真的有人把 mini-swe-agent 用在日常除錯或開發嗎？

前陣子看到 DeepSWE 比較不同 agent harness，我就用同一批除錯任務、同一個 GPT-5.6 SOL High 自己跑了一輪。

結果滿意外的：

- Codex CLI High：151.91M tokens，成功率 60%

- 原版 mini-swe-agent：70.33M tokens，成功率 67%

- prompt 不變，只替 mini harness 加上巨集命令執行：60.59M tokens，成功率 78%

換句話說，在這批任務裡，原版 mini-swe-agent 比 Codex 少用了約 54% token，成功率高 7 個百分點。只改執行方式的消融實驗裡，token 又少了約 14%，成功率再多 11 個百分點。

這當然不能證明它在每個專案都比較好。DeepSWE 也提醒，system prompt 和評分方式的契合可能解釋部分差距。不過如果工作主要是找 bug、改程式、跑測試，這種「只有 bash 加線性歷史」的極簡架構確實很有意思。

有人真的把它用在日常除錯或功能開發嗎？離開 benchmark 之後，最先碰到的是環境、長時間測試、權限，還是 patch 品質問題？

- 我的測試：turaai.net/benchmark

- mini-swe-agent：github.com/swe-agent...

- DeepSWE 說明：deepswe.datacurve.ai...

揭露：我維護 Tura，上面的 benchmark 是我自己跑的。