到2025年末，AI编程已经全面从辅助工具Copilot，转向以AI为主、人类监督的Agent时代。

如果只是写一段函数、修一个孤立的Bug，现在的顶尖模型几乎能给出满意的答案。

然而随着2026年初OpenClaw的兴起，Agent又开始从执行单一任务的会话，演进为长周期运行的系统。要想从能用、好用，到最终替代并超越人类，AI必须依照需求与环境，持续自主迭代一切与真实世界交互的软件接口。

然而，这一愿景落地的最大障碍，恰恰在于真实软件开发并非一次性的代码生成，而是一场关于时间与复杂度的持久博弈。代码库会随着需求变更不断膨胀，早期埋下的隐患也可能在数月后被放大为系统性风险。当开发跨越多个大版本，AI真的能在这种持续演进中保持可靠吗？

最近，USC邓港大、UCR陈炤伶、Stanford丛乐、Princeton王梦迪、Haven唐相儒、OpenHands王星尧等联合发布了全新的重磅评估基准EvoClaw。研究团队从开源项目中提取真实的代码演进历史，并将其重构为里程碑任务依赖图（Milestone DAG）。它将零散的提交聚合为功能内聚的里程碑，并严格保留了任务间的代码时序依赖。

基于这一全新基准，研究发现，一旦脱离“单点修复”，进入“持续演进”的真实开发场景，AI的表现就会出现断崖式下跌（从得分>80%到最高不到40%）。这意味着AI距离真正胜任长期、连续、自主的软件演进工作，仍有明显差距。

EvoClaw各模型框架综合性能（y轴）与推理开销（x轴）总览

编程评测2.0：从单点修复到持续演进

为什么现有的AI编程评测（如SWE-bench）往往会高估Coding Agent的真实能力？

过去几年，编程benchmark的重点大多放在“独立任务”上：修一个issue、完成一个大PR，然后在一个相对静态的代码快照里验证结果。这种评测方式当然有价值，但它天然会弱化一个关键的问题：软件工程从来不是独立任务的集合，而是一个持续演进的过程。前面的实现选择，会约束后面的开发空间；早期留下的小问题，也可能在后续版本里不断放大。

论文指出，现有评测普遍忽略了软件演进的时间维度，经常导致很多AI刷榜分数都虚高，但真正上手开发时，立刻原形毕露，差距一下就被拉开。

EvoClaw在评测设计上做出了一个关键调整：它要求AI必须在同一个代码库中连续执行多个相互依赖的任务。除了外部提供任务需求，其余的一切开发维护都由AI自主完成。这种“开发环境持久化”的设计，直接揭示了AI在连续自主迭代场景下的脆弱性。

独立任务（例如SWE-bench）与持续演进（EvoClaw）的评测范式对比

DeepCommit：用Agent重建软件演进的“里程碑”

一个很重要的问题是，如何从现有的软件项目中提取出演进历史？研究团队没有直接使用现成的commit、release粒度来切分任务，而是提出了里程碑（milestone）这一层级。

原因很简单：单个commit往往太碎，包含大量琐碎修改，难以代表一个完整的开发目标；而release又太粗，会把大量中间依赖和演进路径压缩掉。

Commit、Release、Milestone三种粒度对比，Milestone在语义完整性与依赖保留之间取得平衡

milestone则被定义为“语义上完整、同时保留演进依赖关系的功能单元”，更适合作为评估AI代码演进能力强弱的任务粒度。

围绕这个思路，论文进一步提出了DeepCommit，一个Agent驱动的自动化流水线，把原本噪声很大的git历史重构成可验证的Milestone DAG。

第一阶段：静态分析与去噪（Preprocessing）

首先过滤掉与核心功能无关的修改（如文档、CI/CD配置等），并通过静态分析提取出代码行级别和符号级别的commit间依赖关系，为后续的图构建打下基础。

第二阶段：Agent驱动的DAG构建（DAG Construction）

大模型Agent充当“架构师”，通过四个子步骤来重构历史：首先寻找具有开创性的“种子”提交；然后将语义相关的提交聚拢并合并为一个完整的Milestone；接着推理出它们之间的依赖关系；最后动态拆分过大的Milestone以保证颗粒度均匀。

