2026年8月，如果你还在问「谁是全球最强的 Coding Agent」，这个问题本身已经过时了。
过去一年，Claude Code 曾是唯一答案——它改变了软件工程，也开启了一场「Coding Agent 大战」。但今天，答案分裂了：不是「谁第一」的问题，而是「排行榜」这个概念已经失效，它裂成了三张互不相干的榜——模型智力榜、终端执行力榜、真实工程榜。而三张榜的冠军，是三个完全不同的产品。
一、第一张榜：模型智力榜——SWE-bench 的黄昏
先看最「传统」的一张榜。独立评测机构 vals.ai 在 8月6日更新了 SWE-bench Verified 榜单（统一使用 mini-swe-agent 最小化 harness，公平对比模型本身）：
| 排名 | 模型 | 得分 | 备注 |
|---|---|---|---|
| 1 | Claude Opus 5 | 97.0% | 闭源 |
| 2 | GPT-5.6 Sol | 96.2% | 闭源 |
| 3 | Claude Fable 5 | 95.0% | 6月12日已暂停 |
| 4 | Kimi K3 | 93.4% | 开源历史最高分 |
| 5 | GPT-5.6 Luna | 93.0% | 闭源 |
| 6 | Claude Opus 4.8 | 88.6% | 闭源 |
| 7 | Grok 4.5 | 86.6% | 闭源 |
但这张榜正面临信用危机。OpenAI 早在 2026年2月就宣布 SWE-bench Verified 已被污染，停止自报该基准。厂商自报数字与第三方复测之间的差距越来越大，SWE-bench 正在从「行业标尺」退化为「宣传素材」。
真正值得注意的，是第 4 名的 Kimi K3——月之暗面 7月16日在 WAIC 发布的 2.8T 参数模型，7月27日 MIT 权重上线 HuggingFace，是目前史上最大的开源权重模型。93.4% 意味着开源模型第一次摸到了闭源旗舰的天花板，差距从「代际」缩小到「个位数百分点」。
二、第二张榜：终端执行力榜——Codex 登顶
第二张榜测的是「能不能在真实终端里把活干完」。Terminal-Bench 2.1 公开榜（tbench.ai）的当前排名：
| 排名 | Agent | 默认模型 | 得分 |
|---|---|---|---|
| 1 | Codex CLI | GPT-5.5 | 83.4% |
| 2 | Claude Code | Opus 4.8 | 78.9% |
| 3 | Gemini CLI（Antigravity） | Gemini 3.1 Pro | 70.7% |
故事的转折点是：2025年的霸主 Claude Code，正在被 Codex 反超。DoltHub CEO Tim Sehn 花了三个月、用 agent 生成了 1500+ 个 PR（一个 C 语言嵌入式数据库项目），在 8月5日给出了他的实测排名：Codex 第一，Claude 第二，Grok Build 第三。
他的理由很直白：Claude 太慢、太贵、太「谨慎」——「Codex 单位时间完成的工作量是 Claude 的五倍」。Anthropic 的麻烦不止于此：旗舰 Fable 5 在 6月12日被暂停无法运行；Opus 5 被实测者吐槽「比 Opus 4.8 还笨」；$100/月的最高档套餐是唯一会烧完 token 的。Claude 只剩一张底牌——模糊任务的设计能力（代码评审、性能优化、架构建议），这也是它长期以来的「秘制酱料」。
三、第三张榜：真实工程榜——Harness 锁定时代
第三张榜最反直觉：它排的不是「谁最强」，而是「谁和谁绑定」。
Augment Code 做过一个经典实验：同一个模型（Claude Opus 4.5），跑在不同 harness 上，SWE-bench Pro 得分从 51.8%（Auggie）到 49.8%（Claude Code）不等——同样的脑子，不同的手脚，能差出 2-6 个点。
更关键的结构变化发生在过去一年：模型和 harness 彻底锁死了。DoltHub 的观察一针见血——「Anthropic 的模型就应该用 Claude Code，OpenAI 的模型就应该用 Codex。模型是为自家 harness 训练出来的」。2025年8月那种「任意模型混搭任意 harness」的黄金时代，结束了。
这意味着竞争的单位从「单品」变成了「生态」：模型 + harness + 云服务 + IDE 插件 + 定价，一整套。单独评测任何一环，意义都在快速衰减。
四、中国变量：第四张榜其实是中国的
如果只看开源赛道，2026年8月的排行榜几乎是一张中国榜。HuggingFace 2026 Q2 报告显示：中国开源模型的下载量已占全球 58%，首次超过美国（28%）。
