人工智能AI Agent多智能體Agent 編排Agent 評(píng)測(cè)AI 技能開發(fā)工具CLI【免費(fèi)下載鏈接】oh-my-agentMechanical verification for AI coding agents — skills pack or full harness (stop-hook gates, artifact checks, independent judges).項(xiàng)目地址https://gitcode.com/gh_mirrors/oh/oh-my-agent點(diǎn)擊查看免費(fèi)下載oh-my-agent 基準(zhǔn)測(cè)試benchmark把 5 種 Claude Code 框架harness放進(jìn)同一考場(chǎng)用同一份提示詞、同一個(gè)模型、相同的預(yù)算上限讓它們各自從零構(gòu)建一個(gè)「兒童 3D 創(chuàng)意學(xué)習(xí)平臺(tái)」再由自動(dòng)化腳本 LLM 評(píng)審按五維指標(biāo)打分。最終 oh-my-agentoma以80.6 分奪冠領(lǐng)先第二名 6.5 分。這篇文章帶你讀懂這份成績(jī)單測(cè)試怎么設(shè)計(jì)、80.6 分從哪里來、以及結(jié)果里那些誠(chéng)實(shí)的「扣分項(xiàng)」。一、測(cè)試怎么設(shè)計(jì)同一份提示詞五支隊(duì)伍挑戰(zhàn)任務(wù)從零構(gòu)建一個(gè) 3D 創(chuàng)意平臺(tái)benchmarks/prompt.md 是這場(chǎng)比賽的「考題」為小學(xué) 6 年級(jí)以下兒童構(gòu)建一個(gè) AI 驅(qū)動(dòng)的 3D 創(chuàng)意學(xué)習(xí)平臺(tái) MVP要求包含 3D 世界構(gòu)建器、拖拽放置物體、AI 創(chuàng)意伙伴面板、探索模式、作品畫廊、保存/加載技術(shù)棧指定為 Next.js TypeScript React Three Fiber Tailwind并要求產(chǎn)出從產(chǎn)品概念、用戶畫像、數(shù)據(jù)庫設(shè)計(jì)到起步代碼的13 項(xiàng)交付物。五名選手與「控制變量」選手機(jī)制vanilla裸 Claude Code不裝任何插件/技能基線omaoh-my-agent以源碼形式植入項(xiàng)目.agents/.claude/omcoh-my-claudecode通過--plugin-dir插件加載ecceverything-claude-code安裝到用戶級(jí)~/.claude/superpowerssuperpowers通過--plugin-dir插件加載測(cè)試的關(guān)鍵在于「同條件」同一模型claude-opus-4-6、--effort max、單次運(yùn)行預(yù)算上限 $20、60 分鐘超時(shí)、每個(gè)選手獨(dú)立隔離的$HOME、完全非交互的claude -p模式、零人工干預(yù)。所有控制變量都記錄在 benchmarks/design.md 中。二、五維評(píng)分體系滿分 100 分怎么算評(píng)分標(biāo)準(zhǔn)定義在 benchmarks/scoring/multiaxis/rubric.json共五個(gè)維度維度分值考察什么打分方式?? 功能 Functional35能否構(gòu)建通過、45 秒內(nèi)啟動(dòng)、5 條用戶旅程可玩自動(dòng)腳本 LLM 評(píng)審 規(guī)格 Spec15提示詞要求的 13 項(xiàng)交付物是否齊全 真實(shí) API 加分LLM 評(píng)審 ×3 輪取均值 視覺 Visual20設(shè)計(jì)反模式、兒童友好度、一致性、可訪問性LLM 視覺評(píng)審 ×3 輪取均值? 工程 Engineering20路由/組件規(guī)模、類型安全、模塊化、密鑰安全靜態(tài)分析? 