Claude Code

Claude Code MCP 实测:同模型差 17 分

Sineframe 11月1日M3评测:同一Haiku 5.5在21个MCP服务器上,OpenCode 82.0%、Claude Code 65.4%,差距来自内置工具与MCP撞车。附六层审查流程的团队落地要点。

2026-11-10 17:22:51 · 主编:刘立永

11 月 1 日,Sineframe 公布 M3 评测:10 月 29 日至 11 月 1 日在 21 个 MCP 服务器上跑了 3,717 次试验,同一个 Claude Haiku 5.5,OpenCode 1.19.5 得 82.0%、Claude Code 2.1.312 得 65.4%、Codex 56.5%。差距不出在模型,出在客户端的工具路由。

分差集中在「内置工具与 MCP 撞车」

把 21 个服务器拆成两组,结论立刻清楚。11 个与内置工具不重叠的服务器(Postgres、MongoDB、Redis、Kafka、Linear、Jenkins、Grafana、Kubernetes、Gitea 及两个浏览器引擎),三家分别是 96.2%、93.5%、92.1%,4 分以内;剩下 10 个与内置工具功能重叠的,OpenCode 66.3%、Claude Code 34.5%、Codex 17.2%。几乎全部差距来自后一组。

机制并不神秘:MCP 工具以 JSON schema 注入上下文,如果宿主同时注入了名字、描述相近的自带工具,模型看到两个近乎一样的函数调用,多数客户端不做单独排序,直接让下一个 token 决定,而它天然偏向会话启动时就在系统提示里的那一个。M3 排行榜因此单列 ignore rate(忽略率):低分伴随高忽略率,说明客户端压根绕过了 MCP 服务器;低分伴随低忽略率,才是调到了但执行失败。这两种故障的修法完全不同。

口径要说清:该评测约每服务器 20 个任务、7 种结构形状,25% 任务留出;Codex 跑的是 GPT-6 Luna 而非 Haiku 5.5,所以严格隔离「客户端软件」这一变量的只有 Claude Code 与 OpenCode 两组,三家横比只能作参考。

三款终端智能体的工程取舍

按第三方对比资料(Surferstack、guides-ai,2026 年整理),Claude Code 内置工具面最大,MCP 走懒加载与 Tool Search 延迟注入;Codex 以 AGENTS.md 为指令入口、config.toml 配 MCP,OS 级沙箱被评价为该组最强;OpenCode 是 MIT 开源、支持 75 家以上供应商,opencode.json 按 agent 声明式加载 MCP。社区测试引述的首条消息前 prompt 开销,OpenCode 约 6,900 tokens、Claude Code 约 33,000 tokens——这是社区口径,不是厂商基准。

选型含义比跑分更实际:SKILL.md 格式在 Claude Code 与 Codex 之间可迁移,CLAUDE.md 与 AGENTS.md 的维护责任却不能自动迁移;把内部 MCP 工具加命名空间前缀(mcp_postgres_query 而非 query),比换客户端更能解决重叠。

工具之外:团队落地看审查流程

Anthropic 于 10 月 15 日公开 Claude Code 团队的代码审查流程(官方博客):约 90% 的自身代码由 Claude 编写,主代码库日均合并改动从 5 月约 2,500 次涨到 9 月超 3 万次;6 月至 9 月合并 PR 翻倍多,需回滚的 PR 占比相对下降超 40%。

做法是六层检查加一层回滚兜底:PR 前先跑测试、构建、lint 并给出输出,再由全新上下文的子代理审 diff;每个 PR 的多智能体并行找 bug、另一组投票核验,风格类意见直接过滤;可阻断的安全审查;必需的 CI;按风险分级的人工批准(文档、隐藏在开关后的改动可零人审批,普通改动一人,高风险与指定路径两人);最后是合并队列重跑检查、特性开关与灰度发布。两个细节最容易被忽略:代理的批准不算人工批准,而发起 Agent 写 PR 的人本身算一名审查者。

官方博客还给出收敛的反例:一个 CLI PR 一夜跑了 50 多轮审查修复,git blame 显示约 59% 被反复标记的是首轮之前就存在的旧代码。改为三轮上限、只审新增 diff、同类问题一次指出、不重复已提意见后,一轮通过率从 65% 升到 78%,需五轮以上的从 8.9% 降到 1.5%,平均审查次数从 2.08 降到 1.32。以上均为 Anthropic 自报数据,不是独立复现。

给企业技术团队的三条动作

第一,MCP 上线前做冲突测试。自建或第三方 MCP 工具统一加前缀,在目标客户端上跑 10—20 个代表性任务,同时记录 ignore rate,不要只看「任务最终做对没」——做对了也可能是绕过了你的服务器。

第二,把 CLAUDE.md、AGENTS.md、REVIEW.md 纳入版本管理和变更评审,像配置基线一样管。文档与样式类低风险改动可免人审,涉及登录、支付、删数据的路径强制人工复核并补针对性测试。

第三,给 AI 审查设收敛闸门:三轮不过就换思路、只审新增 diff、同类问题一次提完;把每次线上事故整理成回归题集,让审查器每天跑分,改了提示词或模型先过题集再上线。

我们在给山东客户做财务与 ERP 软件实施、系统集成时,配置基线、变更留痕、回滚预案本来就是交付清单上的固定项。把编码 Agent 接进研发流程,只是把这套纪律往前延伸到代码生成环节——客户端换了几款,验收口径不该跟着换。

参考来源:
1. Sineframe M3 评测报道《Same model, different agent: 17 points apart on 21 MCP servers》(2026-11-01) https://techbytes.app/posts/same-model-different-agent-17-points-apart-on-21-mcp
2. DEV Community《Same Haiku 5.5 Scores 82% or 65% on MCP Servers: The Harness Decides》(2026-11-01) https://dev.to/madnessbrains_i/same-haiku-55-scores-82-or-65-on-mcp-servers-the-harness-decides-26jj
3. Anthropic 官方博客《How the Claude Code team does code review》(2026-10-15) https://claude.dev/blog/solving-code-review-at-anthropic/
4. Developers Digest《How the Claude Code Team Does Code Review: Risk Tiers and Round Caps》(2026-11-01 更新) https://www.developersdigest.tech/blog/claude-code-team-code-review-risk-tiers-2026
5. Surferstack《Claude Code vs Codex vs OpenCode: How Each Coding Agent Finds and Recommends Developer Tools》(2026) https://surferstack.com/guides/claude-code-vs-codex-vs-opencode-how-each-coding-agent-finds-and-recommends-developer-tools-2026
6. 网易 / 新智元《九成代码AI写,谁来审?Claude Code亮出6道关卡!》(2026-11) https://www.163.com/dy/article/LB7EGF470511ABV6.html