就是希望大家别在同样的坑里浪费时间。大部分问题其实不是模型能力不足而是执行环境和交互设置没调对改完之后整体成功率会明显上一个台阶。6.5 我踩过的一个比较深的坑最后说一个让我印象很深的失败案例。有一次我让模型优化一批历史 SQL 脚本它非常认真地处理了每个文件最后报告“全部完成”。但我复核时发现有几个脚本的编码被它从 UTF-8 转成了系统默认编码导致读取时中文注释乱码。原因大概是执行环境里的locale设置不是 UTF-8模型按照系统默认值处理了文件编码。从那以后我在环境配置里强制固定LANGC.UTF-8和PYTHONUTF81并要求模型在修改文本文件前先检查文件编码修改后做一次读取验证。这类问题非常隐蔽不实际跑一遍根本发现不了也算是一个只有实操经验才能带来的教训吧。彩蛋放在最后送一个小技巧让模型接手终端前先让它执行一遍我下面这个环境快照命令把当前的目录结构、解释器版本、依赖状态、端口监听情况一次性地喂进去。信息越完整模型跑通的概率越高。echo PWD pwd \ echo FILES ls -la \ echo PYTHON (python --version 21 || python3 --version 21) \ echo NODE (node --version 21 || echo no node) \ echo GIT (git status --short 21 || echo not a git repo) \ echo LISTEN PORTS (netstat -tulpn 2/dev/null || ss -tulpn 2/dev/null || echo no netstat/ss)这个命令会把最重要的一组环境信息一次性打印出来把这些输出粘贴到提示词里模型就有了一张家底清单。它不会再靠猜去判断有哪些文件、用什么语言、有没有冲突端口。我在实际使用中发现只多这一步终端任务的首次跑通率就高了不少。大家如果在自己环境里试出来不一样的结果也欢迎按自己的项目情况继续加料调整。