Devin

2024 年 3 月 12 日，一家叫 Cognition 的小公司发布了一段演示视频，宣布他们造出了「世界上第一个 AI 软件工程师」Devin。创始团队是国际信息学奥赛（IOI）金牌得主，身后是 Founders Fund 领投的 2100 万美元 A 轮，以及 Collison 兄弟、Elad Gil 等一串硅谷名人。视频里 Devin 自己读文档、自己配环境、自己调试，甚至「在 Upwork 上接了真实的外包活并赚到了钱」。

接下来两年半发生的事情，几乎浓缩了整个 Agent 行业的成长史：一夜封神、被逐帧打假、沉寂打磨、悄然商用、天价并购、估值狂飙。截至 2026 年 5 月，Cognition 以 260 亿美元估值完成超 10 亿美元融资，年化收入（run-rate revenue）达到 4.92 亿美元，客户名单里有花旗、梅赛德斯-奔驰、高盛、美国陆军和美国海军。

这个页面不复述神话，也不重复嘲讽，而是把 Devin 当作一个标本拆开看：它做了什么、哪些是真的、哪些教训值得每个做 Agent 的人记住。

一、发布：轰动与打假，只隔了五周

1.1 2024 年 3 月的冲击

Devin 发布时最硬的论据是 SWE-bench 成绩：在真实 GitHub issue 上端到端解决 13.86%，而此前最好的无辅助基线是 1.96%——即使把要改的文件直接告诉模型，当时的最好成绩也只有 4.80%。约 7 倍的差距，而且是「无辅助」对「有辅助」。

但请注意官方技术报告里的脚注，这个 13.86% 有三个限定条件：

• 只在 SWE-bench 全集的随机 25% 子集上评测；
• 其余模型大多在「告知需修改文件」（assisted）的条件下对比，Devin 是 unassisted——这一点对 Devin 有利，是真实加分项；
• 评测由 Cognition 自己执行，没有第三方复现。

公平地说，13.86% 在 2024 年 3 月是货真价实的 SOTA，它直接点燃了「Agent 能端到端解决 issue」这条赛道的军备竞赛。SWE-bench 此后成为行业事实标准，围绕它的方法论讨论我们放在 Agent 评测 和 SWE-agent 案例 里展开。

当时的舆论烈度现在回头看仍然惊人：「软件工程师五年内消失」「CS 学位不值钱了」的标题铺满科技媒体，Devin 的 waitlist 一码难求，二手邀请在社交平台被当作身份象征。这种狂热本身就是后来反噬的燃料——把期望值推到不可能兑现的高度，是 Devin 公关策略最大的成功，也是最大的失误。

1.2 五周后的逐帧打假

2024 年 4 月，一位有 35 年工程经验的开发者 Carl Brown 在他的 YouTube 频道 Internet of Bugs 上发布了一条 25 分钟的视频：《Debunking Devin: "First AI Software Engineer" Upwork lie exposed!》，在 Hacker News 和 Reddit 上刷屏。他把 Cognition 官方演示中「Devin 在 Upwork 完成真实外包任务」的那段视频逐帧拆开，发现了几个硬伤：

• 任务被精心挑选且被曲解。Upwork 客户要的是「帮我跑通一个已有的道路损伤检测视觉模型」，本质是环境配置和运维问题；而演示把 Devin 呈现为「从零写代码完成开发任务」。
• Devin 修的是自己造的 bug。视频里 Devin 调试半天的错误，很多是它自己生成代码时引入的——先制造问题再解决问题，看起来像在工作。
• 没有走真实的 Upwork 流程。没有投标、没有交付、没有任何证据表明客户验收或付款。
• 产出代码质量差。不必要的复杂和冗余，人类复现同样结果只花了约 36 分钟，Devin 折腾了 6 个多小时。

这件事的行业意义远大于八卦价值：它确立了「演示视频陷阱」这个术语的实体原型——Agent 演示展示的从来不是能力分布，而是运气分布的最好一次抽样。这个问题至今存在，2026 年各家厂商的发布会依然在用同一招。

