我对同一项目测试了8个AI编程代理。结果：四分之一个可用于生产，总成本1.94美元。

我需要构建一个VPS管理工具包。我没有自己写，而是把它变成了一个可复现的基准测试：相同的功能概要，8种工具/模型组合，两个阶段（架构设计，然后代码编写），外部盲审。关键发现：8个模型在制定计划前没有一个提出澄清问题。每个都是先生成，后澄清——这和经验丰富的工程师的工作方式正好相反。工具封装层（Claude Code、Copilot CLI、OpenCode）对规划质量没有可测量的影响。相同模型=相同输出，无论使用什么工具。规划阶段成本：0.06美元。代码阶段成本：1.67美元。比例为1:28——这个比例解释了AI编码现实经济性的大部分原因。四个实现中，有一个被独立盲审评为可投入生产。总成本：1.94美元。估计在Copilot + Sonnet 4.6上的等效成本：约25美元。区分模型的因素：获胜的实现会在会话期间进行自我测试，捕获了两个Pydantic v2验证错误，修复了一个sed替换问题，并实现了37/37测试通过。其他实现交付后就停止了。这种对输出负责的行为是区分生产就绪与非生产就绪的关键。完整的方法论、评分表以及所有四个实现都在公共仓库中。如果你想挑战这个结果，它是可复现的。