AI Coding 模型能力如何衡量？从 Benchmark 到真实工程评估

核心问题

公开 Benchmark 分数很高的模型，为什么在真实项目里不一定更好？团队应该如何建立自己的评估集？

文章结构

1. 公开 Benchmark 的价值与局限
2. 模型能力、Agent 能力和工具链能力
3. 从真实任务构建代表性评估集
4. 成功率、质量、成本和人工介入指标
5. 模型升级与能力回归测试

完成标准

读者能够为团队定义一组代表性任务、评分规则和模型选型流程。