演示视频陷阱（Demo Video Trap）

看任何 Agent 产品的演示，默认问自己三个问题：这个任务跑了几次才成功一次？任务是谁挑选的？失败后的人工善后成本是多少？Devin 事件的教训不是「这家公司是骗子」，而是「单次演示对能力的证明力约等于零」。真正的信号来自第三方长周期实测——比如下文 Answer.AI 的那次。

1.3 一年后的第三方实测：20 个任务，14 个失败

2025 年 1 月，Answer.AI 团队（Jeremy Howard 创办的实验室）发布了《Thoughts On A Month With Devin》——当时互联网上罕见的、基于一个月真实使用的详细评测。他们给 Devin 派了 20 个真实任务，覆盖新建项目、研究、分析存量代码、修改存量代码四类，结果：

结果	数量	说明
成功	3	含最初的 Notion→Google Sheets 数据迁移等「胶水任务」
失败	14	过度复杂的「代码汤」、陷入死循环、幻觉出不存在的功能
无定论	3	有产出但未真正解决问题

更致命的不是失败率，而是不可预测性：「我们无法找到任何规律来预判哪个任务会成功。」 以及自主性变成负债的典型症状——让它把多个应用部署到一个 Railway 实例（Railway 根本不支持），Devin 没有识别出任务不可行，而是花了一整天尝试各种方案并幻觉出不存在的功能。

这篇评测和 2024 年 4 月的打假视频，共同构成了 Devin 前半段生涯的舆论底色。值得强调的是：它们批评的是 2024 年底到 2025 年初那个版本的 Devin，后面我们会看到产品和市场都发生了实质变化。

二、产品形态：一个住在云上的「远程同事」

Devin 和 Cursor、Claude Code 的根本区别不在模型能力，而在交互拓扑。它不是 IDE 里的副驾驶，也不是你终端里的命令行伙伴，而是一个有独立工位的远程员工：

        你（人）                        Devin（云端）
┌────────────────────┐      ┌──────────────────────────────────┐
│  Slack / Web 界面   │      │  独立的云端沙箱（Docker 容器）      │
│  ─ 派任务           │      │  ├─ shell（装依赖、跑测试）         │
│  ─ 看进度播报        │─────▶│  ├─ 代码编辑器                    │
│  ─ 中途纠偏          │      │  ├─ 浏览器（读文档、预览网页）      │
│  ─ Review PR        │      │  └─ 长任务规划器                  │
└────────────────────┘      │           │                      │
                            │           ▼                      │
                            │   完成后提交 Pull Request         │
                            └──────────────────────────────────┘

这个形态带来三个结构性特征：

• 异步长任务。你派完任务去开会，它自己跑几小时甚至几天。这是它区别于 Cursor（同步、人盯每一行改动）和 Claude Code（同步、每次改动要授权）的本质。
• 自带完整环境。沙箱里有 shell、编辑器、浏览器，能装依赖、读 API 文档、预览自己写的网页。环境的完整性是它的护城河，也是它失败时的放大器——Answer.AI 的实测里，Devin 经常在环境问题上耗尽预算。
• 以 PR 为交付物。干完活的产出是一个 Pull Request，进入人类既有的 code review 流程。这一点非常关键：Devin 没有要求工程师改变验收方式，而是把自己嵌进了现有的工程协作结构里。

2.1 产品线的扩展

2025 年 4 月 Devin 2.0 发布后，产品边界明显从「单个远程工程师」扩展为「一个工程团队的 AI 基础设施」：

• Parallel Devins：同时派出多个 Devin 实例并行处理任务队列，配一个总览界面管理它们。管理的颗粒度从「盯一个 Agent」变成了「管一队 Agent」。
• Devin Wiki：自动为你的仓库生成和维护文档——架构图、源码链接、模块说明，随代码演进持续更新。瞄准的是企业里最痛的存量知识问题。
• Devin Search：对代码库的语义化问答，带引用的回答。
• Interactive Planning：正式开工前先和你对齐计划，把模糊需求拆成可确认的步骤再执行。这是对「自主性负债」问题的正面回应——把纠偏点前移。
• Agent-native IDE：一个类 VS Code 的界面，可以在 Devin 工作过程中随时介入、接管、共同编辑。
• API 与集成：Slack、VS Code 扩展、API，让它能被嵌进 CI/CD 和工单系统自动触发。

