不止修bug：Agentic Coding评测走向复杂feature交付新阶段

在 Princeton 发布 SWE-Bench 之后，用真实世界代码仓库+可执行测试评测大模型软件工程能力，几乎已成为学术界与工业界的共识。围绕 SWE issue 的评测范式迅速发展，也催生了一系列 SWE 系列 benchmark，在刻画模型 bug 修复能力方面发挥了重要作用。

但真实的软件工程实践并不止于修 bug。大量关键工作发生在feature 级别的 End-to-End 开发中：它往往意味着更长的代码路径、更复杂的跨文件依赖，以及对长期上下文与整体系统行为的理解。也就是说，能修 bug 并不意味着能交付一个完整的 feature。

为填补这一空白，中国科学院自动化研究所联合华为聚焦Test-Driven的评测范式，提出了FeatureBench（Benchmarking Agentic Coding in End-to-End Development of Complex Features），并构建了一整套覆盖数据构建、推理与评测的端到端基础设施。数据、管线代码与执行镜像均已完整开源，旨在为评估与推动更强、更全面的 agentic coding 模型提供新的基准。

• 论文标题：FeatureBench: Benchmarking Agentic Coding for Complex Feature Development
• 项目主页：https://libercoders.github.io/FeatureBench/
• arXiv 论文：https://arxiv.org/abs/2602.10975
• Hugging Face 数据集：https://huggingface.co/datasets/LiberCoders/FeatureBench
• GitHub 代码库：https://github.com/LiberCoders/FeatureBench
• Docker 镜像：https://hub.docker.com/u/libercoders

「高精准度」

动态追踪驱动的精准 feature 级代码抽取

FeatureBench 的任务构造以真实代码仓库中的单元测试作为切入点。在成熟的软件工程中，单元测试往往覆盖完整的功能路径或其关键组成部分，并隐式刻画了 feature 的行为边界与实现假设，因此天然适合作为定位 feature 行为范围的自然入口。

不同于仅将单元测试作为结果评估手段的既有评测方式，FeatureBench 在任务构造阶段便引入单元测试，用其反向定位并抽取与目标 feature 强相关的实现代码，从而形成要求 Code Agent 补全 feature 本身的评测任务。具体而言，系统会首先在真实代码仓库中自动发现并筛选可执行的单元测试，将这些单元测试所测内容视为任务的目标 feature，作为后续的Fail-to-Pass（F2P）；与此同时，引入Pass-to-Pass（P2P）测试，用于约束任务构造过程中对非目标功能的潜在破坏。

在测试执行过程中，FeatureBench 利用动态追踪技术，从 F2P 单元测试出发，捕获执行测试路径上的函数调用与对象依赖关系，并在对象粒度上对相关实现进行标注与分类。随后，系统仅会抽取并移除既与 F2P 测试强相关、又不会影响 P2P 测试持续通过的实现代码，其余部分保持不变。而被移除的代码的接口，签名等信息则通过规则自动从原声代码抽取，并在后续作为任务描述的一部分提供给模型。

这里需要强调的是，研究团队在构造评测任务之初，便考虑到了 featrue 级实现任务接口模糊可能导致的任务不可解的问题——对于feature开发问题，若给 Agent 的任务描述本身是模糊的自然语言，则极有可能出现 Agent实现了逻辑等价的功能，但因为接口不匹配的问题而无法通过已经固定的单元测试的情况。

因此在每条任务中，FeatureBench 都提供了原生codebase的接口描述。所有接口签名均通过规则自动抽取自原生 codebase。对于那些原生codebase缺少接口描述的任务，例如某些案例中的接口签名下缺少详细的docstring，FeatureBench 构建了一套自动化的工作流，让大模型根据设定好的必要信息去合成详细的接口描述。所有合成的接口描述均在后续进行了人工检验。

通过这一过程，FeatureBench 构造得到的是一类更接近真实开发场景的评测任务：模型需要在保持所有 P2P 通过的前提下，仅依据给定的接口描述与仓库上下文信息，补全缺失的 feature 实现。

从单元测试出发，结合动态追踪定位 feature 相关对象，抽取并移除实现，生成缺失版本代码库与 gold patch，并在沙盒环境中执行评测。

「强可执行性」

基于错误历史回溯的任务构造机制

然而，在真实代码库中直接移除实现代码，往往会引入非常多困难且复杂的工程问题。复杂系统中存在大量隐式依赖、初始化逻辑与运行时假设，一旦相关代码被删除，程序甚至可能在单元测试执行之前就已无法启动，导致构造出的任务失去可执行性。

