雷峰网(公家号：雷峰网)讯 年夜大都人对于 AI 模子的认知是粗粒度的，视觉模子、生图模子、年夜语言模子，分到这一层就停下了。但事实上，更专业的分工早就已经经发生。一样的底座，可以练习出一个擅长谈天的助手，也能够练习出一个擅长干活的履行者。二者的智力程度也许差未几，但擅长的事彻底差别。 5 月 26 日，昆仑万维发布全新模子 SkyClaw-v1.0，订价低到 0.5 元每一百万 token。值患上留意的是，官方将其描写为“一款面向繁杂东西利用、多轮事情流及真实世界使命履行的高机能 Agent 模子”，并于用例展示中强烈建议用户将其嵌入 Agent 事情流中利用，而非作为自力的谈天模子。 险些已经经把“专攻 Agent”写于明面上的 SkyClaw-v1.0，毕竟是真的工程差异，还有是又一个营销话术？我把它接进 Hermes Agent 跑了几天，做了一组从浅到深的测试。 01 回覆这个问题以前，需要先解决一个更基础的问题： 甚么是 Agent 模子？它及咱们一样平常用的 ChatGPT、DeepSeek 有甚么素质区分？ 简朴来讲，对于话模子优化的是单次回覆的质量，Agent 模子优化的是于情况中连续把事做完的能力。 好比咱们及 ChatGPT 谈天，这是一个开环体系：你问，它答，竣事。它不需要知道 我说的话会转变甚么 。 但 Agent 彻底纷歧样，你让它帮助修一个 bug，它需要读文件、调东西、看反馈、再决议下一步。每一一次输出城市转变情况，每一一次情况变化又会酿成新的输入，这就是一个闭环体系。 后者的难度比拟开环体系指数级地增高。最直接的缘故原由于在，过错自己是会堆集的。第三步的小偏差，可能让整个使命于第十步完全跑偏。而更深刻的难点是，交付完备使命需要 Agent 具备对于在什么时候住手的判定力。此时再也不是天生一句回覆就万事年夜吉，体系需要判定“使命做完了吗 。同时还有有不确定性，一旦进入真正的事情场景，东西报错、文件不存于、测试掉败等种种不测状态，均可能冒出来。 是以练习一个好的 Agent 模子，远不是让谈天模子多读点编程质料那末简朴。它需要： ▪差别的练习数据：不只是问答对于话，而是完备的 方针 → 东西挪用 → 不雅察 → 批改 → 完成 的履行轨迹 ▪差别的强化进修方针：从“人感觉这个回覆好欠好”，转向“这件事到底做没做成” ▪差别的可交互情况：搭建一个真正能让模子“动手干活”的沙箱，让它于内里边干边学 于 SkyClaw-v1.0 以前，Agent 模子于行业内也已经经很常见了。 OpenAI 的 Codex-1 是基在 o3 的 Agent 优化版，明确说“经由过程于各类情况下对于真实编码使命举行强化进修练习”，Anthropic 于 Claude Code 暗地里的模子也做了近似的专项后练习。头部玩家都已经经于分解“对于话模子”及“Agent 模子”，这确凿是一种真正的工程趋向。 但这里有个反直觉的事实，Agent 能力强，不代表对于话能力也强。 这两条曲线甚至有所冲突。对于话模子被练习成“具体注释、有教诲意义、有同理心”，而 Agent 模子却偏向在“少空话、快履行、成果导向”。 一个于闷头干活的履行者，可能不是个有趣的谈天对于象。OpenAI 本身就明确建议 Codex-1 不要当谈天模子用。SkyClaw 官网也写着 强烈建议于 Agent 事情流中利用，而不是作为自力谈天模子 。 这就是「术业有专攻」最切确的注脚，于参数目以外，更年夜的差异来自优化标的目的，两种能力指向差别的练习方针。理解了这一点，再看 SkyClaw-v1.0 才成心义。 根据官方的定位，它是为了 Agent 赛道专门练习的选手。那末现实使命中，它跑获得底怎么样呢？ 02 我设计了两个从零天生的测试，看它能不克不及交付完备可用的运用。 第一个是番茄钟。功效需要包括 25 分钟事情 + 5 分钟歇息的轮回，同时要有倒计时、进度环、状况切换音效及完成数统计。 第二个是当地记账板，要能添加记载、按月汇总、画分类饼图、画 7 天趋向折线图。最要害的是，不克不及援用外部图表库，所有图都患上本身用 SVG 手写。 这两个 demo 都是单 HTML 文件交付。我本没期望它一次跑通，我用 Cursor 写过几个小 app，知道这类“一次性吐出出产级前端”的要求，对于模子来讲也不算简朴。 但终极实现成果却很冷艳，一次天生，速率很快，该有的内容及功效也都有了。 此中有几个工程亮点值患上拎出来说讲。 