效率 Efficiency10完成輪次、耗時(shí)、單文件成本運(yùn)行元數(shù)據(jù)為避免 LLM 單次判分的主觀波動(dòng)規(guī)格軸和視覺軸的每一項(xiàng)都跑3 輪評(píng)審再取平均分?jǐn)?shù)的 0.67 就是「3 輪中 2 輪通過」的意思實(shí)現(xiàn)見 judge-multi.sh。三、最終成績(jī)單oma 80.6 分領(lǐng)先第二名 6.5 分修正上圖只保留一張同一圖片不重復(fù)引用?？偡职駭?shù)據(jù)來自 benchmarks/README.md名次框架總分功能/35規(guī)格/15視覺/20工程/20效率/10 1oma80.63213.315.3155 2omc74.133.56.714.414.55 3superpowers72.9309.311.61484vanilla70.728.511.71212.565ecc70.228.59.713154一個(gè)值得注意的細(xì)節(jié)第二名的 omc功能分33.5其實(shí)比 oma 還高但規(guī)格分只有 6.7——它交了代碼卻沒交付完整的 13 項(xiàng)設(shè)計(jì)文檔。oma 的領(lǐng)先不是「代碼寫得更快」而是代碼和設(shè)計(jì)文檔兩手都硬。四、逐軸拆解80.6 分從哪里來功能軸 32/35唯一失分點(diǎn)是「保存-重載」oma 的構(gòu)建通過、dev server 在 45 秒內(nèi)返回 HTTP 200、TypeScript 嚴(yán)格模式 0 錯(cuò)誤5 條用戶旅程中onboarding、builder、gallery 全過。失分點(diǎn)在 save-reload刷新頁面后孩子資料名還在但放置的物體會(huì)丟失世界數(shù)據(jù)沒持久化到 localStorage只拿到 1.5/3。規(guī)格軸 13.3/1513 項(xiàng)交付物通過 12 項(xiàng)oma 完成了產(chǎn)品概念、用戶畫像、用戶旅程、功能清單、信息架構(gòu)、UI 方向、技術(shù)架構(gòu)、數(shù)據(jù)庫設(shè)計(jì)、AI 提示詞系統(tǒng)、兒童安全、起步代碼、優(yōu)先屏幕共 12 項(xiàng)僅「分步實(shí)施計(jì)劃」一項(xiàng)缺失并因用環(huán)境變量配置調(diào)用了真實(shí) AI API拿到 2/2 加分。誠(chéng)實(shí)起見要指出上圖是評(píng)審截圖——輸入 help me 后 AI 返回的是兜底錯(cuò)誤提示Hmm, I got confused for a moment所以 journey-ai 只拿到 1.5/3。視覺軸 15.3/20全場(chǎng)最高分來自「設(shè)計(jì)反模式」3 輪視覺評(píng)審均值反模式規(guī)避 4.3/5、兒童友好 4/5、設(shè)計(jì)一致性 4/5、可訪問性 3/5。對(duì)比一下就明白了vanilla 是整屏紫藍(lán)漸變 漂浮 emoji 的「典型 AI 味」反模式僅 2.3/5oma 用克制的淺色背景 卡片式布局被評(píng)審打出全場(chǎng)最高的 4.3/5。工程軸 15/20 與效率軸 5/10oma 的兩個(gè)短板工程strict 模式、0 個(gè)any、5 路由 11 組件、最大文件僅 164 行——全是高分但「誠(chéng)實(shí)的延遲標(biāo)記」TODO/MVP 注釋0 個(gè)扣掉 4 分。效率31 輪是全場(chǎng)第二少但耗時(shí) 15m 56s全場(chǎng)最長(zhǎng)、總成本 $4.04時(shí)間子項(xiàng)得 0 分。框架輪次時(shí)長(zhǎng)成本源碼文件單文件成本vanilla428m 56s$2.3716$0.15oma3115m 56s$4.0421$0.19omc619m 02s$1.9214$0.14ecc7910m 20s$3.8422$0.17superpowers398m 13s$1.2818$0.07數(shù)據(jù)來自 benchmarks/README.md一句話總結(jié)oma 用更多的時(shí)間和錢換來了更完整的交付和更穩(wěn)的代碼質(zhì)量。