9 月 10 日延伸阅读: Copilot 托管权限：本次更新的变化.
核心问题： 你的团队已经在用 AI 编程智能体。更难的问题是：你能否看清它们在做什么、控制它们在哪里运行、并解释它们的成本。2026 年，把一次有用的智能体落地和一次失控的落地区分开的，是治理，而不是模型本身的分数。
三个值得读的产品变化，和一个我们删掉的对比
八月到九月初的三个信号，会影响你评估下一个智能体采购的方式。我们为每一条给出来源，并标明哪些仍未核实。
AWS 发布了 Kiro Crew，一个面向其 Kiro 编程工具的开源多智能体编排层。官方公告描述的是：通过开放的 Agent Client Protocol（ACP）编排智能体，规划与执行的每一步都可以实时观测。这是可证实的部分。“Crew 自带企业级数据治理”之类的营销说法并不在官方描述里，我们不会转述。
OpenClaw 2.0（版本 2026.8.1）重建了该项目基于浏览器的 Control UI，以对话为中心，文件、审批、设置和实时智能体工作集中在一处。这个发布是真实且可查的。我们无法核实的部分：有说法称这类发布正在推动企业大规模迁移、离开托管服务——没有任何独立采用数据支持这个趋势，因此我们在本篇早期草稿中删除了它。
Claude Code 的额度在九月发生了变化。 多家二手报道口径一致：Anthropic 宣布“标准周额度永久提升 25%”，生效时恰逢 50% 的临时促销提升到期，重度用户的实际体感是相对此前水平净减少约 17%。我们在发布前未能对照 Anthropic 官方公告核实这一算术，因此请把这个具体百分比当作“据报道”，而不是“已确认”——并把它当作一个提醒：促销额度是会到期的。
我们删掉了什么： 本文早期草稿引用了 Claude Opus 5 和 Cursor Composer 2.5 的具体 SWE-bench 分数。这两个数字来自不同的基准配置，“官方”榜单数字与独立测试互相对不上，Cursor 自己也发表过关于基准膨胀的文章。一个无法锚定到同一测试方法的跨厂商分数对比，比没有对比更糟，所以我们直接删掉了数字。
我们的判断：治理本身就是评估，不是一个“功能”
厂商会持续发布编排、可观测和权限功能——Kiro Crew 和 OpenClaw 的审批界面都是证据。我们的看法（这是判断，不是测量到的趋势）是：只有当你的团队能够针对实际运行的配置回答下面清单里的问题时，这些功能才有意义。一个说不清任务在哪里运行、碰过什么、花了多少钱的平台，无论基准分数多高，都难以治理。
一份能扛住换厂商的治理清单
用这份清单给任何 AI 编程平台打分——托管服务、开源项目或混合方案都适用。目标不是拖慢开发者，而是让工作可审计的同时不杀死效率。
1. 环境控制。 任务是否运行在受管、可检查、可快照回滚的环境里？本地运行的智能体在凭证泄漏或构建只在某台机器上失败之前都很方便。为每个任务提供隔离开发环境的平台，才给你一个真正可执行的边界。
2. 权限边界。 你能否定义智能体可以触碰哪些仓库、密钥和模型端点——以及智能体能否自己改写这些规则？最危险的失败模式不是一次糟糕的 diff，而是一个改写自己访问策略的智能体。要看基础设施层的门禁，而不是提示词层面的约定。
3. 评审与审计轨迹。 每个任务、每次文件修改、每条命令、每次模型调用，是否都以人类可评审的方式记录？可读的日志是事后追溯；评审队列才是事前控制。平台应该让 diff、测试输出和模型理由对团队可见，而不是只对运行任务的个人可见。
4. 每个被接受任务的成本。 别再只看每美元多少 token。要衡量得到一次“已评审、已测试、被接受”的变更需要多少钱。单 token 更便宜但要多三轮评审的模型反而更贵。平台应该能在一处跟踪任务级成本、并发和模型选择——并且促销额度何时结束要写清楚。
5. 部署与数据路径。 你能否把平台跑在自己的网络里？这到底能买到什么？自托管可以把平台自身组件、你的仓库和任务记录留在你的边界内——这是部署条件，不是数据保证。你仍需核验模型端点、遥测路径、凭证、日志和备份，因为自托管的控制面仍然可能调用外部模型服务。任何“你的代码绝不离开你的网络”的说法都应该去验证，而不是默认成立。
基准分数只回答一个问题，治理回答五个
独立基准分数每个月都在变，单智能体分数只衡量一个智能体在固定测试框架里解决一个问题。它衡量不了你的团队如何评审、保护和支付这些工作。本站背后的平台 MonkeyCode 正是出于这个原因公开自己的证据链：它在 AGPL-3.0 下开源，任务运行在受管的服务端开发环境中，并为需要把平台放进自己网络的团队提供私有化部署路径。这三点都应该对照仓库和当前托管条款去核验——免费额度和模型列表都会变，自托管也仍然需要上述数据路径检查。
真正有用的变化是团队提出的问题。不再是“这个月哪个智能体最聪明？”，而是“哪个平台让我们拥有自己的工作流？”
如何执行评估
从你自己的待办里挑三个有边界的任务，在候选平台和现有方案上各跑一遍。记录：到“可评审变更”的时间、人工评审工作量、成本，以及任何安全或合规标记。然后问治理问题：谁能看到这个任务？代码在哪里运行？什么数据离开了网络？明天能否复现结果？
如果平台无法用证据回答这些问题，基准分数毫无意义。2026 年值得采用的 AI 编程平台，是把治理当功能做、而不是当合规件补的平台。
想从一个具体起点开始，可以对比受管平台模式与既有工具的运行模式，并使用自托管清单在下一次厂商调价逼迫你之前，先摸清自己的环境。