腾讯发布自研 Agent 基准 WorkBuddy Bench，用 260 道真实工作题对比自家 CodeBuddy Code 与 Claude Code。题目分代码、Web、办公、安全四类，7 个模型搭配两套 Harness 各跑一遍，共 28 组对比。

Claude Code 赢 17 组，CodeBuddy 仅赢 11 组。代码类差距最大，7 个模型换上 Claude Code 后全部涨分，7:0 完胜。CodeBuddy 仅 Web、办公各 4:3 小胜，安全类 4:3 落败。

同一模型只换 Harness 成绩可差十几分，显示 Agent 能力不只取决于底层模型，执行层同样关键。

局限在于样本量较小，每类仅 50-80 题；GitHub 上也有用户指出未纳入 Codex 等主流 Harness，排名或存变数。