起首是番茄钟状况切换的音效，它没有效 audio 标签播一个固定文件，而是用 Web Audio API 现场所成为了三音阶。事情最先是升调（do-mi-so），歇息最先是降调（so-mi-do）。这类细节没有被我写于使命要求里，而是它判定，好的产物应该这么做。 番茄钟进度环也同样。72px 的年夜数字配tabular-numsCSS 属性避免数字跳动，倒计时同步更新到阅读器 Tab 标题，让你切到另外标签页也能看到时间，就连“今日完成数”都做了“日期变动主动重置”的逻辑。这一样不于 prompt 里，但它知道这是一个真实场景里必需思量到的工作。 此外还有有记账东西。一个让我不测的地方于在，我特意要求 SkyClaw-v1.0 “不克不及引图表库”，就是想看它能不克不及本身用 SVG 画出来。成果它不仅画了饼图，用三角函数算坐标，准确处置惩罚了 扇形角度年夜在 180° 的界限 case，还有给折线图加了linearGradient渐变面积填充，金额跨越 100 的时辰主动缩写成“x 百”防止数字挤于一路。空状况显示“? 还有没有记载，最先记一笔吧”。备注用了escapeHtml防 XSS。 基本上，这就是一个成熟前端能做到的工作。我的主不雅体感上， SkyClaw-v1.0 的交付程度已经经及顶尖模子能做到的差未几。假如你的诉求是“用天然语言描写，让 AI 帮我快速天生一个完备的、能跑的小东西”，SkyClaw 彻底可以胜任，并且比我用过的不少更贵的模子还有快。 不外这也是 SkyClaw-v1.0 练习的恬静区。 于官方 demo 展示中，呈现至多的就是这种使命。番茄钟、记账板、俄罗斯方块、Instagram 气势派头 UI……它的整个练习流程就是为了这类“从零天生”的而使命设计的。 于本身的赛道里，跑患上快是一定的，真实的磨练于在脱离恬静区以后。 03 于前面的测试完成以后，我有了一个不测的发明，事实上它也是让我决议做后续硬测试的直接念头。 SkyClaw 官方于先容模子能力时，列出了几个 benchmark 成就：PinchBench-V二、Claw-Eval、Skywork-Claw-Bench。前面两个是它自家或者互助的评测，末了一个是 OpenClaw 圈内的事情流测评。这些分数都很美丽，被用来证实“逾越 DeepSeek V4 Flash、MiniMax 2.七、Qwen 3.6”，“靠近 DeepSeek V4 Pro、Claude Opus 4.6”。 但这内里少了一个工具，SWE-bench。 SWE-bench 是甚么？简朴说，它是当前 agent/coding 模子最被承认的真刀真枪评测：从真正的 GitHub 开源项目里抽取一个用户报的 bug，把整个代码堆栈丢给模子，让它定位问题、提交补钉、跑通原项目的测试套件。这是最切近真实工程师事情的测试，也是行业里事实上的硬场景标尺。 我去查了一下 SkyClaw 对于标的几款模子的 SWE-bench 成就： 它声称“逾越”或者“靠近”的每个模子，全都陈诉了 SWE-bench 成就。只有 SkyClaw 本身没报。 不陈诉不等在做不到，但模子公司不自动展示本身的强项数据，是很反常的事。最合理的推测有两个，要末是这个分数没那末亮眼，要末这不是它的方针场景。 不管是哪一种，都象征着统一件事。SkyClaw 公然的 benchmark 系统，可能选择性地展示了它擅长的赛道。它擅长的是 PinchBench 这种“东西挪用 + 信息处置惩罚”的使命，而不是 SWE-bench 这种“于年夜型现有代码库里做切确修改”的使命。 这是一个很主要的提示。当你看到“SkyClaw 逾越 X、靠近 Y”这类说法时，要问一句“于哪一个评测上？”于它选择的评测上“逾越”，不等在于所有维度都“逾越”。 而 SWE-bench 测的，刚好是真实工程师天天 80% 时间于做的事。各人基本不成能从零写一个新工具，都是于一个已经经存于的项目里改工具。 以是接下来的测试，素质上就是替 SkyClaw-v1.0 做一遍它没做的测验。 04 于一个已经经存于的项目里做切确修改，好比加一个 prop、改一个默许值、修一个 bug、重构一段逻辑，这比从零天生要坚苦患上多。 从零最先时，模子是天主视角，所有代码都是它本身写的，它彻底理解每一一行的用意。但当它面临一个已经有项目时，它面临的是“别人的心智模子”。 这个变量为何叫这个名字？这个看起来过剩的查抄为何要保留？这段逻辑及那段是怎么互相挪用的？ 