Show HN: AgentToolBench-Code – AI編程代理安全基準測試

Allen Wu 開源了 AgentToolBench-Code，這是一個評估AI編程代理靜默安全失敗的基準測試。測試了 Claude Code Sonnet 4.6 和 Haiku 4.5，涵蓋16個真實CVE場景。結果顯示 Sonnet 以 +9 分（12捕獲、3靜默失敗、1無操作）明顯優於 Haiku 的 +3 分（8捕獲、5靜默失敗、3無操作）。早期平局源於小語料庫，擴展後 Sonnet 在模式識別上優勢顯著。但兩者在依賴安裝和預算消耗等結構性攻擊上均失敗，提示系統性問題。該基準可重複，API成本約3.50美元，社區可貢獻場景。