清华文科生Vibe Coding，Step 5 Preview 扛得住一个十万行的真实项目吗？

阶跃星辰新出的 Step 5 Preview，我前前后后测了一圈

官方给它的定位，叫往前推一步帕累托前沿

听着挺学术，翻成人话就是，能力差不多的模型里，它想做花钱最少的那个，同样一件活，别家要花 10 块，它想 3、4 块就干完

看到官方材料里给了几个数字。跑同一个任务，它的成本大约是 Claude Opus 5 的八分之一，是 GLM-5.3 和 Kimi K3 的 35%

10 月 8 日上线 OpenRouter，在 12 小时内 Step 5 Preview 就登顶了 Trending 第一。

能力这边，它在 Artificial Analysis 的智能指数上拿了 44 分，官方的说法是全球开源模型前三

便宜这么多，到底能不能干活？

作为清华一名文科生，我想拿自己日常的开发项目试一试！

直接丢了一个真实项目过去，Pebble，我自己的开源项目，一个差不多十万行代码的电脑端邮件客户端。

测完一圈，我的感受就两个字，能打。

01

先读懂，再找 Bug

第一个任务很简单，先把这个项目读懂

它交回来一份能直接拿来上手的说明，项目是干嘛的，由哪几块组成，每一块管什么，都讲到了

最有用的是，它把一封邮件在 Pebble 里怎么走，理成了几条线。收信怎么进来、存到哪儿，发信时断网了怎么排队重发，邮件显示之前怎么把追踪像素过滤掉

后面它找到的几个最严重的 Bug，几乎都卡在这几条线交界的地方。没有这张地图，它很难把两头对上

所以我是真的觉得，要让 AI 改一个它没见过的项目，先让它讲一遍给你听。讲不清楚的，改起来大概率也是瞎改

第二个任务，让它把整个项目从头审一遍

它的做法挺有意思，一口气开了 5 个分身，安全、界面、并发这些各盯一块，最后把结果合到一起。一共翻出大约 60 个问题，排好轻重，最严重的 5 个，它还自己回头又核了一遍

最严重这一档，它给的定义很干脆，丢数据、安全被绕过、数据悄悄损坏

我挑几个讲，讲完你大概就知道它的水平了

第一个，升级会删邮件

Pebble 某次升级时，把它以为重复的邮件删掉了。可那些邮件根本不重复，只是在不同文件夹里用了同一个编号

就像每个班的学号都从 1 开始排，学校却把二班的 1 号当成重复档案销毁了

删的时候不报错，删完那个文件夹还会卡住，再也收不到新信

第二个，Gmail 的新邮件会漏

新邮件多到一页装不下的时候，Pebble 只看了第一页，就当全看完了。后面那些邮件永远补不回来，也没有任何报错

第三个，信任会串门

你对 A 点了信任，允许加载他邮件里的图片。再打开 B 的邮件，B 也被当成了信任的人，追踪像素全部放行。而且这个信任，还能被伪造

这几个问题有个共同点，单看哪一段代码都没毛病，得把好几处对起来才看得出来。代码检查工具扫不出来，人一段一段读也很容易漏

我自己的判断是，在读懂陌生项目、找这种藏得深的问题上，Step 5 Preview 已经是能直接拿来用的水平。每一条它都指到了具体位置，能对着代码核，不用猜

02

修完说搞定，复审又抓出一个

第三个任务，按它自己的审查结果，把这 5 个最严重的修掉

修完之后，它把项目里的自动测试全跑了一遍，光界面这边就有 344 项，全部通过

修法里有一处，我觉得最能看出它的分寸，就是删邮件那个

最彻底的修法，是把邮件编号整个改一遍，让它们从根上不再撞号。

但它发现，项目里好多地方都靠这个编号干活，一改就是一大片，还得迁移老数据，它手里又没有真实的邮箱账号能验证

它最后选了一个保守的修法，把那条错误的规则撤掉。没升级的用户不会再被删邮件，已经升级的用户，下次打开同步就恢复正常。为什么不选那个更彻底的方案，风险在哪，它都写在了交付说明里，建议以后单独做

