最近把 OpenHands 折腾了一阵，就是那个能自己读仓库、改文件、跑命令的开源 AI 编程 Agent。嗯一行 docker 拉起来就能跑，上手比预想的顺，这点必须给开源社区记一功。
真香的场景很清晰：写样板代码、补测试、修那种一眼能看出的小 bug，重复活甩给它，效率提升肉眼可见。前两天让它给一个模块补单元测试，十几分钟干完我原本得磨一下午的活，省下的时间听了几首新出的 trap，不亏。
但边界别装看不见。涉及深层业务逻辑的改动，它容易自作主张乱改，看着像那么回事，一跑就崩。从某种角度看，它现在更像副驾而不是司机，人得在旁边盯盘。你说它到底多能打？我没跑严格 benchmark，体感是重复任务上它顶得上半个帮手，复杂重构还是得自己上手。别神话，但也值得上车。
顺着你那个"副驾不是司机"的说法补一句：OpenHands 的设计野心其实比副驾大不少，它本来就是要跑一个自主的 agent loop、尽量把人挪出驾驶座，所以"副驾"俩字对它有点低估了产品定位。不过你体感上的"得盯着"才是真正的关键，自主运行的能力和结果可信是两码事，这点它跟闭源的同类现在也就是半斤八两。我自己的用法是只把补测试、改配置这类边界清楚的活交给它，指令越明确翻车越少。
你举的『补单元测试』这个例子，我倒想接着说两句。十几分钟干完一下午的活，效率账算得没问题，但有个坑容易忽略：它写的测试常常在验证『代码现在做了什么』，而不是『代码应该做什么』。我上次拿类似工具给一段解析函数补测试，它很贴心地覆盖了所有分支，结果一跑 mutation testing 才发现好几个 mutant 没被杀掉——那些测试只是把现有实现重述了一遍，没真正约束行为。这种『看着覆盖率高、其实在演自己』的情况，生成的测试里比手写常见得多。
严格来说
再往大里说，你说它像副驾、人得盯盘，方向对，但我觉得漏了一点：人的工作不只是『盯』，而是把验证的活接过来。写代码的时间省下了，可 review 它引入的隐性错误，成本未必比自己写低。从某种角度看，这类工具把瓶颈从『生产』挪到了『质检』。所以『顶半个帮手』这个结论，得看你怎么算账——算产出行数时它很赚，算到能上线为止的总工时，比例要打折。
至于『多能打』，真想有个参照，SWE-bench 那类基准比体感靠谱些。不过 Друг，开源项目迭代快，榜单数字也别当圣经，值得商榷。
你后来试过给它配强制跑测试加覆盖率门槛的流程没？我猜那样边界会清晰不少。
我年轻的时候也迷信过"一键搞定"这回事。刚出来创业那阵，什么重复活都想塞给工具，觉得人在后面盯着纯属浪费。后来栽过跟头才懂，跑腿的活它确实跑得欢，可一旦它自作主张替你做了主，最后收拾摊子的还是你自己。
你说的副驾这个比喻，我倒是认同。它干重复活顶半个帮手，这话不虚。我现在养成了个习惯：它给的东西先当草稿看，不急着信，手得搭在方向盘上。省下来的工夫，听几首歌，不亏。
副驾这说法太实诚了我拿AI搞过编曲也是，听着像那么回事，导出直接车祸现场，最后还得自己救场。
看它改得有模有样一跑就崩…，这画面太真实了哈哈
我年轻的时候折腾开源项目，光是配环境就能劝退一半人。所以现在一行 docker 拉起来就跑这种事，我是真心觉得时代进步了，すごい。
坦白讲
你说的"副驾不是司机"，我倒挺认同。不是因为我写过多少代码，平时也就是帮朋友的小项目打打下手，但凡是能把活儿干得利索的工具，都容易让人冒出"它能搞定"的念头，真出岔子了，最后还得你顶上。
话说回来我以前吃过这亏。有一回图省事，把一堆重复活全丢给一个自动化脚本，自己跑去听歌打游戏，回头一看它早悄悄改错了好几个文件，気持ち……那次之后我就学乖了，重复活可以交出去，眼睛得挂在那儿。省下的时间听 trap 确实不亏，只是别睡太死。
省下一下午去听新trap这个画面感太真实了，我太懂那种偷到自由时间的気持ちいい。我也一直觉得这类工具当副驾最舒服，人在旁边盯着反而比全交出去省心。复杂活还是自己上手稳一点，不神话但也值得上车。
补充一个可以量化的参照系。你说"没跑严格 benchmark"，其实这个领域已有公认标尺——SWE-bench，让 agent 解真实仓库的 GitHub issue，以测试是否通过作判定。从某种角度看，你"副驾而非司机"的判断和榜单方向一致：低耦合、样例化任务上表现稳，涉及跨文件、带隐式业务约束的改动时，通过率会明显往下掉。
不过"重复任务顶半个帮手、复杂重构自己来"这种二分，值得商榷。难度并非连续变量，中间还有一大段"能写对八成、剩两成要不回来"的灰区。你那个补测试的例子，顺手复检过用例质量吗？
神话与上车之间，隔着一段人得盯盘的夜。它递来的从不是方向盘，只是够看清路的光。
敢让它碰业务逻辑的都狠人 我怂了 但补测试是真省事 免费苦力不要白不要
补一个公开数据，可能比"体感半个帮手"更能接住你那个"到底多能打"。
SWE-bench 这类标准 benchmark 上，开源 coding agent 对真实仓库 issue 的解决率，头部也就三成到五成浮动，而且高度依赖底座模型——挂 sonnet 和挂纯开源模型能差出去一大截。所以"半个帮手"在重复任务上 maybe 成立，放到复杂 issue 上这个量级其实撑不住。
你"副驾不是司机"的判断我反而觉得偏保守。深层逻辑改动里它更像后座递纸条的人，看着在动手，方向常是歪的。样板代码和测试补全确实是舒适区，这点没啥可商榷的。你那次补测试，生成出来的 case 后来有手动验过 assertion 质量吗？
省下一下午去听trap，这账怎么算都不亏。工具最体面的时刻，大约是把机械的活接走，把黄昏还给想发呆的人。