新论文提出 BackUpper:让编码智能体在动手前先备份
一项新研究构建了 RegretBench 基准,用 205 个真实数据丢失场景测试六款前沿模型,结果显示智能体平均完成任务率 86.1%,但在关键操作前备份的比例仅 15.2%,其中 GPT-5.6-Terra 为 4.4%、GPT-5.6-Sol 为 5.9%、Gemini 3.7-Flash 为 2.4%,表现最好的 Claude Opus-5 也有超过三分之一场景未备份。作者提出的 BackUpper 作为外挂插件与智能体并行运行,按四级策略替换破坏性命令、配对备份命令、生成快照或调用 GPT-5.6-Luna 子模型判断需保存的数据,测试中覆盖了全部关键操作,恢复数据与原状态平均相似度 92.2%,每任务额外成本 0.014 美元。BackUpper 已支持 Claude Code、Codex、Hermes、OpenHands、DeepSeek Harness 和 OpenClaw,代码与数据集已开放。
ackUpper 跳过低风险操作,并将保护范围扩展到网页智能体和计算机使用智能体。 BackUpper 支持 Claude Code、Codex、Hermes、OpenHands、DeepSeek Harness 和 OpenClaw;作者已公开其代码以及相关数据集(但需通过表单申请许可);此外,该项目的项目网站上还有一些补充信息,以及一段非常简短易懂的说明视频。 方法 在构建 RegretBench 时,已刻意排除智能体内置备份系统已经保护的数据,以便测试智能体自身对何时进行备份的意识。随后,在 Claude Opus-5 和 GPT-5.6-Sol 的协助下组装了测试场景,并进行了人工检查,以确保它们能够正常运行,且准确反映原始事件。 RegretBench 的 205 项测试覆盖五个领域:终端操作;数据库;Web 应用;电子邮件;以及 DevOps。这些事件本身主要来自软件开发与生产力平台(44.4%);社交或社区讨论(39%);以及档案和媒体报道(16.6%): RegretBench 真实世界事件的来源,分为三类。 所评估的六款前沿模型分别是 Claude Code 中的 C
匹配字段正文

