微软开源编程智能体评测平台 Scope：让 Copilot、Claude Code 反复跑同一任务，检验智能体能否用好你的 SDK、文档和工具

这件事意味着什么

【要点】

微软 10 月 19 日（北京时间 10 月 20 日 00:00）在开源博客发布 Scope，一个用来评测 AI 编程智能体的开源平台，MIT 许可，基于 Kubernetes，也可以用 Docker Compose 在本地跑。它由微软开发者关系团队做了一年多。

Scope 不是排行榜，而是给做 SDK、命令行工具、MCP 服务器或技能的团队用的：给智能体布置有代表性的任务（可附起始代码库），让它实际跑完，记录每一步操作、日志和工作区快照，再由一个基于大模型的“裁判”按一组有依赖关系的评判标准打分。目前支持驱动 GitHub Copilot、Claude Code 和 VS Code 里的 Copilot。每次运行的配置（模型、智能体版本、技能、MCP 服务器、扩展）都存成不可修改的版本，方便日后重跑对比。

微软给的案例来自 Azure Cosmos DB 团队：在 8 个端到端场景、5 种语言里对比“裸模型”和自家 Agent Kit，据此修了 20 个 Agent Kit 问题和 27 处文档问题；一次针对性更新后，智能体使用分层分区键的比例从 47% 升到 100%，使用 OFFSET/LIMIT 的比例从 47% 降到 0%。

【可核验】

微软开源博客：https://opensource.microsoft.com/blog/2026/10/19/introducing-scope-open-source-evaluation-for-ai-coding-agents/

代码仓库：https://github.com/microsoft/scope

文档：https://microsoft.github.io/scope/

【我们的判断】

一、Scope 把“智能体能不能用好你的产品”变成了可以重复做的实验，这是“开发者体验”之外正在成形的新工作：为智能体写文档、设计 SDK。

二、Cosmos DB 的数字只是微软自家一个产品、少量场景下的结果，微软也说明这不代表各家智能体的通用排名。

三、评分依赖大模型裁判，裁判本身的偏差需要用户自己抽查；开源的好处是评测方法可以被检查和改进。