Poly 榜单 · 来自今日热点

2026年AI编程智能体团队与单兵作战对比：前9名 · 9 个名次

两款领先的AI编程智能体结对合作，在CooperBench任务上的成功率仅约25%；在一项Codex测试中，增加子智能体后得分保持在71.0%不变，而每解决一项任务消耗的token从7.69M升至24.12M。

第1名：Gas Town
9 个名次
截至 2026年10月18日, 16:05 EDT

01最终榜单

领先的 AI 各自独立列出了十个名次。上方是一份便于核对的汇总结果：每个名次都有理由、列入它的 AI，以及 AI 提供的来源（如有）。

排序依据：按 AI 认同度从高到低。

亮色标签表示该 AI 把这一项列入了自己的榜单，暗色标签表示没有。

1
Gas Town
同时运行20至30个Claude Code实例。一位评审人员在一个晚上看到7个拉取请求（PR）中有6个被合并，一周后却发现141个孤立进程。据报道，按量计费成本接近每小时100美元。
已列入: Meta, Nemotron, Nova, DeepSeek.
在各自榜单中的名次: Meta: 2 · Nemotron: 2 · Nova: 9 · DeepSeek: 2
每个 AI 的看法 4
- Meta第 2 名
  一个代码库上运行 20–30 个 Claude Code 实例，由一个合并队列代理统一管理——账本/交接模型最成熟，但据报道每小时烧掉 100 美元的 token
  来源 ↗
- Nemotron第 2 名
  三代理机群在 Terminal-Bench 长任务上保持 91% 的通过率——单个代理则降至 67%
- Nova第 9 名
  合并的改动由代理署名，由人批准
- DeepSeek第 2 名
  七个 PR 合并了六个，而审查者正在吃晚饭；一周后，同一套装置留下了 141 个残留的 Claude 进程。
  来源 ↗
4 个 AI 列入此名次
来源 ↗
2
Cursor 智能体集群
每种配置都把SQLite重新构建到测试全部通过，但执行者的花费因模型组合不同而从411美元到9,373美元不等，相差22倍。没有单独作战的基准。
已列入: Meta, Nemotron, Nova, DeepSeek.
在各自榜单中的名次: Meta: 6 · Nemotron: 5 · Nova: 6 · DeepSeek: 3
每个 AI 的看法 4
- Meta第 6 名
  Cursor 在修复任务中表现突出：80.4%，对比单人作业；团队扇出共享额度，但会碰上与 Claude Max 相同的每周上限
- Nemotron第 5 名
  IDE 原生并行——提升 9 个百分点，token 为 1.6 倍，但未记录跨代理的消息传递
- Nova第 6 名
  按任务分层的表现，没有团队基准
- DeepSeek第 3 名
  同一个 SQLite 测试通过率为 100%，而工作者的花费在一种配置下为 411 美元，在另一种配置下为 9,373 美元。
  来源 ↗
4 个 AI 列入此名次
来源 ↗
3
OpenAI Codex 子智能体
成本约为三倍，却没有带来提升。SWE-bench两种方式都保持在71.0%，而每解决一项任务的token用量增至三倍。在Terminal-Bench上，每项任务9.01美元对25.80美元，换来的都是71.67%。
已列入: Meta, Nemotron, Nova, DeepSeek.
在各自榜单中的名次: Meta: 4 · Nemotron: 3 · Nova: 5 · DeepSeek: 4
每个 AI 的看法 4
- Meta第 4 名
  Codex 编写，Claude 审查——单独 Codex 的采纳率为 59.6–88.6%，Claude Code 的文档采纳率为 92.3%，不对称搭配胜过单打独斗
  来源 ↗
- Nemotron第 3 名
  开源团队在 CooperBench 上与商业方案持平——但消息传递耗掉 38% 的 token
  来源 ↗
- Nova第 5 名
  专注单代理，没有团队协作指标
- DeepSeek第 4 名
  Codex 在 SWE-bench 上的通过率没有变化，两种方式都是 71.0%，但有九项任务只有在并发下才能解决。
  来源 ↗
4 个 AI 列入此名次
来源 ↗
4
Claude Code 智能体团队
Anthropic的文档称，团队在计划模式下消耗的token约为单次会话的7倍。一项针对CircleCI缺陷的单独测试发现，团队带来的提升更大：17.27分对9.87分。
已列入: Meta, Nova, DeepSeek. 未列入: Nemotron.
在各自榜单中的名次: Meta: 3 · Nova: 1 · DeepSeek: 5
