好码评分方法论 · Codex Score v1
我们怎么评一个 AI Agent？这里是完整答案。
好码评分（Codex Score）是好码未来对每个 AI Agent 的综合评分，满分 100 分，由四个维度加权计算：实用性（40%）、手艺（25%）、可靠性（20%）、性价比（15%）。本文完整公开评分规则、测试流程和评委标准。
为什么要有自己的评分？
AI 工具目录站的核心问题：它们大多不评分，只收录。Toolify 有 2.8 万个工具，TAAFT 有 4.1 万个——没有一个说"这个比那个差"。结果是，好工具淹没在垃圾里，用户需要自己试错。
好码评分的目标：让每一个数字背后有一个编辑在承担责任。不是算法排名，不是用户评分——是有署名的编辑，花了至少 4 个小时，用真实任务测出来的。
四个维度
实用性（Utility）· 权重 40%
它真的解决了问题吗？解决得有多好？
评估要素： - 在目标任务上的完成质量（我们会预设 3 个标准测试场景） - 输出结果是否可以直接使用，还是需要大量人工修改 - 功能覆盖是否到位，有没有关键能力缺失
评分锚点： - 90+：完成质量达到或超过有经验的人类专家 - 70-89：完成质量合格，需要少量修改 - 50-69：能用，但需要显著人工干预 - <50：完成质量不足，或经常失败
手艺（Craft）· 权重 25%
做这件事的方式，有没有品味？
评估要素： - UI/UX 的细节打磨程度 - 错误提示的质量（友好 vs 技术堆砌） - 边缘情况处理的优雅程度 - 文档和引导的完整性
评分锚点： - 90+：让你感到被尊重的产品体验，细节让你惊喜 - 70-89：体验流畅，偶有粗糙 - <50：有明显的产品设计欠缺
可靠性（Reliability）· 权重 20%
我能信任它明天还能工作吗？
评估要素： - 在 10 次相同输入下的输出一致性 - 服务可用性（上线期间的 503/超时频率） - 团队响应速度（Bug 修复、用户反馈处理） - 数据安全披露的透明度
性价比（Value）· 权重 15%
钱花得值吗？
评估要素： - 与同类产品的价格对比 - 免费层的真实可用性（不是噱头） - 付费后的实际增值幅度 - 计费方式的透明度
测试流程
1. 选题：编辑选择 3 个贴近真实用户场景的标准任务（每次评测前公开） 2. 盲测：不看产品官网文案，只看实际输出 3. 计时记录：完成每个任务的耗时、成功率、修改次数 4. 最短使用时长：4 小时（含熟悉期） 5. 结论署名：评测文章由具名编辑署名，附测试日期
不评测的内容
- 「潜力」或「未来规划」——我们只评现在
- 融资金额或团队背景——不影响用户体验
- 付费评测（我们确实接受赞助评测，但仍施加完整评分标准，且会注明）
版本说明
当前为 Codex Score v1（2026-05-28 发布）。随着 AI Agent 生态演进，评分维度和权重会定期审计调整。每次修订都会在此页面更新版本记录。