三年前，我第一次用AI写函数，感觉找到了编程的终极武器。今年，当我试图让同一个AI系统维护一个持续演进三个月的代码库时，它把整个项目搞崩了。为什么独立测评高分，真实场景却集体翻车EvoClaw基准测试...