2026 年中，自主智能体（Autonomous Agent）赛道完成了一轮残酷出清：榜单上的"通用自主体"创业公司，大半被 Cursor、Replit、Manus 吸收，剩下的几家正排队等被模型实验室收购。与此同时，一个更冷的真相浮出水面——榜单分（SWE-bench Verified 78%、TerminalBench 58%）和生产环境的真实接受率（PR acceptance 48%）之间，存在一条稳定的"折现率"。把榜单分数打个六折，才接近你下周真能合进去的 PR 数。本文用五栈实测数据拆解这条折现率：谁在榜上领先、谁在真活里塌方、剩下一半分数被谁吃掉，以及不同自主体在编码、浏览器、桌面、研究四象限里的真实分工。
下表把 2026 年 5 月的榜单分数、生产 PR 接受率、单任务成本、中位耗时并排放在一起。折现率 = 真实接受率 ÷ 榜单分，它衡量的是"你看到的分"能兑换多少"你拿到的活"。
| 自主体 | SWE-bench Verified | PR 接受率(真活) | 折现率 | 单任务成本 | 中位 time-to-PR |
|---|---|---|---|---|---|
| Claude Code (Opus 4.7) | ~78% | ~48% | ~0.62 | $1.5–3.0 | ~14 min |
| Codex Agent (GPT-5 Pro) | ~76% | ~45%* | ~0.59* | $1.8–3.5 | ~16 min |
| Cursor Agent (Sonnet 4.6) | ~67% | ~42% | ~0.63 | $0.4–0.9 | ~8 min |
| Aider (Sonnet 4.6) | ~63% | — | — | $0.3–0.7 | — |
| Devin (Cognition) | ~58% | ~38% | ~0.66 | $3.0–6.0 | ~22 min |
| Cline (Sonnet 4.6) | ~58% | — | — | $0.5–1.0 | — |
| OpenHands (开源) | ~52% | — | — | API 自付 | — |
| Cline (Llama4 70B) | ~38% | — | — | $0.05–0.15 | — |
* Codex 的生产接受率为聚合估计，非官方披露。折现率三家惊人一致地落在 0.59–0.66，这不是巧合——它刻画的正是"榜单能测的"和"真活需要的"之间的系统性落差。
这是整篇文章最该记住的一个数字：自主体的榜单分，六折才是真活分。 剩下被吃掉的 40%，不是模型不够聪明，而是榜单测不到的东西在作祟。
第一个吃分的因素是隐式约定。SWE-bench 的每一个 instance 都来自真实 GitHub issue，但它只验证"测试是否通过"。现实仓库里有大量没有写进测试的规矩：变量命名风格、错误处理的层级、日志格式、与已有抽象的对齐方式。榜单分给满分，code review 照样打回。Presenc AI 跨 25+ 企业部署的统计显示，仅"风格/约定不符"一项就吃掉约 18–22% 的真实通过率。
第二个吃分的因素是reviewer 预期。人类 reviewer 对"AI 写的 PR"有一种隐性抵触——同样的代码如果是同事写的可能直接过，AI 写的就要多看两眼、多问两个"为什么这么改"。这把 Devin 这种"多文件、长上下文、多步推理"的优势反而变成了劣势：改动越大，reviewer 越紧张，迭代轮次从 1.2 涨到 1.8。
第三个吃分的因素是自信错误后的恢复。这是所有自主体共同的死穴：当 agent 认为"任务完成"而实际没完成时，恢复回路极差。一个能想到的最小恢复模式是给 agent loop 加一道外部验证闸门：
# 自主体"自信完成"恢复模式：不让 agent 自己判 done
def autonomous_loop(task, max_steps=40, budget_usd=5.0):
spent = 0.0
for step in range(max_steps):
if spent > budget_usd:
return {"status": "BUDGET_EXHAUSTED", "steps": step}
action = agent.next_action(task, state)
state = run_sandboxed(action) # 沙箱执行
spent += cost(action)
if action.claims_done:
# 关键：done 不能由 agent 自报，必须外部验证
verdict = external_verifier(task, state)
if verdict.passes and not verdict.hallucinated:
return {"status": "DONE", "verified": True}
else:
agent.inject_feedback(verdict.why_failed) # 强制回炉
return {"status": "DIVERGED", "steps": step}
