“别再碰我代码！”明星AI工具成瘟神，用户怒斥：一周七千块，修不好bug还删我关键文件！

编译 | Tina

AI 编程服务提供商 Replit 近日再次成为争议焦点，而距离其上一次风波仅过去不到三个月。

今年 7 月，Replit 就曾因误删用户生产数据库并伪造数据的操作失误，陷入舆论漩涡。当时公司公开道歉，并承诺将采取措施重建信任。

9 月 10 日，Replit 正式推出了新一代 AI 编程助手 Agent 3，称其能够帮助开发者更轻松地构建和测试应用程序。值得注意的是，同日 Replit 还宣布完成 2.5 亿美元融资，估值升至 30 亿美元。

Replit 将 Agent 3 称为“迄今最先进、最自主的编程代理”，性能据称“比 Computer Use 模型快 3 倍、成本效益高 10 倍”。

软件的“自动驾驶时刻”？！

在官方推文中，Replit 将 Agent 3 描述为迄今最自主的代理，能够在浏览器里自动测试和修复应用，检查按钮、表单、链接和 API；还可以连续运行超过 200 分钟，在构建、测试和修复过程中几乎无需人工监督。同时，它还能与 Slack、Telegram、Notion、Dropbox 等常用工具集成，帮助用户快速实现自动化。

CEO Amjad Masad 更是将这一版本定义为软件的“自动驾驶时刻”。他宣称，Agent 3 的自主性提升了 10 倍，能够在其他模型“卡住”的地方继续推进。在他的设想中，Agent 3 已经不只是一个代码助手，而是一个能够重塑生产力范式的数字工人雏形。

“AI 代理可以原型化应用……但要发布真正的软件，需要数小时的测试、调试和重构。Agent 3 的自主性提升了 10 倍，它能在别人卡住的地方继续前进。这是软件的‘自动驾驶时刻’。”

Amjad Masad 还首次清晰阐释了“自主性等级”体系。

早期如 VS Code 的 IntelliSense 为代表的语言服务器为第一级；Copilot 等代码补全工具属第二级；Replit Agent 2 大概是 3.5 级，可以独立工作 10-15 分钟，但需要人类时不时介入。而 Agent 3 相当于四级——基本全自动，但偶尔还需要关注。未来 Replit 希望实现第五级，即能够同时运行数千个代理，以超过 95% 的可靠率解决问题，从而让任何工程师或产品经理都可调度大规模“数字工程师”，几乎无需监督、实现效率的指数级提升。

Amjad Masad 表示 Agent 3 有三大支柱：

端到端测试：让 Agent 像人类一样使用电脑，点按钮、跑 QA。随着模型改进，它能工作更久，自动完成质量保证。
采样与模拟：Replit 构建了完全可回滚的事务型文件系统。Agent 在大改动时，可以复制环境并尝试不同解法，再选最优解并合并，像人类一样“分支思考”。这能提升 2-3 倍的可靠性。
自动生成测试：每次新增功能时自动生成测试用例，确保不会被后续更改破坏。虽然生成单元测试对模型来说仍然很难，但这是提高稳定性的关键。

他强调，这个版本的重点在于底层基础设施的重构，旨在为 AI Agent 打造更稳定、可靠的“栖息环境”。并且还勾画出了一个宏伟蓝图：“随着融资完成和新 AI Agent 的推出，我们有能力大幅提升客户增长，成为企业市场的标准。未来令人兴奋，数百万、甚至数十亿人将只需点几下，就能把他们的想法变为现实。”

然而，正是这些所谓的“点几下”，如今却让用户怨声载道。

修不好 bug，反倒删“关键文件”！

一位用户分享了自己的经历。他在 4 月至 7 月几乎完全依靠 Agent 2 开发了一款浏览器游戏。虽然不是专业开发者，但该游戏通过了外部审计，评分 6/10，算不上完美，但稳定且可用。之后，他持续进行小规模内测，约有 250 名自然用户参与反馈。问题出现在最近：部分玩家报告，游戏中出现了无法从一个关卡进入下一关的 bug。他于是尝试使用 Agent 3 的构建模式修复。

结果却极其糟糕——代理一次“工作”一个多小时，却始终无法找到解决方案。更糟的是，它不但没有修复 bug，反而开始引入回归、破坏项目，甚至有一次还删除了像 storage 这样的关键文件。

回滚功能形同虚设，他整整一个周末只能看着代理一步步把应用搞崩。最终，他不得不手动恢复到一个稳定版本，但过程极其艰难。他总结说，Agent 3 的构建过程低效又具破坏性。“从此之后，我不再敢让它碰我的代码。”

这位用户最后还呼吁 Replit 团队必须提高 Agent 3 在构建模式下的可靠性，避免引入回归问题或删除文件。

而且这还不是“个例”。另一位网友也在尝试使用 Agent 3 时，被代理删除掉了他和测试用户的所有数据。并且 Replit CEO Amjad Masad 所强调的“回滚功能”同样也根本不起作用，直到他把环境回退到 24-48 小时前才恢复。他无奈地说：“幸好我立刻学会了给数据库做副本。”

虽然 Replit 强调“连续运行超过 200 分钟”，但诸如“工作一个小时没结果”、“两行代码的修改竟然要花三个小时”之类的案例却不胜枚举。而且除了这类功能失效，更大的问题是成本失控。

Replit Agent 3 的费用高得离谱，这还是仅仅使用一周左右的结果（光是上周就至少花了 1200 美元）。

一位用户表示：“我觉得这只是上线初期的定价调整——在新应用上，一些任务运行 1 小时 45 分钟只收了 4-6 美元，但编辑已有应用的成本最高，仅这一周我就花了 1000 美元。”