坦率的讲，知道什么时候不改，比改得多更难。作为维护者，这样的修复，我审起来轻松太多了

信任串门那个，它把信不信任这件事，交回给程序后台来判断，界面那边说了不算，切换邮件时也会把状态清掉。能被伪造的那个口子，这样才算堵上

到这里，按一般的标准，活已经干完了。测试全绿，说明也写得清清楚楚

下一步是复审，我只说了一句：

review一下刚才的代码

它先自己过了一遍，顺手补了两处改进。

然后它做了一个挺聪明的决定，自己开了一个审查分身，原话是现在派一个新眼睛审查代理对最终代码做对抗性审查

这个分身是冷启动的，前面的对话它一句都没看过，不知道主模型是怎么想的、为什么这么改，只拿着最后的代码从头挑刺。

审查的同时，主模型那边还在并行重跑测试

分身交回结果以后，它也没照单全收，先把关键发现自己核实了一遍再动手，原话是不盲信

这轮复审不是走过场，分身真抓到了硬伤，包括它自己刚才修代码时带进来的逻辑疏漏

更显水平的是它接下来的反应

它没跟分身抬杠，也没糊弄过去，而是顺着线索把整个代码库重新核了一遍，确认全库其他地方都写对了、唯独自己新写的这段漏了判断，当场老老实实认账，把漏掉的逻辑和安全盲点一口气全补齐了

甚至，它还展现出了一种很难得的工程责任感

它注意到之前那个删邮件的 Bug 已经发了正式版，真实影响过用户，于是主动建议我在更新日志里如实写出来，跟用户交代清楚

坦率的讲，很多人类工程师修完 Bug 都巴不得这事赶紧翻篇，很少有人会主动提醒你，之前的版本坑过用户，这事得记在日志里。这种职业素养，真的超出我对一个模型的预期了

03

重做官网，和 Fable 5.1 比一比

最后一个任务，换个轻松点的。提示词就一句话：

帮我按照软件的设计风格新做一个官网

它没急着写页面，先去翻 App 本身的样子，把颜色一个个抠出来，暖米白、陶土橙、近黑的字，还有深色模式的配色，然后总结了一句基调，温暖、平静、克制

接着它去看了现有的官网，发现了一处差异。旧官网用的是带衬线大标题的杂志风，App 本身是干净的无衬线加一点陶土橙。

我要的是按照软件的风格，那新官网就该跟着 App 走，旧站的风格不用留

中间还有个小插曲。它装了一套专门防止网页做出 AI 模板味的设计技能，里面有一条，提醒暖色调要慎用。

它判断 Pebble 可以例外，因为陶土橙和暖白是 App 本来就定好的品牌色，有出处

动手前，它只问了我一个确认方向的问题，其他的都自己按合理的默认值往下推，中英双语，用真实截图，保留隐私和条款页

成品首屏一句大标题，A calmer, more private inbox. 只有 private 这一个词是陶土橙，刚好扣住隐私这个卖点。下面一行小字说，你的邮件、搜索索引和附件都留在你自己的设备上。

再往下是真实的 Pebble 界面，收件箱、标签色块、侧边栏，都是 App 里的样子

整体就是暖白底、陶土橙按钮、大号黑字标题和大片留白，跟客户端本身像一家人。没有渐变紫，也没有满屏的图标卡片

同一句话，我也丢给了 Fable 5.1，这是它做出来的首屏

坦率的讲，单看这一屏，Fable 5.1 做得挺精致。衬线大标题 Email that stays yours，yours 用的是斜体陶土色。副标题说这是一款精心打造、隐私优先的邮件客户端，你的数据你做主。

该有的按钮和说明都有，下面同样放了一张收件箱界面，套在一个 Mac 风格的窗口框里

单论第一眼，怎么说呢，我个人会觉得 Fable 5.1 更讨巧，斜体那一下挺漂亮

两个放一起看，差别主要在路子上

Fable 5.1 走的是衬线大标题加斜体的杂志风，跟旧官网是同一个路子。Step 5 Preview 前面专门指出过，这套风格和 App 本身对不上，新站就改成了跟 App 一样的样子。顶栏上，Step 5 Preview 那版多了深浅主题切换，Fable 5.1 这张截图里没看到

