不止是代码生成：Qwen3-Coder在“感知-规划-行动”循环中的惊艳表现

刚刚火速用Qwen3-Coder试了下我最近一直卡着的一个任务，先给大家看下消耗。这个任务跑了1个小时18分钟 ，token的使用量input用了19万多一点儿，output将近1万。

你可能觉得这个数据好像还行，但是这是我前两天跑的一样的项目，我整整坐着看了3个多小时，实际上模型跑了22个小时多，吃掉了将近2880万的token，一个小时1百万，非常恐怖的消耗，且很贵。

我先来说一下我最近一直在搞的这个项目，其实需求很简单，就是「爬虫+可视化+AI feature」。

但是具体的要求有点儿复杂，你看我最开始的需求很长，且包含了大量的链接。

因为我需要AI帮我做一个英国funding机会的整合站，要求它针对于每个funding主体设计一个爬虫，然后数据保存的时候要针对于数据类型的最大公约数进行设计，这个其实很trick，比如UKRI这个主体下面有好几个分部，比如EPSRC，ESRC等等，但是其他的主体就没这个东西，所以只有在获取到所有的funding信息后才能做这一步；最后做一个数据展示。

不过可惜的是，这个任务太复杂了，我直接给到这个页面，大多数的AI都会被页面里非常多的链接弄晕头，失败的有很多Claude-4-sonnet，Gemini-2.5-Pro。

所以我改变了策略，一个个的来，最后整合，我这里是在Qwen Code里面做的测试，结合Trae这个编辑器，可以很方便的比较代码历史记录。

使用方法很简单，先安装Node.js，版本要在20及以上，然后在命令行输入这两行代码。

npm install -g @qwen-code/qwen-code

qwen --version

然后输入qwen就能激活下面的环境。

你需要配置下这三个参数，建议使用modelscope魔搭的API，速度很快，不过开源模型，后续会上的平台会有很多。

export OPENAI_API_KEY="your_api_key_here"
export OPENAI_BASE_URL="your_api_base_url_here"
export OPENAI_MODEL="your_api_model_here"

我的第一句Prompt是让Qwen3 Coder先了解我的主要需求，内容如下：

做一个静态网站，从我提供的funding body整合所有的funding opportunity，要用爬虫爬取，整合所有的funding机会，并且用最大公约数来展示简要和关键信息，打开之后跳转到具体的funding详细页面

这个Prompt我在Claude和Gemini那得到的反馈都是直接给我来了一套框架，里面有详细的前端代码，后端代码，爬虫代码，数据保存逻辑等，我最开始觉得这样挺专业的，但是那3个小时的时间让我发现，它的确可以生成非常多的代码，但是后面稍微一改动就是一大片，又慢又费token。

Qwen3-Coder的思考逻辑很「克制」，表现就是它并没有想着给我从哪找一套框架先放在当前的文件夹里，它的任务分解跟其他的AI类似，但是顺序不一样，它提出的是先做爬虫，然后数据存储，最后做可视化。

也是这么一提示我，才让我觉得有点儿上道了，本来不就应该这样嘛，你不得分析下数据是什么样的再去设计存储和可视化？

Qwen3-Coder拿到我给的UKRI链接后，就试着查看下了网页信息，主要目的是找里面具体的funding信息。

定位的逻辑以及结果是很准确的，把带有opportunity字眼的链接找到了。

但是有个问题，那就是只有后面两个才是我需要的信息。

但是代码写的很惊艳，那就是它“自主”的排除了opportunity/后面是空值和feed/的两种情况，保留了正确的信息。

这一点儿我是没有告诉它的，非常聪明。

因为我这里有一个Claude Code的对比，对于同样的任务，Claude设计了一个很复杂的逻辑，但其实结果很不理想，第一页有10个funding机会，它每次都只能找到6，7个。

接下来它开始执行爬虫操作，这里碰到个问题，那就是代码运行没报错，但是也没有返回任何有用的信息。

这个挺正常的，因为爬虫总是需要修改几次的，但是Qwen3-Coder的操作让我有点儿大开眼界，它在之前的网页分析中得知UKRI是有feed的，然后它竟然很聪明的测试了下feed，结果可行。

所以它就直接重构了代码用feed来获取funding信息，结果不出意外的成功了，爬到的内容用json格式来保存，都没问题。

就这一点儿，我这两天各种Agent试过不下20次，没有一个找到用feed这个方法的。

接下来的网页可视化没问题，这一点儿对于绝大多数的AI都很简单，但是有个问题，那就是它只爬取到了20个信息，而实际上UKRI的网站上有超过100+项目，然后我就提出了这个问题。

Qwen3-Coder的反应的也很快，它做了两个操作（1）看看Feed最大的数量是多少，结果是20，所以这条路走不通了 （2）尝试返回到老办法，网页直接获取。

它接下来的操作是环环相扣的，可以很清楚的看到Agent需要的“感知-规划-行动”的循环一直都在，它行动的每一步都进行了细致的思考与调整。

这是最后做的半成品，从界面美观度，说实话不如Claude做的那么花里胡哨，但是对于一个信息集合站来说也足够了。

因为让我惊喜的是这一步，就是在我点击了其中一个funding后，它不是直接跳转到真实的地址，而是有个中间步，就是类似于对于这个funding的简要描述。

我觉得这个好的点有两个：首先我没有说，它这么做说明它“自主“的觉得这样好，其次就是我本来就打算加一个AI功能，就是调用AI工具对funding先进行初步的分析和筛选，最后做一个匹配。

那么多出来这一步，其实就是放AI分析的好去处。

与Qwen3-Coder的这次协作编程，整体体验下来非常流畅高效。首先它的任务成功率很高，处理长上下文的能力也很强。但最让我惊喜的，还是它对我编程意图的把握——基于这种深刻理解，它做出的几次“自主”决策，其精准度和前瞻性都相当出色。凭借如此卓越的表现，再结合其开源这一关键优势，我认为Qwen3-Coder已经具备了真正撼动Claude-4系列在编程领域领先地位的巨大潜力。