| 模型 | 发布时间 | 参数 | 亮点 | 价格（每百万 token） |
|---|---|---|---|---|
| Kimi K3 | 7月16日 | 2.8T | SWE-bench 93.4%，开源最高 | MIT 开源 |
| DeepSeek V4 Flash 0731 | 7月31日 | 284B / 激活13B | Terminal-Bench 82.7%，反超 GLM 5.2 | $0.14 / $0.28 |
| GLM 5.2 | 6月中旬 | 约 744B | Code Arena 全球第一 | $0.29（OpenRouter） |
| Qwen 3.8 Max | 7月19日 | 2.4T / 激活95B | 首个开源 Max 旗舰，声称「仅次于 Fable 5」 | 待定 |
其中 DeepSeek V4 Flash 0731 是当下性价比最没有悬念的冠军：Terminal-Bench 2.1 拿到 82.7%（高于 GLM 5.2 的 81.0%），DeepSWE 54.4 对 46.2 全面领先，而价格约为 Claude Opus 4.8 输出价的 1.1%。
但注意区分「声称」与「验证」：Kimi K3 有完整第三方成绩（Artificial Analysis 智能指数开源模型历史最高排名、Arena 前端编码榜第一），而 Qwen 3.8 Max 发布至今仍无任何独立复测。这组对照本身就是 2026 年最值得养成的信息习惯——厂商公告是广告，第三方复测才是数据。
五、框架：三轴选型，而不是一个冠军
把三张榜叠起来看，结论很清晰：不存在全能冠军，只有分轴冠军。这就是「三轴选型框架」：
智力轴（模型上限，处理最难、最模糊的任务）——冠军：Claude Opus 5 / GPT-5.6 Sol。
执行力轴（harness，把任务快速干完、time-to-PR 最短）——冠军：Codex CLI。
经济轴（每任务成本，机械任务与预算敏感场景）——冠军：DeepSeek V4 Flash 0731，以及免费的 Gemini CLI。
谁告诉你「有一个最强的」，谁就在卖你过时的认知。2026年的正确问法不是「哪个第一」，而是「我的工作在哪个轴」。
六、推演：这是产业成熟的标志
数据库、云、编译器都走过同一条路：从「单一霸主」到「分轴竞争」。Coding Agent 只是轮到而已。顺着这个框架推演，接下来有三个确定性的战场：
其一，第三方评测机构的话语权将大幅上升。vals.ai、Scale、tbench.ai 这类独立评测，正在取代厂商自报，成为采购决策的依据——「评测」本身正在变成一门生意。
其二，路由层会成为新基础设施。既然没有全能冠军，按任务类型自动分发到不同 agent 的「路由器」就会出现——就像当年的负载均衡器，它不生产算力，但决定算力去哪。
其三，对 Anthropic 而言，这是经典的领先者陷阱：冠军心态 + 定价傲慢。Fable 5 暂停、Opus 5 翻车，表面是模型问题，本质是组织问题——2025年的霸主正在用行动演示「被追赶的速度可以有多快」。
七、落到行动
- 个人开发者：主力选一个（Codex 或 Claude Code），留一个便宜的做机械活（Grok 或 DeepSeek Flash），别同时开三个 $100 订阅——成本是排名的隐形维度。
- 团队决策者：别信厂商自报数字。从自己仓库挑 20 个真实 issue，让 2-3 个 agent 各跑一遍，用 10 个小时换一整年的选型正确，这是性价比最高的投资。
- 中国 / 预算敏感团队：从 DeepSeek V4 Flash 0731 或 GLM 5.2 起步；Kimi K3 等生态成熟后自托管；Qwen 3.8 Max 等第三方验证再上生产。
- 观望者：Anthropic 的动荡期（Fable 5 暂停、Opus 5 翻车）是观察窗口——别急着迁移，但更别续一年约。
最后一句：2026年8月，Coding Agent 的世界没有王座，只有三把椅子。先搞清楚自己坐在哪把椅子上，再谈谁最强。
来源备注
- vals.ai SWE-bench Verified（更新于 2026-08-06，mini-swe-agent 统一 harness）
- Terminal-Bench 2.1 公开榜（tbench.ai）
- DoltHub「What's the Best Coding Agent? 2026 Edition」（Tim Sehn，2026-08-05）
- Augment Code「Auggie tops SWE-bench Pro」
- Artificial Analysis Coding Agent Index
- HuggingFace 2026 Q2 开源生态报告