微软开源了一个“考官”：Scope 让 Copilot 和 Claude Code 同场考试

“到底哪个 coding agent 好用？”——这个问题每个团队都问过，答案通常是玄学。微软开发者关系团队 10 月 19 日开源了一个叫 Scope 的工具，干的事很直接：把 GitHub Copilot、Claude Code 这些 agent 拉到同一套考题上，同场考试、统一打分。

Scope 的全称是“agentic experience evaluation platform”（agent 体验评测平台），MIT 协议，自托管、自己部署，不绑微软的云。用法：你出一套任务，它让不同的 coding agent 各跑一遍，然后给每个 agent 的产出打分。官方定位的用户画像很具体：维护 SDK、文档、CLI、MCP 服务器的团队——想可重复地知道“自家 agent 到底在哪类任务上掉链子”。

这个时间点很有意思：光是上周，GitHub 就在 Copilot 里轮换了 6 个 coding 模型。模型换得越快，选型越焦虑——“上周测的结论这周还作数吗？”Scope 回答的就是这个问题：把评测变成可重复跑的回归集，agent 换模型、换版本，重跑一遍就有新分数。

给小团队的三个实操建议：

第一，别贪多。先挑你最痛的 5 到 10 个真实任务（比如“给这个 SDK 加一个带测试的新接口”）当考题，真实任务比通用 benchmark 更能说明问题。

第二，考题要覆盖“掉链子”场景：agent 最容易翻车的地方不是写不出代码，而是改错文件、漏掉边界测试、破坏现有接口——打分标准里把这些单列。

第三，把它当成换模型的“体检”。以后每次想换 coding agent 或升级版本，先跑一遍 Scope 再决定，比看发布会 PPT 靠谱。

多说一句：微软这次没把它做成云服务卖钱，而是开源自托管，争的是“考题定义权”。谁定义了怎么考 agent，谁就在 agent 生态里有了话语权。这步棋本身也值得玩味。

（事实来自微软官方公告，经 trendintech、It’s FOSS 两家独立媒体交叉确认；Scope 目前为 research preview，无版本号；实际评测效果未经独立验证。）