騰訊發布 WorkBuddy Bench：抗汙染的編碼代理多領域評測套件
為何重要
WorkBuddy Bench 以抗汙染與真實情境重構的建構方法，指出了當前編碼代理評測體系的重大缺陷，為產業提供了一個更高可信度的標準。它不僅測試生成程式碼的能力，更試圖驗證代理在辦公與安全等非純技術場景下的實用價值。這意味著未來開發者與投資人將更重視代理模型在「上下文感知」與「實際業務流程整合」上的表現，而非單純的程式碼生成輸出。
騰訊推出了 WorkBuddy Bench，這是一個專為編碼代理設計的多領域評估套件。 - 每個任務皆從真實的 commit、pull request 或業務場景反向構建，並改寫為角色扮演請求，以確保任務提示字串無法透過網搜還原（抗汙染）。 - 評測涵蓋程式碼、網頁、辦公與安全四大領域，包含儲存庫工程、前端開發、辦公業務流程及紅藍隊安全等四個子集。 - 完全開源釋出，包含任務目錄、環境映像、評測工具、測試與參考解法，並在 CodeBuddy Code 和 Claude Code 兩個框架上進行統一評測。