RecodeX 重构消息，腾讯发布自研Agent基准WorkBuddy Bench，用260道真实工作题评估多个模型，涵盖代码、Web、办公、安全四类。测试显示，同一模型搭载Claude Code执行层（Harness）后整体表现更优：在28组对比中Claude Code赢17组，CodeBuddy赢11组；其中代码类别Claude Code以7:0全胜。Web和办公领域CodeBuddy以4:3小幅领先，安全类Claude Code以4:3获胜。腾讯指出，更换Harness可使同一模型成绩改变十余分，Agent能力不再仅取决于底层模型。但该基准题量有限，每类仅50-80题，且只对比了两套Harness，未包含Codex，社区对其稳定性存疑。