为解决这一问题，FeatureBench 首次在任务构造过程中引入了错误历史回溯机制，将 “可执行性” 作为代码抽取过程中的硬约束，用于保障代码抽取过程的稳定性与可执行性。系统会在每一次抽取操作后记录可回溯的中间状态，并即时验证任务的可执行性；一旦发现删除某一部分代码导致程序无法运行、测试环境失效、或 P2P 测试失败，构造流程将自动回退至最近一次可正常执行的状态，并据此重新调整后续的抽取策略。

通过这一机制，FeatureBench 能够在无需人工干预的前提下，逐步收敛，稳定完成 feature 相关实现的抽取，确保每一个生成的评测实例均满足 “可执行、可验证” 的基本要求。这使得在真实代码仓库中大规模、持续的自动化任务构造成为可能。

「强验证机制」

由目标对齐、验证闭环与长链路复杂性构成的评测约束

在复杂 feature 的评测中，“更难” 往往并不意味着 “更可靠”。一些现有基准虽然引入了真实仓库和较长代码路径，但评测结果仍然容易受到多种噪声干扰：

一方面，评测目标通常依赖人工接口或自然语言描述，从而不同模型对实现目标形成不同理解，导致评测结果混合了能力差异与任务理解偏差。

另一方面，现有工作对于抽取出来的 feature 是否真正可验证可执行往往并不透明：模型的失败可能来自无关功能被破坏、依赖链被意外切断，而非 feature 本身尚未实现，使得评测分数难以反映真实的 feature 开发能力。

此外，为了控制难度或保证可执行性，任务构造过程中常会对真实代码路径与依赖关系进行裁剪，使得看似复杂的任务在实际实现中并不包含真实系统中的长程依赖，进一步削弱了评测结果的指示意义。

针对以上这些问题，FeatureBench 并未通过额外设计规则或人工后处理筛选，而是将噪声控制前移到任务构造阶段。首次通过在真实代码仓库中施加三重约束，在保证任务复杂性的同时，使评测结果更稳定、可对齐，更具可解释性。

1) 目标对齐（评测的公平性）：

FeatureBench 中所有顶层对象的接口签名均通过规则自动抽取自原生 codebase，而非人工编写或模型生成。由于接口定义直接来源于真实实现，这一设计显著降低了由人为抽象或描述不一致所引入的实现歧义，使不同模型在评测时面对的是同一组、可精确定义的功能目标，而非依赖对任务意图的主观理解。

2) 验证闭环（评测的完备性）：

FeatureBench 对每一个任务均施加严格的先验与后验验证约束。即在代码抽取前，所有 F2P/P2P 测试必须全部通过；在代码抽取后，F2P 测试的通过率需低于预设阈值，而所有 P2P 测试必须保持全通过。这一双阶段验证机制确保：被移除的实现确实构成目标 feature 的核心组成部分，同时任务难度来源于对 feature 实现本身的还原，而非由不受控的代码破坏或偶然失效引入的伪难度。

3) 长链路复杂性（评测的长程性）：

FeatureBench 的任务构造遵循从单元测试 → 顶层对象 → 关联对象与深层依赖的逐级展开过程。顶层接口仅刻画了 feature 的外部行为，其背后往往对应大量跨文件、跨对象的实现细节与隐式依赖关系。

因此，FeatureBench 中的任务通常涉及更长的代码路径与更广泛的修改范围，对 agent 的长程推理能力、系统级理解能力以及对既有行为约束的整体把握提出了更高要求。

「高复杂度」

面向真实 feature 的大规模可执行评测实例

基于上述自动化数据构建管线，研究团队在3天之内，系统性构建了3825个可执行的沙盒环境与候选任务实例。覆盖24个真实世界、覆盖不同应用场景且具有广泛影响力的 GitHub 仓库。所有实例均可直接运行，为后续筛选与评测提供了统一的可执行基础。

在此基础上，通过进一步施加统一的筛选约束，包括代码时间范围（2022 年 5 月之后）、测试覆盖强度（测试点数量大于 10）以及 feature 抽取规模（抽取代码行数超过 100 行），以确保任务在复杂度与代表性上的一致性。并经过人工 verified 验证，最终确定了 FeatureBench 的正式评测数据集：

• FeatureBench Full：包含200条评测任务。单任务最多抽取4495行代码，单任务最多涉及76份不同代码文件。
• FeatureBench Lite：从 Full 集中进一步筛选30条任务，作为低成本评测子集，便于社区进行快速对比实验与方法迭代。

