Factory.ai 宣布其开发的软件工程 Agent（Software Development Agent）“Droid” 在最新的 Terminal-Bench 基准测试中以 58.75% 任务完成率夺得第一，超越所有同类系统，成为当前表现最强的软件工程 Agent。

Terminal-Bench 是一个评测 AI Agent 在真实终端环境中完成端到端任务的公开平台，涵盖代码构建、依赖管理、数据与机器学习、系统与网络操作、安全性等多方面能力，强调的不只是编程，还包括环境探索、动态推理与鲁棒性。

官方介绍称，Droid 的领先优势不只是依赖模型本身，而是得益于其独特的代理架构设计，包括：

• 分层提示系统（hierarchical prompting），在关键时刻动态注入上下文；

• 针对不同模型进行定制化适配；

• 简化工具接口以提升稳定性；

• 加强环境感知和运行时优化；

• 引入计划生成、长进程支持等机制。

测试结果显示，即使搭配较轻量的模型，Droid 也能击败一些使用顶级模型但设计欠佳的代理，凸显了“代理架构比模型大小更关键”的理念。

在某个 “security-vulhub-minio” 任务中，任务虽看起来像是读取环境变量，但真正的解法涉及利用特定的 MinIO 漏洞 (CVE-2023-28432) 进行敏感信息披露。Droid + Opus 能识别、运用该漏洞，而其他模型组合往往不具备这类安全攻击知识。

在 “cron-broken-network” 任务中，需要先修复 curl 的问题、再挖掘潜在的更深层根因（模拟恶意软件阻止 curl 的恢复），Droid 在 Opus 模型下更可靠地识别和修补根因，而在其他模型下有时只做表面修复而没处理深层问题。

不同模型在能力上有侧重：如 GPT-5 在机器学习训练、视频编辑等领域表现更好，但它在一些“激进 / 高风险更改”的场景下更保守。考虑到成本差异，Droid + GPT-5 在多数实际应用场景可能是折中且高效的选择。

Factory.ai 还透露，未来将推动多代理协作、长期记忆机制以及全面开发流程自动化，让 Droid 无处不在地嵌入开发工具链，进一步释放 AI 在软件研发中的潜力。