这些系统比我们现有的好多少？
这些核心数据确实令人印象深刻。Repo0是一个以设计为驱动的框架，能够根据自然语言需求构建完整的代码仓库。在六个真实世界仓库的测试中，与最强的仓库规划基线（RPG）相比，Repo0的功能覆盖率最高提升了20.08个百分点，通过率最高提升了29.74个百分点[2]。通俗地说，这意味着它能更准确地实现所要求的功能，并且生成的代码更频繁地通过测试——这是一次能力上的显著飞跃。
但“优于基线”并不等于“完美”。同一项研究也表明，即便最好的系统也无法达到100%的通过率；这些提升是相对改进，而非绝对保障。因此，尽管这些工具显然正在推动进展，但尚未达到你可以放心交付一个复杂项目然后撒手不管的程度。
这些系统为何有效——又有何局限？
这三篇论文的核心洞见在于，你不能把整个代码库一股脑塞进模型的上下文里。微技能架构表明，将知识拆分成小而专注的“技能胶囊”，并只将相关的部分路由给模型，可将令牌消耗降低90%以上，同时让首次编译成功率几乎翻倍[1]。这是一项巨大的效率提升：你用更少的算力，却获得更好的结果，因为模型不再被无关信息淹没。
Repo0采取了一种不同但互补的方法：它维护一个显式的架构状态（需求与组件的双图结构），并迭代地演进设计直至收敛，然后利用该结构来指导测试驱动开发[2]。这种结构上的聚焦正是收益的来源——没有它，系统就会陷入困境。关键在于，这需要精心的设计和调优；它并非一个神奇的按钮。
TDD-Agent在此基础上又增加了一层：它将测试视为“不断演化的推理产物”，而非静态的验证工具。通过先生成测试，再迭代优化代码和测试，它在仓库级基准测试中提升了通过率、覆盖率和变异得分[3]。这表明，通往可靠性的路径不仅在于更好的代码生成，还在于更好的测试生成以及更紧密的反馈循环。
你什么时候才能真正依赖它？
诚实的回答是：目前还无法在生产环境中实现完全自主的、从零到整个代码仓库的开发。这些论文都展示了显著的改进，但也揭示了其局限性。例如，MicroSkill的案例研究针对的是一个包含十五个功能的企业内容管理系统——虽然令人印象深刻，但仍属于受控环境[1]。Repo0在六个真实世界代码仓库上进行了评估，但通过率虽有提升，却并未达到100%[2]。TDD-Agent的迭代优化确实有帮助，但它仍然依赖执行反馈和人工监督来纠正方向[3]。
这些系统目前已经准备好扮演一个可靠的助手角色：它们能够生成扎实的框架、处理重复性的模板内容，并及早发现架构上的不一致之处。但对于复杂且微妙的业务逻辑，你仍然需要开发人员来审查、测试和优化。证据表明，这一差距正在迅速缩小——尤其是结合了结构感知、测试驱动推理和模块化上下文管理的方法——但“完全信任它”的最后一步尚未实现。
关于这些资料来源
该回答基于3项经同行评审的研究——其中1项发表于2026年，3项来自2024年或之后——这些研究是从3项通过质量筛选的研究中选出的最具相关性的成果，而这些研究又源自从超过5亿篇论文的数据库中检索到的46篇文献。
本文引用的文献
微技能架构：一种面向AI原生代码生成的模块化技能驱动框架
MicroSkill架构在一项针对包含十五个功能的企业内容管理系统的案例研究中，将令牌消耗降低了90%以上，首次编译成功率几乎翻倍，并彻底消除了架构违规问题。
Repo0：设计驱动的从零到全代码生成
Repo0在来自RepoCraft的六个真实世界代码库上进行了评估，与最强基线（RPG）相比，功能覆盖率最高提升了20.08个百分点，通过率最高提升了29.74个百分点。
TDD-Agent：面向代码生成的测试驱动推理
TDD-Agent在RepoEval仓库级基准上的评估中，始终优于基于检索和基于智能体的基线方法，且迭代优化显著提升了代码正确性、测试通过率、覆盖率及变异得分。