注意这个产品演进的隐含逻辑：2024 年的 Devin 卖的是「替代工程师」，2025 年之后的 Devin 卖的是「工程杠杆」——Wiki 和 Search 甚至和写代码无关，卖的是代码库理解。这个转向是它能活下来的关键，后文展开。

2.2 一次典型任务的生命周期

把抽象架构落到具体操作，一次 Devin 任务大致长这样：

1. 派活：在 Slack 里 @Devin（或在 Web 界面）描述任务，附上 issue 链接、相关文档、环境线索。任务描述的质量直接决定成败——这是用 Devin 最像「带新人」的地方。
2. 对齐计划（2.0 之后）：Devin 先输出一份执行计划，拆出步骤、列出假设，等你确认或修正后再动手。跳过这一步直接开跑，是新手最常见的翻车姿势。
3. 异步执行：它在自己的沙箱里 clone 仓库、装依赖、跑测试、写代码，过程中在 Slack 里播报进度。你可以随时插话纠偏，也可以打开 IDE 界面直接接管。
4. 交付与验收：完成后提交 PR，附上它的工作总结。然后进入你团队正常的 code review——这里没有任何特殊通道，它被当作一个普通贡献者对待。
5. 计费结算：按实际消耗的 ACU 扣费。一个卡死一整天的失败任务和一个十分钟搞定的成功任务，账单可能差不多——这决定了「尽早掐死跑偏的任务」是使用 Devin 的核心生存技能。

第 5 点是很多团队的第一课：用 Devin 的成本控制，本质是任务粒度和止损纪律的管理学，不是技术问题。相关方法论见 成本工程。

三、技术公开信息：少，但有干货

Cognition 对架构细节一直守口如瓶，但有几处公开信息值得认真读。

3.1 长时程规划与「压缩式记忆」

发布时官方说法是「long-term reasoning and planning」的进步让 Devin 能执行「需要数千个决策」的工程任务。真正有价值的技术披露在 2025 年 6 月 Cognition 工程师 Walden Yan 的著名博客《Don't Build Multi-Agents》里。这篇文章反直觉地主张：不要急着上多智能体架构，并给出了两条 context engineering 原则：

1. Share context：共享完整的 agent trace，而不只是消息片段；
2. Actions carry implicit decisions：每个动作都携带隐含决策，并行子 Agent 之间的决策冲突是可靠性杀手。

他们给出的实践路线是：默认使用单线程线性 Agent；当上下文窗口不够时，引入一个专门做「历史压缩」的模型，把动作与对话历史压缩成关键决策和事件——Cognition 透露他们为此微调了小模型。这与 Context Engineering 一页讲的「上下文是稀缺资源」完全同构，也是 Multi-Agent 架构 一节讨论可靠性取舍时的重要一手材料。

为什么「反多智能体」的 Cognition 却做了 Parallel Devins？

不矛盾。Cognition 反对的是多个 Agent 协作完成同一个任务（决策冲突、上下文割裂）；Parallel Devins 是多个 Agent 各自独立完成互不耦合的任务（像派活给不同的远程员工）。前者是分布式决策，后者是任务级并行。判断你的场景该用哪种，就看子任务之间是否需要共享决策上下文。

3.2 SWE-bench 数字的通货膨胀

把 Devin 的成绩放进时间轴，能直观看到这两年代码 Agent 的能力斜率：

时间	系统	成绩	备注
2023-10	Claude 2 等基线	~1.96%（无辅助）	SWE-bench 论文基线
2024-03	Devin	13.86%	全集 25% 随机子集，无辅助
2025-09	Claude Sonnet 4.5	82.0%	SWE-bench Verified（人工筛选子集）