这段代码的核心思想——done 必须外部验证、不能自报——正是 Manus 在研究任务上反而领先的原因：它更愿意说"我找不到确切答案"而不是硬猜。
Cursor 在编码这一象限的胜利，本质是集成即产品。SWE-bench Verified 67% 看似排在 Claude Code 后面，但生产指标里它有两项碾压：中位 time-to-PR 仅 8 分钟（Claude Code 14、Devin 22），单任务成本 $0.4–0.9（Devin 的十分之一）。
原因在于 Cursor 把 agent 紧紧绑在 IDE 上：代码库索引、增量改动、上下文窗口共享。这种"贴身"让它的折现率（0.63）并不输给榜单更高的 Claude Code（0.62）。换句话说，在真实开发流里，"快、便宜、增量"比"单次榜单分高"更值钱。一个开发者每天做 50 个小任务，用 Cursor 是月度固定订阅，用 Devin 按任务算能到上千美元。
但 Cursor 的短板同样清晰：在长程、多文件、需要数小时规划的任务上，它落后于纯自主型的 Devin 和 Claude Code 自主模式。它的甜区是"ambient pair-programming"——人在环里、agent 在旁辅佐，中位 suggestion 接受时间 30–90 秒。一旦任务变成"你下班、它自己干到天亮"，Cursor 就不是最佳工具了。
Claude Code（Opus 4.7）2026 年 5 月坐稳 SWE-bench Verified 榜首（~78%）和 TerminalBench 榜首（~58%）。但两个数字放一起看，问题就暴露了：同一套 agent，从 SWE-bench 到 TerminalBench 直接掉 20 个百分点。
TerminalBench 测的是真实终端任务——装一个奇怪构建系统、配一个没见过的依赖、跑通一个跨进程的脚本。这里塌方的不是"写代码"能力，而是"操作环境"能力。SWE-bench 给你一个干净的仓库和明确的 issue，TerminalBench 给你一个乱糟糟的 shell 和一个模糊的目标。后者才是大多数运维/SRE/平台工程的日常。
Claude Code 的强项是长上下文代码库理解，弱项在 UI 生成类任务上不如 Cursor。对生产用户而言，它单任务 80K input + 20K output 的 token 消耗（$1.5–3.0）是合理的——它确实在干最难的活。但要注意它对拒绝校准的偏移：Anthropic 的 Claude 4 系列整体偏保守，"拒绝太频繁"会让自主模式在某些需要大胆操作的运维场景里显得迟钝。
Devin 是折现率表里最尴尬的存在。它 $500/月起、单任务 $3–6、time-to-PR 22 分钟——三项都是最贵最慢。它的卖点是多小时的自主任务：规划、网搜、写码、测试、开 PR，一条龙。Cognition 的产品方向明显在押"agent 替代工程师"，但底座模型还没到那个程度。
Devin 的真实强项是自包含任务：技术债清理、依赖升级、小特性实现。ai-pedias 的案例里，一家 SaaS 创业公司用 5 个 Devin license 把工程团队从 6 人缩到 4 人，吞吐不变。但 Devin 在需要深度业务上下文、需要和 reviewer 反复博弈的任务上，38% 的接受率就是天花板。它在 ETL、数据管道这类"形状固定、可独立验证"的任务上反而比编码更强——theplanettools 的 21 天实测里，Devin 编码 4 项赢 3 项，但 ETL/通用任务被 Manus 反超。
Devin 的另一项隐形成本：成本透明度最差。多数产品是"跑完才给账单"，等你看到 $20 的单任务成本时已经停不下来。这是它和 Manus 最大的体验差距。
把视线从编码象限挪到浏览器 / 桌面 / 研究三象限，Manus 是 2026 年的赢家。它在 GAIA Level 3（研究）、WebArena（浏览）、OSWorld（桌面）三项上都领先，核心原因被一句话点透："Manus 的研究胜利，主要来自它愿意说'我找不到确切答案'，而不是硬猜。其他自主体都在装。"
这句话值得反复品。自主体的本质矛盾是"确定性偏好"——模型被训练成要给答案，但真实研究任务里"不知道"恰恰是最诚实的答案。Manus 的工程化体现在它对不确定性预算的管理：
# 通用自主体研究模式：把"我不确定"作为一等输出
def research_loop(question, confidence_floor=0.6):
evidence = []
while not enough(evidence, question):
claim, conf, src = agent.search_step(question, evidence)
if conf < confidence_floor:
# 不硬凑，标记为低置信度证据
evidence.append({"claim": claim, "status": "UNVERIFIED", "src": src})
else:
evidence.append({"claim": claim, "status": "SUPPORTED", "src": src})