DeepCommit流水线架构图，展示如何从原始提交中提取Milestone DAG

第三阶段：基于Agent的运行环境解析与验证（Runtime Resolution）

纸上谈兵的图谱没有意义，真正的难点在于如何让重构后的演进历史在真实环境中跑通。

由于新的Milestone DAG打乱了原本Git时间线，当按照新拓扑顺序重新应用Commit时，容易遭遇接口不匹配、编译大面积报错的惨状。如果简单粗暴地跳过报错模块，又会导致测试用例收集率暴跌，失去评测价值。

为此，研究团队设计了一套“迭代式修复循环”。面对编译失败，Agent会主动分析报错日志，动态修改Dockerfile确保可执行；更关键的是，它会顺藤摸瓜地在原有Milestone DAG的基础上补充原本遗漏的隐式依赖，通过调整Milestone的先后制约关系来彻底解决接口冲突。

通过不断迭代修复，最终确保能收集到至少85%的原有测试用例，为评估提供充足的测试基础。

scikit-learn仓库1.5.2 → 1.6.0 release区间的DeepCommit Milestone DAG示例

值得一提的是，论文作者还对比了DeepCommit自动生成的演进图与人类专家手动标注的演进图。结果非常有趣：人类专家倾向于按照“战略意图（如重构、兼容性）”进行自上而下的语义划分；而DeepCommit则展现出了截然不同的底层逻辑——它完全基于代码层面的真实依赖关系，以自下而上的拓扑思维重组了软件演进的骨架。

这套严苛的自动化流水线，成功保证了最终筛选的所有Milestone任务都是100%标注出前置依赖且真实可执行的。

EvoClaw：把“持续演进”真正纳入评测

为了确保评测需求明确，作者利用Agent基于正确代码（Gold Patch）为每一个Milestone逆向生成了软件需求规格说明书（SRS），并严格对齐验收测试。随后由人类专家逐一校验，确保未泄露实现细节，且任务绝对可解，同时剔除了所有不稳定的测试用例。

最终得到的EvoClaw覆盖5种主流编程语言，每个项目均选取横跨多个release区间的真实开发周期（最长750天）。同时整体开销也控制在合理范围内，以Claude Opus 4.5为例，完整运行一次数据集的成本约为500美元。

EvoClaw数据集概览

因此，EvoClaw没有简单粗暴地只看单一的通过率，而是额外加入两个核心维度来评估Agent表现：

Recall（召回率）：衡量功能实现的完备性。即在目标任务要求的变更中，Agent到底搞定了多少。

Precision（精确率）：衡量修改行为的可靠性，量化Agent在“实现新功能”的同时“破坏了多少旧代码”

最后，评测将这两个指标通过F1加权平均为综合得分Scorem，作为每个milestone的分数。

持续演进场景下，模型表现显著下滑

EvoClaw主要实验结果

论文测试了Claude Code、OpenHands等多种框架与模型组合。当任务是独立评测时，顶尖模型的得分普遍在80%~90%。然而，一旦进入EvoClaw的“持续演进”模式：

综合得分（Score）：最高分（Claude Opus 4.6）仅为38.03%。

完整解决率（Resolve Rate）：最高仅有13.37%（Gemini 3 Pro），而且模型能正确实现的，绝大部分都只是那些没有前置依赖的任务。

各软件项目得分对比，连续评测（Continuous，条形图）vs.独立评测（Independent，散点图）

GPT-5.3-codex以28.88%的综合得分位居第二，仅次于Claude Opus 4.6，但开销不到后者的三分之一。不过，分仓库来看，5.3-codex在Rust项目（Nushell、ripgrep）上表现较弱，拖了后腿，在其余仓库上则能接近甚至超过Opus 4.6。