注意口径差异：Devin 的 13.86% 跑在原始 SWE-bench 的随机子集上，后来的高分大多跑在 Verified 子集上，两者不可直接相减。但数量级的变化是真实的：这个 benchmark 在两年内从「谁能两位数谁是英雄」卷到了接近饱和，迫使行业转向更长时程的新基准（如 SWE-EVO、Terminal-Bench）。这也是为什么读任何 benchmark 数字都必须先问口径——详见 Agent 评测。

3.3 自研模型：从调包到训练

Cognition 早期是纯粹的「模型使用者」，2025 年起转向自研：收购 Windsurf 后继承了 SWE-1 模型家族（SWE-1、SWE-1-lite、SWE-1-mini，2025 年 5 月发布，主打软件工程全流程与长任务），并在 2026 年推出 SWE-1.6——按官方说法已成为 Windsurf 内使用最多的模型，速度最高 950 tok/s。同时官方强调自己是「independent agent lab」：与所有基础模型实验室合作，按任务类别（他们自称评测 100+ 类软件工程任务）自动选择性价比最优的模型。自研小模型做压缩、第三方旗舰模型做推理、自家模型补速度与成本——这套混合供给策略，值得每个算账的 Agent 团队参考，相关讨论见 成本工程。

四、商业模式与定价：从奢侈品到白菜价

Devin 的定价史本身就是一部市场教育史：

时间	定价	背景
2024-03 ~ 2024-11	仅限 waitlist，定向邀请	制造稀缺，产能爬坡
2024-12	$500/月，正式开放	定位企业级「AI 员工」，按人头对比工程师薪资定价
2025-04（Devin 2.0）	Core 版 $20/月，按 ACU（Agent Compute Unit）计费，超额约 $2.25/ACU；Team 版 $500/月含 250 ACU（约 $2.00/ACU）	入门价直降 25 倍
2026 年	Core $20 / Team $500 的框架延续，ACU 单价随模型成本下降继续摊薄	价格战常态化

2025 年 4 月的降价是一次防御性动作，不是实力展示。彼时 Cursor 以 $20/月横扫个人开发者，Claude Code 把终端 Agent 的体验拉到新高度，开源的 OpenHands 在 benchmark 上追到同一量级。$500/月 的定价在「15% 任务成功率」的口碑下完全不可持续。降价 + ACU 计量，本质是把商业模式从「雇一个 AI 员工」（按席位收费）改成「买算力按量付费」——承认了自己卖的是计算资源，不是劳动力。

这个转变对行业的定价有普遍参考价值：当 Agent 的成功率不足以按「产出」定价时，只能按「消耗」定价。等成功率高到可以承诺结果时，才会出现按 issue 数、按 PR 数的结果定价——2026 年的 Devin 企业合同里已经出现了这种混合模式，但按量计费仍是主干。

五、2025-2026：Windsurf 收购与估值狂飙

5.1 年度最戏剧性并购

2025 年年中的 Windsurf 收购案值得单独复盘，因为它同时改写了三家公司的命运：

1. 2025 年春：OpenAI 与 AI 编程工具 Windsurf（母公司 Codeium）洽谈约 30 亿美元收购，谈判最终破裂——微软与 OpenAI 的知识产权条款是核心障碍之一。
2. 2025-07-11：Google 闪电出手，以约 24 亿美元的技术授权费 + 人才协议，把 Windsurf CEO Varun Mohan、联合创始人 Douglas Chen 和核心研发团队带进 Google DeepMind。Windsurf 瞬间成为「空壳」——品牌、产品、客户和大部分员工还在，灵魂没了。
3. 2025-07-14：三天后，Cognition 宣布收购 Windsurf 剩余部分——产品、品牌、企业客户和留下的人。

这笔交易被普遍视为 2025 年最复杂的 AI 并购：Google 拿走人和技术授权，Cognition 拿走产品和收入，OpenAI 空手而归。对 Cognition 的战略意义很明确：Windsurf 补上了 Devin 缺失的那一半——同步 IDE 场景（Cascade Agent、SWE-1 模型家族、成熟的企业销售管道）。此后 Cognition 的产品矩阵变成了「异步云端 Agent（Devin）+ 同步 IDE（Windsurf）」的双轨结构，直接对标 Cursor 与 GitHub Copilot 的主战场。

