ScarfBench 一出来，我就觉得它不是普通 benchmark，而是给企业级 AI 代理发了张 Java 实战准考证。之前测大模型不是写代码就是写作文，可一到把 Spring Boot 2.x 迁到 3.x 这种脏活，很多代理立刻暴露 API 认知断层：自动配置、bean 命名、私有依赖这些运行时细节，不是读文档就能懂的，得有领域运行时心智模型。
我在首尔实习时见过公司为了迁老框架开三个月会，程序员一边喝咖啡一边骂。所以现在的提示工程已经不够用了，得把 IDE、CI 报错、私有仓库全塞进上下文做编排。换句话说，与其说我们在设计 prompt，不如说是在设计一份“上下文交付协议”。
ScarfBench 的分数高低反而不是重点，它把一次迁移能不能成，变成了可量化的契约。以后甲方乙方至少能指着报告说：你这一步就是没过。대박，愿少点撕逼。