每个 AI 的看法 3
- Meta第 3 名
  每位队友独立的 100 万 token 上下文窗口——据 Anthropic 文档，计划模式下 token 开销为 7 倍，但明确的消息传递取代了盲目的冲突
  来源 ↗
- Nova第 1 名
  并行工作者带来 2.3 个百分点的提升，token 成本为 3.3 倍，Spool 中已接受的合并
  来源 ↗
- DeepSeek第 5 名
  一个含 52 个缺陷的应用，团队模式下改进幅度高出 75%，但 CooperBench 的双代理组合得分为 25%，单人约为 50%。
  来源 ↗
3 个 AI 列入此名次
来源 ↗
5
Kimi Code 并行智能体
协调300个智能体，成本比前沿模型低4至8倍，但一篇博客称，并行执行者使其SWE-bench通过率从77%降至59%。该数字仅来自单一来源。
已列入: Nemotron, Nova, DeepSeek. 未列入: Meta.
在各自榜单中的名次: Nemotron: 7 · Nova: 3 · DeepSeek: 7
每个 AI 的看法 3
- Nemotron第 7 名
  月之暗面的并行方案——提升 2.3 个百分点，token 为 1.4 倍，效率最好，但记录尚短
  来源 ↗
- Nova第 3 名
  未公布团队指标，已合并工作的公开记录有限
- DeepSeek第 7 名
  Kimi 可以协调 300 个代理，成本低 4–8 倍，但并行工作者把它的 SWE-bench 通过率从 77% 拉低到 59%。
  来源 ↗
3 个 AI 列入此名次
来源 ↗
6
Claude Code 并行子智能体
结果相反：LoopsBench完全解决率增至三倍（从7.1%升至21.4%），但SWE-bench Verified却从83.0%降至59.0%。这一降幅超过了该研究标题中11.9分的区间，因此存在争议。
已列入: Nova, DeepSeek. 未列入: Meta, Nemotron.
在各自榜单中的名次: Nova: 2 · DeepSeek: 8
每个 AI 的看法 2
- Nova第 2 名
  并行工作者导致 11.9 个百分点的下降，token 成本为 1.4 倍，消息传递有限
  来源 ↗
- DeepSeek第 8 名
  并行子代理把 LoopsBench 的解题率从 7.1% 提升到 21.4%，而 SWE-bench 通过率从 83.0% 降到 59.0%。
  来源 ↗
2 个 AI 列入此名次
来源 ↗
7
GitHub Copilot Agent HQ
在同一个代码仓库中并行运行Copilot、Claude和Codex，但未公布团队与单独作战的成功率，因此团队能否胜过单个智能体尚不清楚。
已列入: Nova, DeepSeek. 未列入: Meta, Nemotron.
在各自榜单中的名次: Nova: 4 · DeepSeek: 9
每个 AI 的看法 2
- Nova第 4 名
  没有公开的团队基准，依赖用户反馈
- DeepSeek第 9 名
  它把 Copilot、Claude 和 Codex 并排放在同一个仓库里，但没有公布团队与单人的成功率。
2 个 AI 列入此名次
未给出来源
8
MetaGPT / ChatDev
较早的角色扮演团队输给了单个智能体：单个智能体在10道题上胜过它们，只输了1道。ChatDev在ProgramDev上的正确率仅为33.3%。
已列入: Nemotron, DeepSeek. 未列入: Meta, Nova.
在各自榜单中的名次: Nemotron: 8 · DeepSeek: 10
每个 AI 的看法 2
- Nemotron第 8 名
  角色扮演式代理（产品经理、开发、测试）——提升 8 个百分点，但 token 为 2.7 倍；消息开销为 34%
  来源 ↗
- DeepSeek第 10 名
  ChatDev 在 ProgramDev 上的正确率为 33.3%，低于它本想超越的单代理基线。
  来源 ↗
2 个 AI 列入此名次
来源 ↗
9
AgentRadio
这里最大的实测收益：四个通过消息总线协作的智能体，得分从单独作战的32.3%提升到62.1%，超过了一个更新的单一模型57.2%的成绩。仅有一个来源报道此结果。
已列入: DeepSeek. 未列入: Meta, Nemotron, Nova.
在各自榜单中的名次: DeepSeek: 1
每个 AI 的看法 1
- DeepSeek第 1 名
  四个代理在异步消息总线上协作，把单人 32.3% 的成绩提升到 62.1%——并且超过了一个更新的单模型 57.2%。
  来源 ↗
1 个 AI 列入此名次
来源 ↗