5.2 融资与收入曲线

时间	事件
2024-03	$21M A 轮（Founders Fund 领投）
2024-04	$175M，估值 $2B（报道口径，未独立核实）
2025-08	约 $500M，估值 $9.8B
2025-09	$400M 轮
2026-05-27	超 $1B，估值 $26B（Lux Capital、General Catalyst、8VC 领投）

伴随 2026 年 Series D 披露的数字：年化收入 4.92 亿美元；企业用量自 2026 年初增长超 10 倍；客户包括花旗、梅赛德斯-奔驰、高盛、Dell、桑坦德、美国陆军与美国海军；奔驰把一个人估 8 个月的遗留系统现代化项目压到了 8 天；拉美最大银行 Itaú 用 Devin 自动修复 70% 的安全漏洞；Cognition 自己 89% 的代码提交由 Devin 完成（其余由 Windsurf 本地 Agent 完成）。

读这些数字时保持职业怀疑：它们全部来自公司官方博客，没有第三方审计。但「能通过高盛、花旗、美军的安全与采购审查」这件事本身，是比任何 benchmark 都硬的能力证明——这些机构不会为一段 viral 视频付钱。

5.3 放到竞争格局里看

2026 年的代码 Agent 市场已经分层，Devin 的位置和邻居们：

产品	交互形态	自主程度	定价锚点	典型用户
Devin	云端异步，Slack/PR 交付	高（数小时无人值守）	$20 起 + ACU 计量	企业工程团队，批量任务
Cursor	IDE 内同步	低（人盯每次改动）	$20/月席位	个人开发者
Claude Code	终端同步，可挂云任务	中（逐步授权）	订阅 + API 计量	工程师个人与小团队
OpenHands	开源自托管	高（类 Devin）	模型 API 成本	想自建/研究的团队

Devin 的差异化不在「更聪明」——模型层大家用的是同一批——而在三件事：异步长任务的产品化完整度、企业合规与采购通道（这是军方和银行客户选择它的实际原因）、以及收购 Windsurf 后「异步 + 同步」双轨覆盖。它的风险同样清晰：Anthropic 和 OpenAI 的自有 Agent 产品正在把同样的能力以更低的价格打进同一批客户。

怎么读厂商自报的案例数字

「8 个月压到 8 天」这类对比，分母通常是「人类团队按传统流程的最悲观估计」，分子通常不含需求澄清、环境准备和最终验收的人工时间。正确的用法不是记住倍数，而是记住任务类型：遗留系统现代化、安全漏洞批量修复、依赖升级——这类「定义清晰、量大、单体力智力含量低」的任务，正是当前自主 Agent 的甜点区。把 Agent 派去干这个，比让它「端到端开发新功能」靠谱得多。

六、争议与教训：自主性宣传 vs 现实差距

Devin 是研究「Agent 产品宣传学」的最佳样本，教训可以提炼成四条。

6.1 「AI 软件工程师」这个词本身就是问题

把产品命名为「工程师」，等于承诺了工程师的全集：理解模糊需求、权衡取舍、为结果负责。而 2024-2025 年的 Devin 实际交付的是「在良好定义的任务上有一定成功率的执行者」。命名与能力的落差，直接导致了舆论的反噬强度——如果它当初叫「Devin：自动化 PR 机器人」，不会有那样的轰动，也不会有那样的打假。给你的 Agent 产品起名时，名字承诺的就是用户的验收标准。

6.2 自主性是把双刃剑，纠偏点必须前移

Answer.AI 实测中最有教育意义的失败模式不是「做错了」，而是「在不可能的任务上奋战一整天」。全自主 + 长时程意味着错误假设会以小时为单位复利放大。Devin 2.0 用 Interactive Planning 把计划确认前置、用 IDE 允许人随时接管，本质是在架构上承认：当前的自主 Agent 需要的是『结构化的人类介入点』，而不是『更少的人类介入』。这正是 Human-in-the-Loop 设计的核心命题，也是 Agent 落地陷阱 里排在第一的那条。

