运行 Anthropic 或 OpenAI 的某个代码代理在一个真实的代码库上跑几个小时，最后你得到的只是一个聊天记录，几乎完全看不出它实际上在磁盘上改了什么。 这两家实验室都在不断推动这些代理可以独立运行的时长，但都没有提供一个对应的方法来在事后重现它们的操作。你可以实时观看整个运行过程，但一天后仍然无法说清楚，它的哪个修改导致了生产环境出问题。