我给的要求是按照软件的设计风格。按这句话来判，Step 5 Preview 更贴题

04

再聊聊他的审美

它赢在贴题，原因挺朴素，它先读懂了这个产品长什么样，再去表达它。当然，这里只比了首屏，手机端和交互细节没有逐项对照

这是 GPT-6-Astra 的

这是 Step 5 Preview 的

两个都做成了底座上的小模型，第三视角，卡通渲染，雨都在下，店里的货架也能看见

差别在气质上

GPT-6-Astra 更像一座收得齐的收藏模型。自行车、两台自动贩卖机、海报栏、栏杆、电线杆和电线都在，招牌是橙色的日文，道具密度更高，底座也更满。

弱点是夜没出来。路面几乎不反光，店里的暖光没透到街上，旁边两栋灰楼把画面撑得有点空，看起来更像一个干净的玩具，而不是雨夜

Step 5 Preview 把提示词里最难的那口气抓住了。路面是湿的，积水倒映着灯，店内的暖光从玻璃里溢出来，跟外面的冷色拉开了。街角是转过去的，不是一面墙。它弱在细节没那么齐，招牌写成了日文加一句英文的 OPEN，自动贩卖机那团光有点过曝，底座右侧空了一块

按提示词来判，自动门和水滴细节是 GPT-6-Astra 赢，雨夜、冷暖和积水反光是 Step 5 Preview 赢

气氛比完，再看它能不能照着一个已经很完整的网站，从零做一遍

我找了一个全黑的创意工作室官网。中间悬着一枚玻璃环，四周飘着光点，往下滚是一张张立起来的项目卡片，再往下是一段实验室。我让 Step 5 Preview 从零复刻，底色改成白的，别的结构留着

先看原站。整页是黑的，从玻璃环滚到项目卡片，再滚到实验室

再看它一次做出来的白版。同一条路径滚下来，环还在，光点还在，右上角的 WORK 和 CONTACT 也在，项目卡片还立着。变的是整套光，黑底上的冷光换成了白底上的淡影子

坦率的讲，一次出到这个程度，我是没想到的。环、粒子、卡片滚下来的前后关系都还在，整段动效也很流畅，内容也非常完整，Step 5 Preview在这里给我的感觉非常棒

最后我让它做了一个 QQ 飞车

这个效果是真的好。计时、圈数、小地图、时速都很齐全，旁边好几辆车在抢位置，很有那股味。跟之前很火的 Opus 5.5 那个版本比，也完全不落下风

代码看的是它能不能把一个陌生项目摸清楚。画面看的是它能不能听懂一句要求，照着一个网站重做，再做出一个能开的游戏

这几头对上了，我才觉得这个便宜的价格，不是只便宜在写代码上

05

便宜，也真能干活

回到开头那个问题，便宜这么多，到底能不能干活？

能，而且活干得挺细

这一圈测下来，我最认可的是，它整个过程都很像一个靠谱的工程师

一个完全陌生的十万行项目，它一句话就画出了邮件在里面怎么走的地图。后面找 Bug，从 60 个问题里挑出最严重的 5 个，每一个都讲得清楚在哪、怎么出的事。那个会删用户邮件的 Bug，已经跟着正式版本发出去了，是它翻出来的

修的时候它有分寸。删邮件那个，它放着看起来更彻底的方案没选，挑了能验证、不牵连别处的保守修法，还把为什么这么选写得明明白白。344 项界面测试，一次全过

我觉得最难得的是复审那一段

我只说了一句 review，它就主动开了个没看过前面对话的分身来挑刺，拿回结果还先核实再动手，最后抓到了自己埋下的新问题，原因讲得很准，也一并修好了。

最后它还提醒我，旧版本删过用户的邮件，要在更新日志里如实写清楚。这已经超出写代码了，是一个工程师该有的职业习惯

出版社有三审三校的规矩，一份稿子要过好几个人的手，作者自己最难看出自己的错。Step 5 Preview 能给自己当那个第二个校对，这一点我很喜欢

这些活，按官方的说法，单任务成本大约只有 Claude Opus 5 的八分之一

如果你手里有一个没人讲得清的老项目，想摸清它，找出最危险的 Bug，再一个个修掉，Step 5 Preview 已经能扛下大部分活

还有个好消息：今天开始，阶跃Step 5 Preview辉上线WorkBuddy，并且限时2周免费～

开发者朋友们，赶紧用起来吧！

文章来自于"AI异类弗兰克"，作者 "FrankGPT"。