这些信息不于代码解释里，模子必需从代码布局中揣度，然后于不粉碎总体的条件下做切确修改。既不克不及把他人的设计气势派头改为本身最擅长的写法，也不克不及为了“看起来更好”就朝不应改之处动手。 假如说 从零天生 像于空缺画布上画画，那于现有代码库里修改，就像做古物修复。前者需要创造力，后者更主要的是克制。 我用一个我本身于维护的开源项目 zelda-hyrule-ui 给 SkyClaw-v1.0 跑了三个递增难度的使命。 Level 1（最简朴）：切确修改 + 文档同步 把一个组件的默许 size 从 90 改为 60，并同步更新两个文档。 SkyClaw-v1.0 做对于了源码修改，做对于了 AI_USAGE.md 的同步，但漏改了 SKILL.md 的一个章节。只是由于我 prompt 里说“于 §10 中”，它就只搜了 §10，找不到就直接说“没有”。 但实在 SKILL.md 第 689 行有一个完备的### StaminaWheel（精神轮）章节，它只是于另外处所而不是 §10。一个有经验的工程师，本能动作是“找不到就扩展搜刮规模”，而它没做这个动作。 此外它于履行npm run build时，npm 随手重写了package-lock.json，它没意想到要git checkout还有原，这就是真实事情里很常见的“Agent 随手污染了你的 git diff”的场景。 Level 2（中等）：跨文件协调修改 给一个组件加一个回调 prop，要求改 6 个以上文件，包括源码、demo 示例、文档、Props 表格、代码示例、AI 文档。 SkyClaw-v1.0 起首做了一个很是智慧的判定：先读源码，发明组件里已经经有这个 prop 了。它没有为了“凑改动”而瞎纠正确的代码，只做了应该做的部门，好比 hover 颜色、demo 交互、文档同步。 成心思的是，SkyClaw-v1.0 于内部辨认出“这个 prop 已经经存于”，但终极报告请示给我的时辰只说“没有碰到坚苦 。这一点是我厥后经由过程对于比 git diff 及源码才发明的，而更好的选择应该是，自动告诉我“你以为要新加的功效实在已经经做好了，以是我跳过了组件源码修改 。 别的一个比力较着的短板是时间。Level 1 是几分钟弄定的，到了 Level 2 时间膨胀到了 30 分钟。于多文件协调使命眼前，它显著变慢了。 Level 3（最难）：从恍惚症状定位到切确修复 我只描写了一个别验问题，页面于小屏幕上滑动时会震一下，iPhone 尤其较着，桌面 Chrome 没事。此外我没告诉它任何代码细节，让它本身定位、本身修，这是最磨练 Agent 真实工程能力的使命。 SkyClaw-v1.0 给了我教科书级另外陈诉。先点出根因（-webkit-overflow-scrolling: touch共同 iOS Safari 的 scroll gesture chaining），然后注释三个相干 CSS 观点（每个都正确），给出修复方案（overscroll-behavior: contain），末了申明为何这个修复优雅（不粉碎桌面端，不影响横向滑动，比粗鲁禁用滚动更克制）。 转头去看，SkyClaw-v1.0 的整个修复只加了 1 行 CSS。 我去 grep 验证它说的根因是否是真的，成果是第 553 行确凿有它指出的代码。这份诊断不是瞎猜，确凿是基在现实代码切确定位的。 工作有趣之处就于这里。假如按“难度递增、患上分递减”的直觉，三关的成就应该是 5 分 → 4 分 → 3 分。但 SkyClaw 给出了相反的曲线： Level 1（最简朴）体现一般，Level 2（中等）体现优良，Level 3（最难）体现优异。 越难的题，它反而做患上越好。 一种可能的注释是，越难的使命越偏“模式辨认”。iOS Safari 的滚动 bug 是 Stack Overflow 上被会商过几千次的经典问题，模子于练习数据里见过太多近似案例，以是能直接掷中。而 Level 1 及 2 看起来简朴，现实考查的倒是“工程规律”，好比自动扩展搜刮、自动反馈判定、清算副作用，这些反而是它的弱项。 是以 SkyClaw-v1.0 于“现有代码库修改”上的真实画像是： ▪✅ 单点 bug 修复、模式匹配类问题——靠近顶级模子 ▪✅ 写出来的代码自己——质量高、解释规范、界限思量周全 ▪⚠️ 跨章节、跨文档的自动搜刮——给它详细规模它就只搜阿谁规模 ▪⚠️ 工程沟通——它会于心里做要害判定，但不会自动告诉你 ▪⚠️ 多文件协调使命——会显著变慢，30 分钟改 6 个文件 这正好印证了开篇那句话，Agent 模子今天的能力曲线，不是按“难度”漫衍的，是按“练习数据匹配度”漫衍的。