认识 AI　›　七类能力　›　编程

编程：AI 能做到什么程度

官方把它定位成能读多文件代码库、能连续跑长任务的助手；同一批文档里也写明批准与复核的责任在您。

3家官方文档10条写明的硬限制9条官方自己承认做不好的2026-09-06数据截至
01

各家官方怎么说

点开看硬限制和官方自己承认的短板，数字原样取自官方页面

厂商官方怎么定位它硬限制自认短板
Anthropic（Claude Code）在您的终端里读代码、改文件、跑命令，权限由您逐条授予。33
OpenAI（Codex）在命令行、IDE 与云端跑编码任务，含 /review 的差异复核。33
Google（Gemini 代码执行）让模型生成并运行 Python，用来做计算、处理数据、画图。43
来源：各厂商官方文档 · 2026-09-06
Anthropic（Claude Code）3 条限制 · 3 条自认⌄

硬限制

  • 手动模式下只能写入启动时所在的目录及其子目录，改父目录要另行授权
  • Accept Edits 模式自动放行工作目录内的文件编辑与 mkdir、touch、rm、mv、cp、sed；其余命令与目录外路径仍要问您
  • 沙箱化的 bash 工具提供文件系统与网络隔离，用 /sandbox 划边界

官方自己承认做不好的

  • 官方写明：批准之前，您要自己复核它提出的代码和命令是否安全 —— 复核责任在使用者
  • 提示词注入：官方写明，这些防护能显著降低风险，但没有任何系统能完全免疫所有攻击
  • 对第三方 MCP 服务器：Anthropic 写明，它不对任何 MCP 服务器做安全审计，也不负责管理
OpenAI（Codex）3 条限制 · 3 条自认⌄

硬限制

  • CLI 与 IDE 扩展默认无网络访问，写权限限定在当前工作区
  • /review 只报告发现、不改动工作区，且要求项目在 Git 仓库内
  • 带破坏性标注的 app / MCP 工具调用一律需要批准

官方自己承认做不好的

  • 官方写明：安全监控不替代沙箱、权限设置或对结果的复核
  • 开网络或网页搜索时：官方写明，提示词注入可能让智能体去取回并执行不可信的指令
  • 官方写明：DNS 检查能降低 DNS 重绑定风险，但不能消除
Google（Gemini 代码执行）4 条限制 · 3 条自认⌄

硬限制

  • 代码环境最长运行 30 秒
  • 报错后模型可重新生成代码输出，最多 5 次
  • 输入文件大小上限取决于模型的 token 窗口；对文本与 CSV 文件效果最好
  • 预装库固定，官方写明不能自行安装第三方库；画图只支持 matplotlib

官方自己承认做不好的

  • 官方写明：它只能生成和执行代码，不能返回媒体文件之类的其他产物
  • 官方写明：某些情况下开启代码执行会让模型在其他方面变差（例如写故事）
  • 官方写明：不同型号用好代码执行的能力有差异
02

编程最强的是哪几个

3 个专项评测的成绩，不是综合能力分

最强不等于最值 —— 每行都带价格。教程多拿海外模型演示，您手上用国产的，看每张表下方国内厂商排第几，就知道这类活差多少。

科研代码复现照科研论文里的方法写出能跑的代码，看能不能复现论文的结果。

模型专项成绩输入 / 输出（每百万 token）
Claude Fable 5 (with fallback)60.2¥70 / ¥350
Gemini 3.1 Pro Preview (Vertex)58.9¥14 / ¥84
Kimi K3 (max)58.7¥21 / ¥105
Muse Spark 1.1 (xhigh)58.2¥8.75 / ¥29.8
Gemini 3.7 Flash (medium) AI Studio57.9¥5.25 / ¥26.3
GPT-5.6 Sol (high)56.9¥35 / ¥210
Gemini 3.7 Flash (high)56.8¥5.25 / ¥26.3
GPT-5.4 (xhigh)56.6——
GLM-5.3 (max)56.5¥9.80 / ¥30.8
GPT-5.6 Sol (medium)56.5¥35 / ¥210
共 377 个模型有这一项成绩，列前 10。国内厂商最靠前：第 3 名 Kimi K3 (max)。来源：海外权威评测 · 2026-08-20