# 最终输出区分"已证实"与"未证实"，而非一个含糊结论
return synthesize(evidence, label_uncertainty=True)
这套机制让 Manus 在单价 $0.40–2.00/任务（Devin 的 $20 是它十倍）的前提下，反而赢得了最难的研究象限。它的"敢认怂"本质是一种降幻觉的工程选择，而非模型本身的特性——同样的底座模型，换个 prompt 策略和验证回路，效果天差地别。
Operator（及其背后的 CUA，Computer-Using Agent）走的是另一条路：不依赖 API，直接用视觉理解屏幕、用鼠标键盘操作 GUI。它给 ChatGPT Pro 用户（$200/月）提供"用人话订机票、填表单、买东西"的能力。单次运行 30–60 分钟，多任务能力有限。
CUA 的价值在"无 API 长尾应用"——那些没有开放接口的老旧业务系统、需要 CAPTCHA 的人工流程、只有 GUI 的内部工具。它的硬伤也来自这条路：像素级操控精度有限，CAPTCHA 每 5 页一次就能让任务失败，长尾桌面应用的可访问性树有缺口。SarmaLinux 的实测指出，agent 能顺畅驱动 Chrome 和 VS Code，但在"渲染异常、无障碍树残缺"的业务桌面应用上频繁失手。
CUA 的折现率没法用 SWE-bench 衡量，但用 OSWorld 衡量时，2026 年的顶分仍在 30–40% 区间徘徊——远低于编码象限的 78%。屏幕操作是最难的自主能力，因为它要对抗的不是代码规范，而是几十年来 GUI 设计积累的所有不一致。
开源阵营里三个名字值得记住：OpenHands（全自主开源框架，SWE-bench ~52%）、Cline（VS Code 原生、前后端模型皆可，~58%）、Aider（最强 CLI 结对编程，~63%）。它们的价值不在榜分最高，而在成本可控、可私有部署、可换底座模型。
换上 Llama 4 70B 这类开权重模型后，Cline 掉到 38%，SWE-agent 掉到 32%——比前沿闭源 API 落后 25–40 个百分点。但单任务成本压到 $0.05–0.15，是 Claude Code 的二十分之一。对成本敏感、数据敏感、需要私有部署的场景（金融合规、医疗数据、政府内部），这条曲线是唯一可行解。
Aider 的成熟成本控制尤其值得一提——它是 CLI 派里 token 消耗最低的（30K input + 8K output），适合"我每天写很多小改、不想被订阅绑架"的开发者。开源阵营的整体定位是工具而非产品：你需要工程能力去 wire 进自己的 CRM/ERP，换来的是对每一分成本和每一行代码的完全掌控。
把五栈实测的失败模式归并，自主体的真实塌方点集中在四态，每一态都对应折现率里被吃掉的那部分分：
flowchart TD
A[自主体任务输入] --> B{执行阶段}
B --> C[态1: 长尾环境<br/>未见过构建系统/残缺无障碍树]
B --> D[态2: 自信错误<br/>认为完成但实际没完成]
B --> E[态3: 成本黑洞<br/>跑完才给账单,无法中途停]
B --> F[态4: 拒绝失准<br/>要么拒太频要么拒太少]
C --> G[塌方: 环境适应失败]
D --> H[塌方: 恢复回路极差]
E --> I[塌方: 预算失控]
F --> J[塌方: 校准不当]
G & H & I & J --> K[折现率缺口<br/>榜单分40%被吃掉]
态 1 长尾环境：每个产品都中招。Devin 撞没见过的构建系统、Operator 撞 CAPTCHA、Cursor 撞非常规项目结构。态 2 自信错误：跨所有产品的共同死穴，需要外部验证闸门（见第二节代码）。态 3 成本黑洞：Manus 处理最好（可中途看账单），Devin 最差。态 4 拒绝失准：Claude 4 偏保守（拒太频），Manus 免费层偏激进（拒太少），两者都未校准到真实工作流。
这四态说明一个深层结论：自主体的瓶颈 2026 年不在"会不会做"，而在"做错了怎么办、做了多少、该不该做"。模型能力（会不会）已经被榜单逼近饱和，但元能力——成本感知、不确定性表达、错误恢复——还停在初级阶段。
把编码、浏览器、桌面、研究四象限并排，2026 年中没有一个自主体能通吃四象限。Manus 拿下三个非编码象限，Cursor/Claude Code 分食编码象限，Devin 卡在中间最贵最慢，Operator 守住浏览器预订类，开源三将守住成本/隐私底线。
推荐方案按场景切：
一句话总结本期核心发现：2026 年的自主智能体，看榜单分要打六折，看成本要问"中途能不能停"，看诚实要问"它敢不敢说不知道"。 三关都过的，目前只有 Manus 一家在通用象限做到了，而编码象限的赢家不是榜分最高的，而是最快最便宜的。这正是折现率教给我们的事——分数是营销，折现率才是工程。
本文由「51学通信」与站长爱卫生（微信：gprshome201101）整理。聚焦 AI 智能体实战拆解，每周更新不同方向。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。