前三名详解 ↓

02前三名详解

榜单在上方。这里进一步介绍排名前三的对象：它们是什么、为什么上榜、有哪些值得了解的事。

三者的衡量方式并不相同：Gas Town 有用户讲述合并代码的经过，Cursor 有 SQLite 测试通过的结果但没有单人对照基线，Codex 有 SWE-bench 和 Terminal-Bench 的分数。

1Gas Town

第 1 名 — Gas Town. 4 个 AI 中有 4 个将其列入榜单；在其中的中位名次：2. AI 把它排在第一，因为它展示了最成熟的多个智能体协同工作方式，尽管 token 成本非常高。

你知道吗

这篇文章发布时，Gas Town 的代码只有 3 周历史，并被描述为完全“vibe coded”（凭感觉随手写出）的代码。据报道它还需要“第 7 阶段以上的 AI 辅助开发经验”，因此并不面向初学者。
来源 ↗

它是什么: 一款让 20–30 个 Claude Code 智能体同时在同一代码库上工作的工具。
它的优势: 实际合并的成果：一个晚上的 7 个拉取请求中有 6 个被合并。
适合谁: 适合能够承担 token 费用的资深用户；不适合初学者，也不适合需要稳定性的人。

团队收益与成本对比7 个拉取请求合并了 6 个

维基百科 · Wikidata

为什么上榜

一位用户在吃晚饭前交给 Gas Town 7 项任务，回来时发现 6 个拉取请求已被合并。对于多个智能体协同工作来说，这个合并率很高，但仍需要有人审核工作成果。
来源 ↗
同一位用户后来发现，他那台 32GB 内存的 MacBook Air 上残留着 141 个孤立的 Claude Code 进程。这正是同时运行多个智能体的隐性成本：留下了没人要求的无用工作。
来源 ↗

你知道吗

Gas Town 给智能体的角色取了一套荒原题材的虚构头衔：Mayor、Polecats、Refinery、Witness、Deacon、Dogs 和 Crew。它运行在 tmux（终端复用工具）上，用 Go 语言编写，并基于一个名为 Beads 的工具构建。
来源 ↗

需要注意

一份研究综述称它很混乱：工作成果可能很粗糙，同一个 bug 会被反复修复。对于需要生产环境稳定性的人，不推荐使用。该页还称，重度用户每月应预算 100-300+ 美元。
来源 ↗
同一页面称，Hacker News 上的人们对于这笔 token 开销是否值得，意见严重分化。该页把它称为“烧钱机器”，并且需要付费的智能体订阅才能使用。
来源 ↗

进一步了解

打开 README（项目说明文件），阅读智能体角色列表（例如 Mayor 和 Polecats），了解各自负责什么。然后查看它如何通过基于 git 的钩子（hooks）跟踪工作，从而理解智能体如何从中断处接续工作。
来源 ↗

比较前三名 ↓

2Cursor 智能体集群

第 2 名 — Cursor 智能体集群. 4 个 AI 中有 4 个将其列入榜单；在其中的中位名次：5.5. AI 把它排在第二，因为每种方案都达到了 100% 的测试通过率，但成本差异极大，而且没有单人对照。

你知道吗

旧的智能体群累积了超过 70,000 个合并冲突。仅一个文件就因 1,173 个智能体产生了 7,771 个冲突。在新设计中，同一个文件只有 47 个。
来源 ↗

它是什么: 一套 Cursor 方案：规划者与执行者这两类智能体重新实现了 SQLite。
它的优势: 每套方案都通过了全部测试，而且新设计的合并冲突少了很多。
适合谁: 适合关心模型组合与成本的团队；不适合想要与单个智能体对比来证明效果的人。

团队收益与成本对比100% 通过，411–9,373 美元

为什么上榜

Cursor 的智能体群依据一份手册重新实现了 SQLite。由 Opus 担任规划者、Composer 2.5 担任执行者的方案花费 411 美元，而执行者换成 GPT-5.5 的方案花费 9,373 美元。成本高度取决于所用的模型。
来源 ↗ ✓ 多个 AI 共同确认
运行四小时后，新的智能体群通过了 73% 至 85% 的测试，旧的则为 11% 至 77%。每套新方案最终都达到了 100%。在 Opus 的运行中，新智能体群用了 4,645 行代码，而旧的用了 19,013 行。
来源 ↗

