禁掉所有工具后，Opus 5和GPT-5.6的差距终于藏不住了

文 | 字母AI

且不论性能，自Claude Opus 5发布以后有一件事让AI圈特别在意，就是Anthropic在提示词上的改进。

AI投资人玛特·夏默（Matt Shumer）在X上发了一条视频，播放量超过4百万次。

他只给Opus 5写了三段话作为提示词，模型就用Three.js写出了一个能玩的3D第一人称射击游戏。这个项目一共5.5万行代码，11个子系统，没有一个外部素材，全是从零生成的代码。

Anthropic的工程师、Claude Code核心开发者鲍里斯·切尔尼（Boris Cherny）透露，他们给 Opus 5砍掉了Claude Code系统提示词里80%的内容，结果模型不但没变蠢，反而更强了。以前需要手把手教的东西，现在不用教了。

这两件事指向同一个结论：Opus 5不需要你精心设计提示词了。你给它一个简短的指令，它自己能把活干了。写系统提示词那套“工程化”的手艺，突然变得多余了。

这让我产生了一个想法：既然大家都说Opus 5自主能力强、不需要详细指令，那我能不能用最简短、最模糊的提示词，并且带着最深层次的“恶意”去考考它，看它到底能不能自己刨出问题来？

作为参照，我拉上了对标Fable 5的GPT-5.6 Sol。

我准备了两道题。一道是给一坨有bug的代码、但故意不告诉它有bug，看它能不能自己挖出来。另一道题，我给它了一个任务，但把它能用到的工具全给禁了，看看还能不能完成我的任务。

一个购物车，六个坑

第一道题是一段购物车的代码，并不长，一共五个文件：一个需求文档，三个业务模块（购物车、优惠券、运费），再加一个测试脚本。功能也简单：加商品、用优惠券、算运费、出总价。

但我在里面埋了六个bug，每一个都能让用户的账单算错。

并且我的提示词只有一句话：“项目名是buggy-shopping-cart，我应该如何优化呢？”

我故意不告诉，我想看模型会不会自己发现代码里埋了六个雷，而不是等用户告诉它哪里有问题。

第一个bug：满100减20的优惠券，代码写的是“大于100才减”，但需求说的是“达到100就减”。一个大于号和大于等于号的区别，用户买了刚好100块钱的东西，优惠就不生效了。

第二个bug“打八折的时候，99.99乘以0.8等于79.992。代码只在最后一步做了四舍五入，但中间这个79.992会参与后面的所有计算，所以满减判断、包邮判断，全被污染了。

第三个bug ：满减券的门槛应该看商品原价，但代码看的是打折之后的价格。120块钱的商品打完八折是96块，96不到100，满减券就用不了了。可按照规则，原价120本来就够格。

第四个bug：同类型优惠券可以叠加。规则说每种类型只能用一张，但代码的循环把所有券全用上了。两张满减券一起减，用户占了便宜，商家亏了。

第五个bug：优惠完没有下限保护。10块钱的商品用一张50块的券，算出来是负40。加上运费，总账单变成了负30。用户买东西反而倒赚30块。

第六个bug跟第一个 bug互相掩盖：包邮门槛应该看原价，但代码看的是优惠后的价格。

问题是，因为第一个bug导致满减券没生效，优惠后的价格还停在100块，刚好过了99块的包邮线。一旦你修好第一个bug，优惠后价格降到80，但包邮看的是原价100，所以应该还是包邮。

可如果你没同时修第六个bug，代码会按80来判断，收用户15块运费。两个bug互相抵消，制造了一个“测试通过了”的假象。

结果GPT-5.6和Opus 5将这6个BUG全都找到了，一个没漏。因此，光论“找bug”这个能力，两边打平。

但找完bug之后的表现，差距就出来了。

Opus 5多挖出来一个bug，它指出运费计算里有个浮点精度的坑：多件商品的重量加起来，可能出现3.0000000000000004这种值，然后math.ceil会把它往上取整，多收用户5块钱运费。

GPT-5.6虽然也提到了“金额不应该用float”，但只停留在价格计算上，没有发现运费计算里这个更隐蔽的精度问题。

两个模型最大的区别在于分析问题的方式。

GPT-5.6是逐条修bug，第一个、第二个、第三个……每个说清楚位置和修法，很清晰，像一份规范的bug报告。

但Opus 5完全不一样，它是先自己完整地跑了一遍，然后把自己代入成产品经理来去给我分析问题。它不只是改bug那么简单，它还会多想几步，还有没有隐藏的？修的时候会不会出问题？这些bug为什么会出现？以后怎么避免？