五、誠(chéng)實(shí)的邊界這些分?jǐn)?shù)要這樣讀oma 團(tuán)隊(duì)在 benchmarks/README.md 里主動(dòng)列出了測(cè)試局限讀結(jié)果時(shí)建議記住這幾點(diǎn)superpowers 被強(qiáng)制繞過了 brainstorming 硬門檻——測(cè)的是「繞過門檻后的 superpowers」并非完全同條件對(duì)比每個(gè)框架只跑了一次——重跑一次可能產(chǎn)出不同的代碼80.6 不是「穩(wěn)定值」規(guī)格/視覺評(píng)審做了 3 輪取均值但 journey 評(píng)審依賴實(shí)時(shí) dev server只能單次執(zhí)行2 分以內(nèi)的旅程差距應(yīng)視為噪聲oma 的 lint 扣分是有意的設(shè)計(jì)取舍oma 的理念是把 lint/typecheck 交給 git hooks 和 CI 層而不是讓 agent 在生成時(shí)自我檢查——單輪基準(zhǔn)會(huì)把這筆賬算在 agent 頭上。完整的逐項(xiàng)得分含每項(xiàng)證據(jù)可查 multiaxis-score.json 與匯總文件 multiaxis-summary.json。六、如何復(fù)現(xiàn)這場(chǎng)對(duì)決整個(gè)流程腳本化入口是 benchmarks/run.sh先順序跑完 5 個(gè)框架約 45 分鐘、$15–20 API 花費(fèi)再用score.sh打分、judge-multi.sh多輪評(píng)審、build-report.sh生成報(bào)告。完整命令見 benchmarks/README.md。結(jié)語80.6 分的含金量不在于它「代碼寫得最快」——效率軸它只拿了 5/10——而在于它是五支隊(duì)伍中唯一在功能、規(guī)格、視覺、工程四個(gè)維度全面均衡的選手設(shè)計(jì)文檔 12/13、零類型錯(cuò)誤、反模式規(guī)避全場(chǎng)第一。如果你正在為 Claude Code 挑選增強(qiáng)框架這份 benchmarks/ 目錄本身就是一份可復(fù)現(xiàn)、可審計(jì)的選型參考。贊分享人工智能AI Agent多智能體Agent 編排Agent 評(píng)測(cè)AI 技能開發(fā)工具CLI【免費(fèi)下載鏈接】oh-my-agentMechanical verification for AI coding agents — skills pack or full harness (stop-hook gates, artifact checks, independent judges).項(xiàng)目地址https://gitcode.com/gh_mirrors/oh/oh-my-agent點(diǎn)擊查看免費(fèi)下載相關(guān)推薦oh-my-opencode與Claude Code對(duì)比分析為什么開源方案更勝一籌oh my opencode與Claude Code對(duì)比分析為什么開源方案更勝一籌 在AI編程助手快速發(fā)展的今天開發(fā)者面臨著眾多選擇。Claude Code人工智能AI Agent代碼智能體多智能體MCP ClientsAgent 編排PMSuperButton陰影效果深度教程提升iOS應(yīng)用UI層次感的秘訣PMSuperButton陰影效果深度教程提升iOS應(yīng)用UI層次感的秘訣 在iOS應(yīng)用開發(fā)中按鈕作為用戶交互的核心元素其視覺效果直接影響整體UI質(zhì)感。 PNode-lru-cache基準(zhǔn)測(cè)試分析為什么它是最快的Node lru cache基準(zhǔn)測(cè)試分析為什么它是最快的 LRU緩存是優(yōu)化應(yīng)用性能的重要工具而node lru cache在眾多JavaScript LR緩存創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考