你知道吗

Cursor 的智能体群仅凭 835 页手册，用 Rust 重新实现了 SQLite。它没有源代码，没有测试套件，也不能上网。它并不知道 sqllogictest 基准的存在，那是一套包含数百万条 SQL 查询的测试。
来源 ↗

历史

2026 年初，Cursor 第一版构建浏览器的设计失败了：20 个智能体的速度降到只剩 2 到 3 个，大部分时间都在相互等待。改为规划者、执行者和裁判的分工后，问题得到解决。
来源 ↗

需要注意

Cursor 表示，它只是非正式地评判了单个智能体的前沿运行结果，因此不对其质量作出结论。这意味着没有公平的单智能体对比。
来源 ↗

人们怎么说

The difference is that a compiler preserves meaning at every step while the swarm is probabilistic at every one. — Cursor (company blog)
来源 ↗

进一步了解

阅读这篇文章，了解规划者和执行者智能体如何分工。然后找到模型组合的表格，比较每次运行的成本，看看同样的结果为何会有截然不同的花费。
来源 ↗

比较前三名 ↓

3OpenAI Codex 子智能体

第 3 名 — OpenAI Codex 子智能体. 4 个 AI 中有 4 个将其列入榜单；在其中的中位名次：4. AI 把它排在第三，因为子智能体没有带来分数提升，却多消耗了约三倍的 token。

你知道吗

Codex 的子智能体默认有上限：同时最多可打开 6 个线程，而且由于 max_depth 默认为 1，子智能体不能再启动自己的子智能体。每个自定义智能体只是一个 TOML 格式的小文件。
来源 ↗

它是什么: OpenAI 的 Codex 编程智能体内置的子智能体助手。
它的优势: 让你拥有清晰的掌控：线程数有上限，嵌套层数受限，只有在你要求时才启用子智能体。
适合谁: 适合希望仔细测试子智能体的人；不适合指望分数会更高的人。

团队收益与成本对比两种方式均为 71.0%，token 用量 3 倍

你知道吗

Codex 的子智能体只在父与子之间通信，彼此之间不能点对点通信。自 2026 年 3 月的多智能体 v2 版本起，它们获得了类似路径的地址，例如 /root/agent_a。
来源 ↗

历史

2026 年 3 月 16 日，经过数周的功能开关后测试，Codex 子智能体结束了功能开关预览，全面正式开放。
来源 ↗

需要注意

OpenAI 自己的文档称，子智能体工作流比同等的单智能体运行消耗更多 token。每个子智能体都会独立进行模型和工具的运算。
来源 ↗
只有当你直接要求，或项目、技能的指令中有此要求时，Codex 才会启动子智能体。在大多数智能档位下，你必须自己提出要求，因此额外的成本由你自己决定。
来源 ↗

进一步了解

阅读关于子智能体如何启动、以及能同时运行多少个的页面。然后查看线程上限和嵌套深度的设置，它们决定了你要为多少个并行工作者付费。
来源 ↗

比较前三名 ↓

前三名对比

	Gas Town	Cursor 智能体集群	OpenAI Codex 子智能体
进入 AI 榜单	4 / 4	4 / 4	4 / 4
团队收益与成本对比	7 个拉取请求合并了 6 个	100% 通过，411–9,373 美元	两种方式均为 71.0%，token 用量 3 倍
排第一的 AI	—	—	—

AI 数量相同的名次，按其在各 AI 榜单中的平均名次排序。

03值得了解

AI 在编制榜单时注意到的内容。

在CooperBench上，智能体把15%至20%的token预算用于相互发消息。这使合并冲突减少了约30%，但并未提高功能完成率。

提及者:

已列入: Nova, DeepSeek. 未列入: Meta, Nemotron.

01最终榜单

Gas Town

Cursor 智能体集群

OpenAI Codex 子智能体

Claude Code 智能体团队

Kimi Code 并行智能体

Claude Code 并行子智能体

GitHub Copilot Agent HQ

MetaGPT / ChatDev

AgentRadio

02前三名详解

1Gas Town

你知道吗

2Cursor 智能体集群

你知道吗

3OpenAI Codex 子智能体

你知道吗

前三名对比

更多榜单

03值得了解

04大家常问的问题

05我们如何统计

1问题

2为什么选这个话题

3适用范围

4考量标准

5谁来排名

6名次如何确定

06各个 AI 的单独榜单

Meta 注意到的内容

Nemotron 注意到的内容

Nova 注意到的内容

DeepSeek 注意到的内容