终端里干完一件事给一个真实的命令行环境和一个任务，看它能不能自己一步步做完。

模型专项成绩输入 / 输出（每百万 token）
GPT-5.6 Sol (xhigh)89.5¥35 / ¥210
Claude Opus 5 (max)89.1¥35 / ¥175
Grok 4.6 (high)88.4¥14 / ¥42
Claude Opus 5 (xhigh)88.0¥35 / ¥175
GPT-5.6 Sol (max)88.0¥35 / ¥210
GPT-5.6 Terra (max)88.0¥14 / ¥84
Claude Opus 5 (high)87.6¥35 / ¥175
GPT-5.6 Sol (high)87.3¥35 / ¥210
Claude Opus 5 (medium)86.1¥35 / ¥175
GPT-5.6 Sol (medium)86.1¥35 / ¥210
共 190 个模型有这一项成绩，列前 10。前 10 名里没有国内厂商。来源：海外权威评测 · 2026-08-20

竞赛编程题持续从竞赛平台抓新题来考，题目比模型的训练数据新，避免它背过答案。

模型专项成绩输入 / 输出（每百万 token）
Gemini 3 Pro Preview (high)91.7¥14 / ¥84
Gemini 3 Flash (AI Studio)90.8¥3.50 / ¥21
DeepSeek V3.2 Speciale89.6——
GPT-5.2 (medium)89.4¥12.3 / ¥98
GLM-4.789.4¥4.20 / ¥15.4
GPT-5.2 (xhigh)88.9¥12.3 / ¥98
gpt-oss-120b (high)87.8¥1.05 / ¥4.20
Claude Opus 4.5 Vertex87.1¥35 / ¥175
GPT-5.1 (high)86.8——
DeepSeek V3.2 (FP8)86.2——
共 188 个模型有这一项成绩，列前 10。国内厂商最靠前：第 3 名 DeepSeek V3.2 Speciale。来源：海外权威评测 · 2026-08-20

全部型号自己筛：模型库↗ · 两个摆一起比↗

03

官方说 vs 实际上

独立测试和官方数字并排放，出处见来源清单

「每月 20 美元」「提效 X%」「SWE-bench 高分」，放进您自己的项目里都要打折。

官方说独立测试用户实际反馈差在哪、为什么
Cursor Pro 每月 20 美元，额度按 API 价计费官方 2025 年 7 月发文道歉，承认沟通不清导致用户意外超支，并提供退款未见可核的用户反馈发布时没说清「无限」只限自动模式，用户按原来的习惯用，就超支了
Claude Code 含在每月 20 美元的 Pro 里官方 2025 年 8 月追加每周额度上限，称影响不到 5% 的订阅者未见可核的用户反馈长时间挂着跑任务的人用量远超典型用户，官方只能加限制
用 AI 写代码能明显提效METR 随机对照实验：资深开发者用 AI 的一组反而多花 19% 时间，而他们事前以为能快 24%Stack Overflow 2025 调查：信任 AI 输出的比例从 40% 降到 29%，66% 的人说要花更多时间修「差不多对」的代码看着对、细节错，审查和纠错的时间抵消了生成速度
代码生成量上去了GitClear：复制粘贴代码占比从 8.3% 升到 12.3%，重构占比从 25% 降到不足 10%未见可核的用户反馈写得快的同时可维护性在降，长期返工没算进「提效」里
发布页引用 SWE-bench Verified 高分OpenAI 已停止用这个基准评估，称相当一部分「失败」其实是测试本身有缺陷（转述，未逐字核对）未见可核的用户反馈题目来自特定开源仓库、可能被模型见过，分数不等于您项目里的表现
独立测试取自论文、评测机构与公开研究 · 2026-09-13

它确实能做到：任务边界清楚、改动小、有测试能兜底的活，生成速度的优势是真实的；老项目、大仓库里，省下的时间常被审查和返工吃掉。

04

这一页还缺什么

没采到的如实写，不放半截数字

国内厂商的编程类模型限制未采集。各家官方文档里都没有「编程不适合用在哪」的直接声明，上面列的是它们写明的权限边界与工具限制。

05

来源清单

9 条，全部是厂商官方文档

逐条摊开，每条附原文链接⌄

您该怎么办

别让它直接落到主分支：Anthropic 官方写明，批准之前，代码和命令是否安全由您自己复核，安全复核的责任在使用者。要算数、要跑数据的活，Google 建议开代码执行工具而不是让模型自己心算；联网与网页搜索一开，OpenAI 明确写了提示词注入的风险，先在沙箱里跑。