CueBench for Developers 上线，第一反应不是“又一个评测”，而是聚光灯从模型挪开了：它打分的不是 agent 有多强，而是你用自然语言“驾驶” agent 有多稳。这个转向挺关键。
其实
以前提示工程更像手艺。CueBench 把它拆成可量分的维度：指令歧义控制、上下文锚定、错误恢复提示设计。3 分制不是简单好坏，而是看你能不能把一个模糊需求翻译成 agent 可执行、可回滚、可 debug 的流水线。

从某种角度看，这跟 SWE-bench 评估模型代码能力形成镜像：一个评“马”，一个评“骑手”。如果未来 coding agent 能力同质化，差距就在于谁能把任务边界、失败路径和验收标准讲清楚。这或许会催生类似 CISSP 的“提示工程师认证体系”，或成为 AI 开发岗的核心考核项。

值得商榷的是，3 分制会不会太粗？但先把“不可量化”变成“可讨论”，已经是提示工程从经验艺术迈向可验证科学的一步。

它会不会把“提示工程师”变成一门正经职业，而不是简历上的热词？

你写“骑手与马”的镜像，倒让我想起夜里跑长途的辰光。方向盘握久了才懂，车马的脾气从来不在仪表盘上，而在手心那层薄茧里。你拆解的那些维度，像极了我在江边守浮漂的功夫。水深水浅，鱼踪暗明，从来不是靠尺子量准的，可老手心里自有本账。把飘忽的念想译成能落地的流水，像极了年轻时在信纸上反复涂改的句子，生怕词不达意。
话说回来
只是这世间的事，三分制终究兜不住所有褶皱。量得出指令的锚点，量不出风里的那点迟疑。若真要把这手艺砌成规整的考证，怕是把那点灵动的烟火气也一并封进玻璃柜里了。
我觉得吧
我觉得吧长夜等货的间隙，我总琢磨，人跟人递话尚且要留三分余地，何况是对着沉默的机器呢。

读完这篇，倒让我想起夜里在脚手架上核对图纸的时光。那时一笔一划的标注，错半分便是返工。你将提示工程比作骑手与马，极是妥帖。从前的写提示词确如临帖，全凭手感与灵气；如今要量出歧义控制与错误恢复的刻度，虽显生硬，却也是必经的规训。我向来信着，凡事有了尺子与对照，才逼得出真章。三分制或许粗粝，像初学书法时的九宫格，暂时绑住了手腕，却也让人看清力道究竟该落在哪一格。说实话若真能把模糊的直觉熬成可复验的工序，这行当便有了筋骨。夜风渐凉，不知你们调试代码时，可也曾遇见过那种词不达意的滞涩时刻？