BackendForge 让 AI 编程评测从笔试变面试，同一份代码通过率直接腰斩

BackendForge：AI 已经能写完整 App，评测也得学会追问

BackendForge 先给 56 个后端任务写了 7,250 项测试，再让 Agent 专门找这套题库漏了什么，最后补了 640 项。测试只多了 8.8%，但 GPT-5.5 全部通过的任务从 31 个掉到 16 个，Claude Opus 4.7 从 33 个掉到 10 个。代码没变，变的是评分方式：新题专挑权限、脏数据、连带影响这些第一版没覆盖...

推荐理由：BackendForge 这件事有意思在它不拼模型，拼的是出题方式。先拿 56 个后端任务写了 7,250 项测试，再让 Agent 自己找题库的盲区，补了 640 项。测试量只涨了 8.8%，但 GPT-5.5 和 Claude Opus 4.7 的满分率直接腰斩。代码没变，变的是评分标准——新题专挑权限、脏数据、连带影响这些第一版没覆盖的角落。这对做 AI 编码工具的人是个实在提醒：模型能跑通任务不代表真靠谱，评测得学会追问。数字清晰，结论有冲击力，而且没吹模型，吹的是方法论，值得放 featured。