你让 Claude Code 去修个 bug，它八成能找对是哪个文件出的毛病。可真正要动的那几行，它经常看漏。
这不是拍脑袋。6 月 14 日，上海交通大学牵头的一个国际团队甩出一个新基准，专门测 AI 编程 agent 的”找代码”这一步，结论挺扎心：找文件，行；定位到具体哪几行，不行。
把”找 bug”和”改 bug”拆开测
以前测 AI 编程，都是给个 bug、看它最后改没改对，一锤子买卖。这个叫 SWE-Explore 的基准换了个思路——只看第一步：agent 拿到 bug 描述和整个项目，得吐出一份”我觉得跟这个 bug 有关的代码”清单。改不改得对先不管，就看它有没有把该看的地方都圈出来。
参照答案怎么来的？团队拿 GPT-5.4、Gemini 3 Pro、Claude Sonnet 4.6、Kimi K2.6 这几个强模型真把 bug 修好的记录倒推，把”修对之前到底翻了哪些文件、哪些行”抠出来当标准答案。
数据集不小：
- 848 道题，覆盖 203 个开源项目
- 横跨 10 种编程语言，光 Python 就占了 547 道
- 测的 agent 一长串：Claude Code、Codex、OpenHands、Mini-SWE-Agent、AutoCodeRover、OrcaLoca……主流的基本都拉来了
14% 这个数，挺难看
结果是这样：文件级别，agent 找得挺准；可一旦细到”具体哪几行是关键”，通用编程 agent 的命中率只有 14% 到 19%。
说白了——它知道病灶在这间屋子，但屋里十样东西它只摸对一两样。
更有意思的是另一个发现：修复成功率不是平滑涨上去的，而是等你把一半以上的关键代码喂给它，才突然跳一截。 你给它看三成、四成关键行，它基本还是改不对；过了 50% 这条线，成功率才开始往上窜。
| 给 agent 看到的关键代码比例 | 它修对的概率 |
|---|---|
| 不到一半 | 基本歇菜 |
| 50%–75% 之间 | 开始明显爬升 |
| 越全 | 越稳 |
结论一句话：少筛，多读
团队给后来人指了条明路——“少做减法，多塞上下文”。
他们还测出一个反直觉的点：漏看比多看更致命。 一个读得太少、上来就急着下手的 agent，表现反而不如一个把不相干代码也一起读进去的”啰嗦”agent。换句话说，宁可让它多读点废话，也别让它自作聪明提前把信息砍掉。
这事对正在用 AI 写代码的人有直接价值。现在不少 agent 为了省 token、图快，会激进地裁上下文——只把它”觉得”相关的几行塞进去。这份基准等于明说了：这么干，是在拿修复率换速度。
至于”AI 要取代程序员”那套话，这份数据起码泼了半盆冷水：连”这 bug 该看哪几行”都还摸不利索，离全自动接管还差着关键一段。
参考来源：AI coding agents find the right file but miss the exact lines that matter, study shows（The Decoder）；SWE-Explore 基准研究（arXiv，CocoLoop、上海交通大学等）