AGI 进入评测时代：OpenAI、Anthropic 在重写开发者的工作定义

最近两周我一直在复盘一个问题：

在 AGI 叙事越来越宏大的时候，开发者到底该把时间投在哪里？

我现在的答案很明确：从“写功能”切到“做评测驱动的交付系统”。

这不是抽象口号，而是我看完 2026 年几条官方动态后形成的工程判断。

1) 从“会调用模型”到“能稳定交付”：评测成了主战场#

OpenAI 在 2026-02-11 发布了《Building a reliable coding agent with an eval-driven loop》，核心不是再教你怎么 prompt，而是强调用 eval loop 把可靠性做成闭环。

到了 2026-04-16，《Codex for almost everything》把这个趋势进一步放大：编码代理不再是 demo，而是要进入日常工程流。

我自己的体感也一样：

• 以前我最关心“模型能不能答对”
• 现在我最关心“系统是否可回归、可观测、可兜底”

也就是说，开发者价值在往评测与系统约束上迁移。

2) 企业采用加速后，技术工作不再只是“接 API”#

OpenAI 在 2026-03-05 发布《Introducing the OpenAI Adoption Channel》。

这条信号在我看来很关键：AI 落地进入组织层以后，开发者不只是实现者，还要承担“把能力嵌入流程”的责任。

具体到日常工作，变化通常是：

• 需求定义从“功能列表”变成“能力边界 + 风险边界”
• 技术交付从“上线”变成“持续校准 + 运营治理”
• 个人产出从“代码量”变成“系统长期稳定产能”

3) AGI 竞争上移到基础设施，工程决策开始被算力约束主导#

OpenAI 在 2026-01-15 发布《Strengthening the U.S. AI Supply Chain》。

我从这类动作里读到的不是政策新闻，而是工程现实：

未来架构设计会越来越受算力供给、成本、延迟和配额影响。

这意味着开发者需要更早引入这些能力：

• 成本可观测（按任务与链路细分）
• 模型与工具路由（按质量/时延目标动态切换）
• 降级策略（在资源紧张时保持可用）

4) Anthropic 的节奏提醒我：安全与治理会前置到开发流程#

Anthropic 在 2026-04-02 更新了《Anthropic's Responsible Scaling Policy》，并在 2026-03-13 发布了《Introducing web search on the Anthropic API》。

对我来说，这两条放在一起看，结论很直接：

• 一边是能力外扩（更多外部信息接入）
• 一边是治理前置（更明确的风险边界）

开发者未来的“硬实力”，会同时包含两件事：

1. 把系统做得更强
2. 把系统做得可控

我的当前行动：把“评测系统”当主产品来做#

所以我现在给自己的工作重排是这样的：

• 先定义评测集与失败模式
• 再做 agent/tool/workflow 编排
• 最后做体验优化

过去我会把评测当 QA 附属；现在我把它当核心资产。

如果你也在做 AGI 时代的应用，我的建议只有一句：

别只优化模型调用，先把你的评测与交付系统产品化。

这件事决定的，不只是今天的效果，而是你明年还能不能稳定放大产能。