这位用户推测：“Replit 在后台运行了更多子代理，增加了成本。尤其是在处理旧代码时，它会不断审查代码库的旧部分（特别是大文件），收费比新建应用高得多。它常常调用多个子代理来审查、规划、检查安全、执行和修复问题，并重新审核数千行代码——结果就是每次操作都要花 2-4 美元。甚至只是重置服务器并等待，也要收 0.40-0.50 美元。有意思的是，在全新应用的对话中让它构建，它反而不会这么频繁调用。”

在 Reddit 上，不少用户也报告说，自从新服务上线后，他们的 Replit 账单迅速攀升。

有用户分享道：“9 月 11 日之前，用 Agent 2 时，我的花费合理，和价值相符。但换成 Agent 3，仅仅一个周末的失败尝试，成本就飙升了，却没有任何实际成果。”

另一位用户则说：“我平时每月花 100-250 美元，但 Agent 3 发布当天，我一晚上就烧掉了 70 美元。” 他还称新工具出现了可疑操作：“有一次，一个提示直接暴力破解认证，重新执行验证，并强制重置了用户密码，只为在表单里进行应用测试。”

“还有一次提示，它自己设计了一个新 UI，把整个应用完全重构。我立刻停用了，因为那次提示花了我 20 美元，还毁掉了界面。我通常每晚会运行大约 10 个提示，按这个速度，一个月的花费可能要涨 20 倍。”

部分问题或许源于 Replit 在 6 月推出的“基于投入的定价”。以前每个检查点收费 0.25 美元，一个任务多个检查点就逐一累加。而现在复杂任务会被捆绑为一个更昂贵的检查点。次月 Replit 曾承认，“在整个项目生命周期内，这种定价可能更贵”。但直到 Agent 3 上线，用户才真正感受到冲击。

一位用户解释说：“以前基于投入的定价从没让我花这么多钱，但 Agent 3 的价格特别离谱。新代理上线后一周，我就被收了 1000 美元，而之前同样的工作每月从没超过 180-200 美元。如果是新应用，Agent 3 的定价还算合理。但在已有应用上边改边用，那简直贵得离谱。”

在用户的吐槽之外，社区里也出现了更犀利的批评。有人直言这像“末日收割”，还有人毫不客气地讽刺： “AI 不过是个华丽的胡扯生成器。需要大量胡扯时它很好用，否则糟透了。AI 泡沫什么时候破？感觉已经不远了。”

一些开发者则更直接地把矛头指向了 Agent 3 与人类的对比：

“人类更便宜，也更聪明。”“照这个趋势下去，或许学会自己写代码更容易。”

通用问题求解器的关键在于“移除人类”和“可回滚”？！

不得不说，Replit CEO 的营销手法很高明。融资、估值、宏大愿景，再加上“软件的自动驾驶时刻”这种叙事，让 Agent 3 看起来像是未来的入口。

Amjad Masad 也承认，为了活下去，Replit 必须摆脱单纯的“代码助手”角色，变成一个真正的通用问题求解器。他强调 Replit 的优势在于全栈：可以从想法一路走到部署与规模化。

但现实却是：不少用户在它身上体验到的，不是“通用问题求解器（Universal Problem Solver）”，而是“通用问题制造机”。删数据、删文件、账单飙升，这些事故让开发者越来越难以信任这个“全栈自动化”的未来。

面对质疑，Replit 也曾试图从技术层面给出回应。在前几天的一次公开发布与交流中，有观众提出尖锐问题：Replit 究竟在技术栈的哪个层面取得了最关键进展？尽管 Agent 3 号称可连续工作一小时，但如果依赖闭源模型而无法做深度定制，突破性究竟体现在哪里？

CEO Amjad Masad 回应称，真正的突破不在于模型训练本身，而在于构建了所谓的“模型栖息地”（habitat）——一整套支持 AI 代理持续、可靠运行的基础设施。他特别强调“事务性”（transactional）机制的重要性：在 Replit 中，每一个对计算环境的修改都与其他系统组件保持同步，用户可回滚至任意历史检查点并将应用恢复至对应状态。

他认为，这种基础设施所带来的环境反馈和快速试错能力，才是实现更高可靠性的关键，其作用甚至超过模型训练本身的提升。

另有开发者追问关于“连续运行一小时”的设计权衡：团队是如何决定追求更长自主时长跨度，而非优先优化短时推理能力？

Masad 表示，短时间跨度更多是在做可靠性；而更长的时间跨度，则是在做自主性，目标是把人从环路中移除，减轻人类持续测试和给反馈的负担。

两者 Replit 都在推进：在可靠性方面，通过加强推理能力和多代理并行试错（即“采样与模拟”）来实现；在长时运行方面，重点是测试：因为随着运行时间变长，会出现一种“目标漂移（goal drift）”——代理可能开始做一些你不希望的事；沿途设置好测试护栏，能让它在较长时间内保持连贯。

“与此同时，随着我们积累更多失败与无效的数据，你可以去做微调，或者持续改进提示（prompt），再加更多护栏，把它变得更好。”

参考链接：

https://old.reddit.com/r/replit/comments/1nidmhr/ongoing_agent_3_feedback_megathread/

https://www.theregister.com/2025/09/18/replit_agent3_pricing/

https://www.youtube.com/watch?v=lWmDiDGsLK4

声明：本文为 InfoQ 翻译整理，不代表平台观点，未经许可禁止转载。

会议推荐

10 月 23 - 25 日，QCon 上海站即将召开，限时 9 折优惠，单张门票立省 680 元，详情可联系票务经理 18514549229 咨询。