# 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

> 原标题：BackendForge：AI 已经能写完整 App，评测也得学会追问

- 来源：Computing Life · Share · 鸭哥调研
- 发布时间：2026-07-17T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/45072
- 原文：https://yage.ai/share/backendforge-adaptive-benchmark-20260717.html

## 摘要

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。

## 推荐理由

BackendForge 用 Agent 为 56 个后端任务补了 640 项测试，测试量只增 8.8%，GPT-5.5 与 Claude Opus 4.7 全部通过的任务数却接近减半。

## 锐评

测试只多 8.8%，满分任务直接腰斩，这个数字比任何模型榜单都值得看。7,250 项测试是照着任务写的，Agent 补的 640 项专挑权限、脏数据、连带影响这些边角，原来的题库根本测不出模型在真实后端里会不会翻车。

自己那套 eval 大概率也有同样的盲区，找模型来出题比找人来出题便宜得多，也狠得多。