整体来看，FeatureBench Full 中的任务在代码规模、依赖广度与测试约束强度上，均显著高于典型的 bug-fixing benchmark，更贴近真实工程环境中 feature 级开发的复杂度分布。

FeatureBench 的复杂度显著高于典型 bug-fixing benchmark，覆盖跨文件、跨对象、长程依赖的真实 feature 实现。

「高区分度」

Feature 级任务评测重新拉开模型能力差距

研究团队在 FeatureBench 上对多种主流 agent 框架（包括 OpenHands、Codex、Gemini-CLI、Claude Code 等）与多种模型配置（Opus 4.5、GPT-5.1-Codex、Gemini-3-Pro、Qwen-3-Coder-480B-A35B-Instruct、DeepSeek-V3.2 等）进行了系统评测。

评测结果显示，在以 bug fixing 为核心的 SWE-Bench 场景中，主流高性能模型的整体表现已呈现出明显的能力收敛趋势：不同模型之间的 resolved rate 差距相对有限，难以进一步刻画其在更复杂工程任务中的能力差异。

相比之下，当评测任务推进到 feature 级端到端开发时，模型与 agent 之间的差距被显著放大。以 Claude Opus 为例，其在 SWE-Bench Verified 上的 resolved rate 已达到74.4%，而在 FeatureBench Full 上的解决率为11%；与此同时，其他模型在 FeatureBench 上的表现分化更为明显，呈现出远高于 SWE-Bench 场景的区分度。

这一现象表明，FeatureBench 并非简单地提高了任务难度，而是通过引入跨文件、跨对象的长程依赖结构，以及严格的 P2P 约束，将评测焦点从局部缺陷修复能力推进到系统性 feature 交付能力。在这一设定下，即便在 bug fixing 任务中表现接近的模型，也会在 feature 级开发能力上呈现出明显差异。

Bug Fixing 任务上前沿模型能力已收敛，但 Feature 级任务中仍体现出能力分化

Lite 数据集上的模型表现

「高易用性」

一行命令启动 FeatureBench 的完整评测流程

为降低 FeatureBench 的复现与评测门槛，并支持学术界与工业界的实际使用，研究团队同步开源了一套覆盖推理、评测与数据构建的完整基础设施。通过统一的运行环境与标准化配置，用户无需繁琐的环境搭建或手动拼装流程，即可在本地或集群中一键启动完整评测流程，从推理执行到结果统计实现端到端复现。在这一设计下，FeatureBench 不再只是一个静态数据集，而是一个可长期演进、可持续扩展的评测平台。

推理模块（Inference）：多 Agent 框架的统一入口

FeatureBench 提供了统一的 agent 抽象接口，对主流代码 agent 框架进行了标准化适配，包括 Claude Code、Codex、Gemini-CLI、OpenHands 以及 Mini-SWE-Agent 等。用户只需进行最小化配置，即可将自定义 agent 接入现有管线，并在统一环境中完成大规模推理实验。

该模块同时内置了断点续传、并发执行、网络代理与资源控制等机制，使长时间、多配置的推理任务能够通过单一命令稳定运行，显著降低实验管理成本。

评测模块（Evaluation）：执行即评测

以实际测试执行结果为唯一依据，对模型生成的代码补丁进行自动化评测，严格统计 F2P/P2P 测试的通过情况，确保不同模型与 agent 的评测结果具有良好的可复现性与可比性。

数据构建管线（Data Pipeline）：任务可自动生成、持续扩展

完整开源了 FeatureBench 的原生任务生成流程，覆盖从代码仓库拉取、单元测试发现与筛选、动态追踪、顶层对象识别、P2P 测试选择，到对象级代码抽取与后验验证的全链路步骤。借助该管线，FeatureBench可以在无需人工干预的情况下持续、自动、可验证地生成新的任务。

结语

FeatureBench 是 Code Agent 评测领域的一次关键突破：FeatureBench 系统性地将 agentic coding 的评测范式，从“短 patch、少文件、单 PR 的 bug fixing”，推进到了“跨文件、跨对象、长程依赖的真实 feature 开发”。更重要的是，FeatureBench 通过 test-driven 的自动化任务构造流程，在保证公平性与完备性的同时，大幅提升任务复杂度，并为 benchmark 的持续扩展与防数据污染提供了一条可行路径。

同时，FeatureBench作为一套面向真实软件工程场景的可执行数据生成与验证基础设施，将为后续 Agent 训练与强化学习提供数据支持。