AI “一鍵生成”全端應用的終極考場“App-Bench”，Orchids 排名榜首，Claude Code 第二，Cursor 第八，Lovable 第九，Gemini CLI 零分？ App-Bench 是一個高難度基準測試框架，它的核心目標非常明確：評估AI 程式設計智能體是否具備僅憑一句自然語言提示詞，在零人工幹預的情況下，產生完整、可用的現代Web 應用程式的能力。 評測核心：從“寫程式”到“做產品” App-Bench 不再滿足於測試AI 寫入函數片段的能力，而是檢視其建構全端應用的綜合實力。這些應用必須包含真實軟體的核心特徵： · 整合AI 助理· 即時資料同步· 多用戶角色邏輯· 自動化觸發器與鑑權流程 六大高難度測試場景為了模擬真實的經濟價值，App-Bench 選取了6 個不同領域的複雜應用程式進行測試： · 金融儀錶板： 類似彭博終端，含即時股價、互動圖表、AI 諮詢及即時論壇。 · 醫院管理看板： 涉及醫生/護士/管理員多角色，需處理床位狀態、急救警報及即時通訊。 · 法律助理： 基於RAG 的文件庫，支援語音聽寫和文件引用。 · 藥局系統： 連結病患與藥師，處理庫存、訂單及私密消息。 · 你畫我猜遊戲： 多人線上遊戲，需解決回合製邏輯、畫布即時同步和回放功能。 · 租賃預訂平台： 類似Airbnb，包含搜尋過濾、付款流程及媒體上傳。 嚴謹的評分方法· 評分者： 資深全端開發人員人工評分，非機器自動評分。 · 規模： 涵蓋151 個評分細項，累計進行了4,530 次評估。 · 機制： 每個工具給三次機會，取最好的一次成績。 關鍵發現與洞察· 產業現況： 即使是頂尖工具也無法完美通關。目前表現最好的工具也僅涵蓋了約77% 的必要功能，大多數工具在複雜任務（如多角色互動、複雜UI邏輯）上有顯著缺口。 · 工具形態比較： Web 端產生器的平均表現略優於命令列工具。 Web 工具在處理身分驗證和基礎UI 框架時更穩定，而CLI 工具的表現波動較大。 · 主要敗因： 功能缺失、多角色流程中斷、API 過期導致的執行階段錯誤，以及影響可用性的UI/UX 問題。 性能排行榜（Top 10） 1. Orchids 76.8% 2. Claude Code 67.5% 3. v0 (Vercel) 64.9% 4. Bolt 53.6% 5. Google AI Studio 50.3% 6. Codex 38.4% 7. Replit 35.1% 8. Cursor 27.8% 9. Lovable 25.8% 10. Gemini CLI 0.0% 造訪網站