不可避免的演进停滞：Recall持续增长，但Precision很快饱和

用饱和函数拟合各模型的演进动态。左：外推各模型在无限开发窗口下的性能上界；右两图：连续评测下得分趋于饱和，而独立评测得分仍随任务数量线性提升。

面对连续评测中分数的断崖式下跌，我们不得不直面一个核心问题：如果在真实的业务场景里，给大模型无限的迭代窗口，它最终能把项目100%搞定吗？

论文给出了否定的答案：无论迭代多少次，所有模型的表现最终都会撞上天花板，陷入实质性的演进停滞。任务的执行顺序越靠后、所处的DAG层级越深，分数和解决率就越低。

研究团队基于饱和函数进行的外推显示，即便是表现最优的Opus 4.6，其累计分数也会被卡死在45%左右的渐近线上限无法突破。

从演进曲线来看，Gemini 3.1 Pro起步最快，但很快遭遇瓶颈；GPT-5.3-codex则凭借最佳的“留存率”后来居上，展现出更佳的长尾表现；而Claude系列表现最为稳健，其连续演进能力随着版本迭代稳固提升。

Recall（实线）持续增长，Precision（虚线）很快饱和

为了分析背后原理，论文将综合得分拆分回两个指标：Recall（召回率，代表新功能实现的完备度）与Precision（精度，代表对现有系统稳定性的保持）。

令人意外的是，前沿模型的Recall曲线保持着近乎线性的健康增长。这意味着哪怕代码库在经历多次迭代后变得脏乱，面对新下达的需求，模型仍然能一样准确的生成对应功能的代码，其基础编程能力没有衰退。

相较而言，所有模型在维持系统稳定性上还有较大缺陷，Precision曲线容易快速饱和，是导致停滞的元凶。

错误链分析：技术债是如何“滚雪球”的？

为了深入理解模型为什么会在迭代中失控，论文提出了一个核心洞察：错误链（Error Chains）的累积效应。

（左图)）错误链示意图，（右图）错误链分布

“错误链”的分析方法，就是跟踪一个测试从首次出错开始，到后续milestone中观察错误是被继承、扩散、跳过还是修复。

结果显示，随着项目进展，新问题的产生速度不会加快，而且模型还会实质性的被动修复历史错误。

然而，前置错误的累积速度，远远超过了它的修复速度，最终陷入了一场“技术债破产”。

Agent的行为模式

Agent effort投入的随进展变化趋势

从交互次数（effort）分配的时序规律来看，所有模型均呈现相似趋势：

• 项目初期需要花较多精力熟悉代码库，建立整体认知；
• 前中期因能复用已有上下文，效率反而最高；
• 进入中后期，错误积累带来大量调试负担，投入骤升；
• 而临近项目收尾时， 行为开始明显分化，变得极端 ——部分Agent陷入疯狂thrash，另一些则提前放弃。

其中，GPT-5.3-Codex在项目演进中的effort分配最为稳定。

总结：AI编程下半场，从“代码生成”到“系统治理”

EvoClaw的发布提醒我们，写出代码只是起点，能在长周期的系统演进中严格遵循需求，并维持整体稳定，才是真正踏入软件工程的门槛。

目前，前沿模型的核心局限在于：它们更接近一个按需生成代码的会话工具，而非人们所期望的、对项目全貌了然于胸的资深工程师。它们按顺序执行任务、只关注眼前需求、只会被动打补丁，缺乏全局统筹与历史上下文的贯通，更害怕主动发起重构来偿还技术债。

此外，各家模型在这一关键领域，分化已经十分明显。GPT和Claude系列在版本迭代中，持续演进能力稳步提升；而Gemini 3 Flash → 3 Pro → 3.1 Pro却陷入了单点能力不断攀升、持续演进却未见长进的窘境。国产模型方面，尽管在现有独立评测的编程榜单上已接近Opus 4.6的水平，但在EvoClaw的连续演进评测中，与上一代Opus 4.5相比仍有明显差距，仍需加强补齐”系统治理”这块短板。

这些发现也指向了未来突破的关键方向：主动重构、全局规划、长期记忆——唯有让Agent从被动的代码生成器进化为具备大局观的资深工程师，AI编程的下半场才真正开始。

论文标题：

EvoClaw: Evaluating AI Agents on Continuous Software Evolution

论文链接：

https://arxiv.org/pdf/2603.13428

项目主页：

evo-claw.com

代码链接：

https://github.com/Hydrapse/EvoClaw