技术文章

外部链接将在新标签页打开。

AI 编码代理读不读 SemVer:同一次破坏性升级跑两遍能看出什么

一句话回答

微软约 1000 次运行的实验显示,部分 AI 编码代理会按版本号调整检查力度——补丁标签下检查更少,主版本标签下逐次检查;但也有模型完全不受标签影响。版本号能左右代理的谨慎程度,却无法证明升级安全,测试与 CI 才是判据。

核心要点 TL;DR
  • 版本号会影响部分 AI 编码代理的检查力度:标成补丁时检查更少。
  • 不是所有模型都这样:Claude Opus 5.5、GPT-6.1 Sol、GPT-6.1 Terra 在两项实验中均逐
  • 实验里所有让 main 分支坏掉的合并都来自补丁或次版本标签。
  • 把验证放进 CI,比信任版本标签更可靠。

会,但不是所有代理。微软开发者博客在 2026 年 11 月 9 日发布了一组实验:把同一份字节级相同的破坏性升级代码分别标成 1.4.3 和 2.0.0 交给编码代理。结果,版本号确实改变了部分模型的行为——Claude Sonnet 5.5 在补丁标签下只检查了 2/10 次,在主版本标签下检查了 10/10 次;另一些模型则无论标签如何都逐次检查。版本号能影响代理的谨慎程度,但不能证明升级安全。

两组实验共约 1000 次运行,全部数字来自微软开发者博客原文,本文不补造版本、价格或测试环境之外的信息。

实验是怎么做的#

两组实验都在微软的 AI 代理评估工具 Vally 中运行,代理侧统一使用 GitHub Copilot CLI。为排除模型“记得老 API”的干扰,实验依赖一个虚构的 npm 库 fluxkit:新版本重命名了应用调用的函数,所以只升级依赖、不改应用代码,应用就会坏。

实验一给代理的指令只有一行,两个版本号条件其他内容完全相同:

# patch
Bump fluxkit to 1.4.3.

# major
Bump fluxkit to 2.0.0.

两个版本背后的库代码字节级相同,破坏性变更都在。当且仅当代理运行了测试或应用,或者阅读了更新后的库代码,这次运行才算“已检查”。

实验二稍微贴近真实工作流:代理收到一个更新分支,需要评审并决定是否合入 main。版本号只出现在分支名(update-<lib>-<version>)和提交信息里,没有发布说明或 PR 描述可参考。实验搭了六个场景,三个带破坏性变更、三个不带,每个场景分别给补丁、次版本、主版本三种标签,底层代码完全相同;六个模型每个标签各跑 30 次,合计 540 次。判定标准提前定死:差异达到 25 个百分点,并按置信区间归类为“有效果”“无显著影响”或“不确定”。

实验一:改个版本号,检查行为就变了#

模型补丁标签下已检查主版本标签下已检查结论
Claude Sonnet 5.52/1010/10有效果
Claude Opus 5.570/7070/70无显著影响
GPT-6.1 Sol70/7070/70无显著影响
GPT-6.1 Terra70/7070/70无显著影响

Claude Sonnet 5.5 的反应超出实验者预期:看到 1.4.3,它常常只改依赖版本号就停手,把应用留在损坏状态;看到 2.0.0,它每次都检查。其余三个模型在两个标签下都检查了全部 70 次。实验者还提到,在五轮试点中 GPT-6 Sol 表现一致,随后正式运行改用 GPT-6.1 Terra。

实验二:评审别人的更新时,标签还起作用吗#

实验二把“跳过检查就合并”作为指标,结论比实验一更分散:

模型未检查就合并:补丁未检查就合并:主版本结论
Claude Haiku 5.511/30(37%)2/30(7%)有效果
Claude Sonnet 5.54/30(13%)0/30不确定,偏向有效果
GPT-6 Luna9/30(30%)5/30(17%)不确定
Claude Opus 5.50/300/30无显著影响
GPT-6.1 Sol0/300/30无显著影响
GPT-6.1 Terra0/300/30无显著影响

把所有六个模型合起来看,未检查合并的比例随标签“看起来更危险”而下降:

版本标签未检查合并(每个标签 180 次运行)
补丁13%
次版本9%
主版本4%

在 Claude 5.5 这一代内部,模型越小越容易被标签左右:Haiku 5.5 显示出清晰效果,Sonnet 5.5 在实验一有效果、实验二偏向有效果,Opus 5.5 两项实验都不理会标签。实验者明确说,GPT 一侧无法做同样的跨代比较,因为没有哪一代同时覆盖 Luna、Sol 和 Terra。

跳过检查的代价#

代理跳过检查不一定出事,只要更新本身没问题。实验里,无破坏性更新在 270 次运行中被合并了 268 次,破坏性更新被合并了 13 次;这 13 次里有 4 次让 main 分支坏掉——两次来自 Claude Haiku 5.5,两次来自 GPT-6 Luna。原文强调,这四次全部带有补丁或次版本标签,也就是最容易让人放心的那两类。

另一个值得注意的细节:包括三个“逐次检查”的模型在内,所有模型在评审主版本时都更频繁地讨论兼容性。标签影响到了行为,也影响到了措辞,哪怕没改变检查频率。

这些结果不能说明什么#

  • 实验是故意违背 SemVer 的:把破坏性变更放在补丁号下发布,正是为了观察代理会不会盲信标签。现实中大多数补丁版本名副其实,所以结果描述的是“例外情况”下代理的表现,不是日常补丁的普遍风险。
  • 应用很小,且没有发布说明:真实升级通常附带 changelog,代理可能会去读,这会削弱标签的作用。
  • 30 次运行不够下定论:Sonnet 5.5 和 GPT-6 Luna 那 13 个百分点的差异可能真实存在,但在 30 次样本下无法判定。
  • 三个模型忽略标签,不代表模型整体不再看 SemVer:换一个模型,结论可能反转。
  • 没测其他版本方案:原文明确说没有测试别的版本号规则是否对代理更友好。

对写代码的人意味着什么#

如果你维护一个库

继续用 SemVer,并且保持诚实。代理认得这套规则,部分代理会据此行动。把破坏性变更塞进补丁号,恰好是那些代理最容易跳过检查的场景。原文的说法是:版本号已经和文档、CLI 帮助一样,成为代理体验你产品的一部分。

如果代理帮你升级依赖

不要让标签决定检查力度。有的模型会逐次检查,有的只在版本号看起来危险时才查。把验证写进工作流,例如要求每个依赖分支都通过 CI,让补丁版本和主版本接受同样的检查。

如果你在评估编码代理

把版本号列为隐藏变量:同一个升级场景,补丁版和主版本测的可能不是同一个代理。用开发者实际在用的模型测——只测 Claude Opus 5.5 会得出“代理无视标签”,只测 Claude Haiku 5.5 会得出相反结论。还要读运行轨迹,因为“碰巧没坏”和“认真检查过”在通过率上看起来一样。

回到标题的问题#

有的代理会在意 SemVer,有的不会。实验里 Claude Opus 5.5、GPT-6.1 Sol 和 GPT-6.1 Terra 的行为符合“读代码、不看标签”的预期;另一些模型则像扫一眼 Dependabot PR 的开发者一样,用版本号决定该花多少力气。版本号不能证明升级安全,它只是告诉代理“该多担心”,能证明安全的只有测试。

常见问题(FAQ)

AI 编码代理真的会看 SemVer 吗?
部分会。微软实验里,把同一次破坏性升级从 1.4.3 改成 2.0.0 后,Claude Sonnet 5.5 检查升级的比例从 2/10 升到 10/10;Claude Opus 5.5、GPT-6.1 Sol、GPT-6.1 Terra 在两个标签下都逐次检查。
版本号标成补丁,就可以放心升级吗?
不能。实验特意把破坏性变更放在补丁标签下发布,部分代理因此跳过了检查,并让 main 分支保持损坏。四次让 main 坏掉的合并都出自补丁或次版本标签。

参考来源

  1. Do AI coding agents care about SemVer?

以上为本文写作时的参考资料,引用观点以原文为准。

作者:沐小悠

本文约 7 分钟读完 · 关键词:AI 编码代理、SemVer、语义化版本、破坏性升级、GitHub Copilot

更多文章 GET 示例接口

「」标签下的其他文章