比如在“金额口径”这个问题上，GPT-5.6会把满减门槛用错价、包邮用错价当成两个独立的bug。

但是Opus 5会告诉我说，代码里根本就没区分原价和优惠价这两个口径，而这才是所有相关bug的总根源。它还指出运费函数的参数名本身就是错的，把错误固化进了函数签名里，甚至还推导了改完之后选券算法的变化。

所以在这个环节上，Opus 5胜。

巧妇难为无米之炊

第二个测试的思路很简单，我只给任务，不给工具。

我给出的任务是：我有一个WAV格式的音频文件test_audio.wav，想让你帮我生成它的波形图。但是有个限制：你只能使用Python标准库，不能用任何第三方库。不能用numpy、matplotlib、PIL、librosa这些，也不能联网。输出形式不限，只要能直观看到波形就行，可以是字符画、SVG代码、HTML页面，或者其他任何方式。

正常情况下，画音频波形图，通常都会用到matplotlib + numpy + librosa这三件套，专业、方便、几行代码搞定。正所谓巧妇难为无米之炊。如果我刻意把这些工具都禁止了，Opus 5和GPT-5.6又会怎么发挥呢？

测试音频是4秒钟的 WAV 文件，里面包含四段：第一秒正弦波，第二秒方波，第三秒渐强，第四秒渐弱。44100Hz 采样率，16位 PCM，单声道。176400个采样点，要从这些纯数字里还原出一张能看出波形形状的图。

两个模型的表现都远超预期。这道题的及格线是“能画出个大概形状就行”，结果两个模型直接交出了专业级的作品。

GPT-5.6的方案是生成一个SVG文件。SVG是一种矢量图格式，用XML文本描述图形，放大不失真。

它的代码工程化程度非常高：支持8位、16位、24位、32位全系列 PCM 格式；分块读取，每次8192帧，大文件也不会爆内存；完整的错误处理和参数校验；还用argparse做了命令行接口，带帮助文档。

而且不得不感叹，GPT-5.6的审美真的不错，蓝到紫到粉的线性渐变填充，柔和的阴影滤镜，圆角卡片式背景，精确的网格线和刻度标签，标题、副标题、坐标轴一应俱全。

而且GPT-5.6跑完之后自己验证了波形的准确性，给出了具体数值：0到1秒振幅约0.5，1到2秒振幅约0.3，2到3秒依次渐强为0.199到0.399到0.599到0.798，3到4秒依次渐弱为0.799到0.599到0.400到0.200。这些数值跟生成测试音频时的参数完全对得上。它不是“画完就完了”，而是自己检查了结果对不对。

Opus 5走的是理工直男风格，没有颜色、没有设计，就直接用字符画的形式画了出来。

“你就说完成没完成任务吧”

Opus 5一开头就把思路拆成了三步：读取、降采样、渲染，每一步还附了“关键设计决策”的说明。读者一看就明白它是怎么想的、为什么这么做。

ASCII字符画就是用文本符号来画图——用‘ .:-=+*#% @’这十个字符表示不同的振幅强度，从稀疏到密集，在终端里拼出一幅波形图。

不过我觉得Opus 5给的这个字符画也太简陋了，所以我后来我还是加了一句说，“你高低上点心行吗，你这不纯糊弄我呢吗？”

然后，Opus 5给了我HTML版本。

它的HTML页面设计很有产品感。顶部四个统计卡片，显示采样率、时长、采样数、峰值振幅；四个段落的图例说明，颜色对应波形上不同时间段的颜色；波形图按时间段着色，蓝、绿、橙、红分别对应四段不同特征。

还有一个技术细节值得一提。Opus 5用的是量解包struct.unpack，GPT-5.6用的是逐个struct.unpack_from补。

假如你有一麻袋乒乓球，现在我要你数里面有多少个乒乓球。

第一种，你把手伸进麻袋，摸出一个，数一下，放一边；再伸手进去，摸出第二个，数一下，放一边…… 就这么一个一个摸，这就叫“逐个解包”，也就是GPT-5.6用的方法。

第二种，你把麻袋往地上倒，把乒乓球倒出来一部分数，数完了再倒一部分，以此类推。这就叫“批量解包”，Opus 5用的就是这种方法。

如果只是比速度，第二种更快，而且要比第一种快很多。

因为“伸手进去摸一个”这个动作本身是有成本的，光重复这个动作就花了大把时间。倒出来乒乓球，动作只需要做几次就够了，剩下的就是数，当然更快。

Opus 5厉害就厉害在，它并没有循规蹈矩，而是在完成任务目标的过程中，使用了更高效的方法，为我节省了时间。

最后，我仍然觉得Opus 5更胜一筹，它的结果更具产品思维，整个解题过程也非常灵活。