于它练习过的赛道里像专家，于它没练习过的赛道里像新手。 这是 SkyClaw-v1.0 的界限，也是今天任何 Agent 模子的界限。 04 回到最实用的问题，SkyClaw 是否是真的自制？ 它的标价是 0.5 元 / 百万输入 token，4 元 / 百万输出。于 2026 年 5 月这个时间点上，它确凿是同梯队里最自制的之一： 5 月这一波海内模子团体降价很是密集。DeepSeek V4 Pro 于 5 月 22 日把限时扣头变永世，小米 MiMo 于 5 月 27 日公布最高 99% 的降价（cache 掷中场景下），整个市场处于快速调解中。SkyClaw 的订价就是于这个时间点抛出来的，它不是忽然冒出来的一个自制模子，而是介入了一场行业级的价格战。 但 Agent 使命的现实成本，从来不是单价决议的，更主要的是完成一个使命耗损几多 token。 以前的实测中，SkyClaw 于价格以外，也体现出了一些隐性的成本因素。 第一是延迟颠簸。我做不变性测试时，持续挪用 10 次统一个简朴 prompt，最快 2.1 秒，最慢 37.8 秒。10 倍的颠簸幅度，对于及时交互场景而言，这类不成猜测的延迟会很熬煎。 第二是使命时间膨胀。Level 2 阿谁 6 文件协调使命跑了 30 分钟，这自己就是时间成本。 第三是东西挪用偏向。它于主动化测试里呈现过“问 1+1 也挪用计较器东西”的举动。这是 Agent 后练习的副作用，即练习时重复强化“用东西是好的”，致使它于不需要东西的场景也偏向在挪用东西解决问题。每一一次分外挪用都是成本。 于这些场景里，“自制”就会打折。好比多文件协调、需要重复试错的使命、对于及时性敏感的事情，这些场景下 SkyClaw 可能用更多 token、更永劫间，末了的总账未必比顶级模子省。 但反过来讲，于 SkyClaw 的恬静区里，它的性价比又无可撼动。好比批量化的格局化使命，还有有此前实测过的单点 bug 修复及从零天生单文件运用，这些场景下 SkyClaw 的自制是板上钉钉的。 假如你看到这里，关在 SkyClaw 的判定应该比力清晰了。 它合适的场景包括： ▪从零天生完备的小东西、UI、陈诉——它练习的恬静区 ▪对于成本敏感、挪用频次高的批量化 Agent 使命编排 ▪单点的、模式化的代码问题（CSS bug、配置问题、明确的功效加减） ▪严酷 JSON 输出、格局化数据天生 ▪需要把一个设法快速酿成可玩 demo 的场景 不太合适的场景： ▪于年夜型现有代码库里做邃密修改（漏改危害高，需要人工 review） ▪需要 agent 屡次自动澄清需求的对于话型使命（它偏向在 silent decision） ▪及时交互场景（延迟颠簸太年夜） ▪需要严酷 git 卫生的事情流（它会留下 npm 副作用） ▪你想要一个 通用万能助手 ——它不是 05 回到开篇那句话，术业有专攻。 这是一个被说滥了的词，但于 AI 模子范畴，它正于变患上愈来愈切确。咱们正于从“一个年夜模子解决所有问题”的时代，逐步走向“差别模子擅长差别使命”的时代。SkyClaw 的发布，就是这类分解的一个详细切片。 但比 SkyClaw 自己更值患上思索的，是一个更基本的事实：咱们作为人的幻觉，可能才是更应该警惕的工具。 咱们常常憧憬一个“全能模子”，给它任何问题，它都能给我谜底，给它任何使命，它都能完善交付。于这类憧憬里，咱们轻易弱化做成一件事的成本，轻易强调终极结果的想象。但这是不切现实的。 SkyClaw 被清楚地界说为一款高机能 Agent 模子，而相识一款模子的界说、界限及局限性，偏偏是比想象及许愿都更主要的事。 这也是一小我私家、一个团队、一家公司是否真正能驾御 AI 的基本表现。不是知道这个模子有多强，而是知道它于何时会不行、不行的时辰怎么办、咱们能用它换来甚么、为此又要支付甚么。 假如你只是想找一个能跑、自制、天生质量于线的 Agent 模子，SkyClaw 此刻就是一个很合理的选择。 假如你期待它能解决你事情里所有的代码问题，它显然不是那种工具。 但话说回来，这件工作今天仍旧没有任何模子能做到。认可这一点，比期待全能更靠近真正的工程。 雷峰网特约稿件，未经授权禁止转载。详情见转载须知。
吉公网安备 22010202000255号