6.3 口碑低谷不是终点，分发和信任重建才是长赛

按 2025 年初的舆论，Devin「已经死了」：演示造假、实测翻车、定价离谱。但 Cognition 做了三件对的事：把价格降到试用无门槛的区间；用 Wiki/Search 进入「代码库理解」这个成功率高得多的场景；用 Windsurf 收购拿到企业分发渠道。到 2026 年，它成了收入最高的 Agent 公司之一。教训是反直觉的：Agent 产品的竞争不在单次任务成功率，而在「失败成本 × 试错频率」的工程学——谁能把失败的代价降到足够低、让用户愿意持续试，谁就能等到模型能力追上来的那一天。

6.4 对基准和演示保持制度性怀疑

Devin 事件之后，行业的免疫反应是真实的：SWE-bench 官方推出了人工筛选的 Verified 子集和第三方托管评测；厂商自报数字普遍被默认打折扣；「放出完整 trace」逐渐成为可信发布的最低配置。如果你正在做自己的 Agent 评测，直接抄这个作业：公开任务集、公开完整轨迹、让第三方可复现——方法论见 Evals 实践。

七、对行业的正面推动

批评之外，必须承认 Devin 的历史贡献同样真实：

• 它把「全自主长任务 Agent」从科幻变成了品类。2024 年 3 月之前，主流叙事是 Copilot 式的补全；之后，「异步云端 Agent」成为每家厂商的标配——GitHub Copilot coding agent、Jules、OpenAI Codex（2025 版）、Claude Code 的云任务，全都是这个品类。
• 它教育了 SWE-bench。13.86% 的冲击力让这个学术基准变成行业标准，客观上推动了整个评测生态的成熟。
• 它蹚出了「沙箱 + PR 交付」的工程范式。云端隔离环境、以 PR 接入人类 review 流程，如今是所有同类产品的默认架构。
• 它贡献了最好的架构辩论文本。《Don't Build Multi-Agents》至今是 context engineering 领域被引用最多的工程博客之一。
• 它提供了完整的商业样本。从 $500 到 $20 的定价修正、从「替代人」到「工程杠杆」的定位修正、从产品公司到「agent lab + 模型训练」的形态演进——每一步都是可研究的决策案例。

八、小结

Devin 的故事不是一个「骗子现形记」，也不是「王者归来」的爽文，而是 Agent 行业第一份完整的压力测试报告：

• 宣传端，它演示了过度承诺的代价——能力是真的，但被夸大后，真实部分也会被当作假的；
• 产品端，它演示了自主性的正确打开方式——不是无人值守，而是把人类介入点设计进架构；
• 商业端，它演示了活到模型追上来的策略——降价、换场景、买渠道，然后等待。

对学习者，建议的打开方式是：去读一遍 Answer.AI 的实测原文，再读一遍 Cognition 的 Series D 博客，把两份材料里描述的同一家公司对照起来看——你会得到比任何二手评论都深刻的判断力。想动手体验同类架构，开源的 OpenHands 是最直接的平替；想理解底层循环，回到 Agent Loop 和 规划能力 这两页。

参考资料

• Introducing Devin, the first AI software engineer — Cognition —— 2024 年 3 月官方发布原文，含能力演示清单与 SWE-bench 声明
• SWE-bench technical report — Cognition —— 13.86% 成绩的官方技术报告，注意 25% 子集等限定条件
• Debunking Devin: "First AI Software Engineer" Upwork lie exposed! 相关报道 — 80 Level —— Internet of Bugs 打假视频事件的媒体记录
• Thoughts On A Month With Devin — Answer.AI —— 2025 年 1 月一个月 20 任务实测，14 失败 3 成功 3 无定论
• Devin 2.0 Explained — Analytics Vidhya —— Devin 2.0 新功能与降价的产品侧梳理
• Don't Build Multi-Agents — Cognition —— Cognition 的 context engineering 原则与反多智能体论证
• More Devins in More Places（Series D）— Cognition —— 2026 年 5 月 $26B 估值、$492M 年化收入与企业客户案例的官方披露
• Cognition revenue, valuation & funding — Sacra —— 第三方对 Cognition 融资史与收入的持续跟踪研究