一位 AI Agent 编程怀疑者亲测后：细到离谱的实战记录

2026 年 2 月 27 日 - Link Blog

[一位 AI agent 编程怀疑者尝试 AI agent 编程（细节多到离谱）](https://minimaxir.com/2026/02/ai-agent-coding/)。这是又一篇“OK，编程 agent 在 11 月变强了”的类型文章，作者是 Max Woolf，非常值得一读。他描述了一系列使用编程 agent 的项目，难度一个比一个高——从简单的 YouTube 元数据抓取器起步，最终演进到下面这个级别：

> 想把 Python 的 [scikit-learn](https://scikit-learn.org/stable/)——数据科学和机器学习库的黄金标准——完整移植到 Rust，并覆盖它所代表的全部功能，这想法确实有点自大。 > > 但说真的，这其实是个好主意，所以我还是决定试一试。在 agents 的帮助下，我现在正在开发 rustlearn（一个非常占位符风格的名字），这是一个 Rust crate，不仅实现了诸如[逻辑回归](https://en.wikipedia.org/wiki/Logistic_regression)和[k-means 聚类](https://en.wikipedia.org/wiki/K-means_clustering)这类标准机器学习算法的高性能版本，还包含了上述算法的高性能实现：我前面提到的同一套三步流水线，即使用在更简单的算法上，也依然能跑通，并且能超过 scikit-learn 的实现。

Max 还准确写出了一个常见挫败感：你很难向原本持怀疑态度的人解释，这些模型现在到底有多强：

> Opus 4.6/Codex 5.3 最让人烦的一点在于：你几乎不可能在公开场合说出“Opus 4.5（以及后续模型）比仅仅几个月前发布的编程 LLM 强了一个数量级”这句话，而不被听成是在制造 AI 炒作式标题党。但这恰恰是让我个人很挫败、也很反直觉的事实。我一直在尝试给这个该死的模型塞复杂任务，想把它难住——那些任务即使以我的编程背景，自己做也要花上几个月——可 Opus 和 Codex 却总能把它们正确完成。

文中一句看似随口的评论还启发了我去[让 Claude Code 构建一个 Rust 词云 CLI 工具](https://github.com/simonw/research/tree/main/rust-wordcloud#readme)，而它也确实顺利完成了。