剛剛火速用Qwen3-Coder試了下我最近一直卡著的一個任務，先給大家看下消耗。這個任務跑了1個小時18分鐘 ，token的使用量input用了19萬多一點兒，output將近1萬。

你可能覺得這個數(shù)據(jù)好像還行，但是這是我前兩天跑的一樣的項目，我整整坐著看了3個多小時，實際上模型跑了22個小時多，吃掉了將近2880萬的token，一個小時1百萬，非常恐怖的消耗，且很貴。

我先來說一下我最近一直在搞的這個項目，其實需求很簡單，就是「爬蟲+可視化+AI feature」。

但是具體的要求有點兒復雜，你看我最開始的需求很長，且包含了大量的鏈接。

因為我需要AI幫我做一個英國funding機會的整合站，要求它針對于每個funding主體設計一個爬蟲，然后數(shù)據(jù)保存的時候要針對于數(shù)據(jù)類型的最大公約數(shù)進行設計，這個其實很trick，比如UKRI這個主體下面有好幾個分部，比如EPSRC，ESRC等等，但是其他的主體就沒這個東西，所以只有在獲取到所有的funding信息后才能做這一步；最后做一個數(shù)據(jù)展示。

不過可惜的是，這個任務太復雜了，我直接給到這個頁面，大多數(shù)的AI都會被頁面里非常多的鏈接弄暈頭，失敗的有很多Claude-4-sonnet，Gemini-2.5-Pro。

所以我改變了策略，一個個的來，最后整合，我這里是在Qwen Code里面做的測試，結合Trae這個編輯器，可以很方便的比較代碼歷史記錄。

使用方法很簡單，先安裝Node.js，版本要在20及以上，然后在命令行輸入這兩行代碼。

npm install -g @qwen-code/qwen-code

qwen --version

然后輸入qwen就能激活下面的環(huán)境。

你需要配置下這三個參數(shù)，建議使用modelscope魔搭的API，速度很快，不過開源模型，后續(xù)會上的平臺會有很多。

export OPENAI_API_KEY="your_api_key_here"
export OPENAI_BASE_URL="your_api_base_url_here"
export OPENAI_MODEL="your_api_model_here"

我的第一句Prompt是讓Qwen3 Coder先了解我的主要需求，內容如下：

做一個靜態(tài)網站，從我提供的funding body整合所有的funding opportunity，要用爬蟲爬取，整合所有的funding機會，并且用最大公約數(shù)來展示簡要和關鍵信息，打開之后跳轉到具體的funding詳細頁面

這個Prompt我在Claude和Gemini那得到的反饋都是直接給我來了一套框架，里面有詳細的前端代碼，后端代碼，爬蟲代碼，數(shù)據(jù)保存邏輯等，我最開始覺得這樣挺專業(yè)的，但是那3個小時的時間讓我發(fā)現(xiàn)，它的確可以生成非常多的代碼，但是后面稍微一改動就是一大片，又慢又費token。

Qwen3-Coder的思考邏輯很「克制」，表現(xiàn)就是它并沒有想著給我從哪找一套框架先放在當前的文件夾里，它的任務分解跟其他的AI類似，但是順序不一樣，它提出的是先做爬蟲，然后數(shù)據(jù)存儲，最后做可視化。

也是這么一提示我，才讓我覺得有點兒上道了，本來不就應該這樣嘛，你不得分析下數(shù)據(jù)是什么樣的再去設計存儲和可視化？

Qwen3-Coder拿到我給的UKRI鏈接后，就試著查看下了網頁信息，主要目的是找里面具體的funding信息。

定位的邏輯以及結果是很準確的，把帶有opportunity字眼的鏈接找到了。

但是有個問題，那就是只有后面兩個才是我需要的信息。

但是代碼寫的很驚艷，那就是它“自主”的排除了opportunity/后面是空值和feed/的兩種情況，保留了正確的信息。

這一點兒我是沒有告訴它的，非常聰明。

因為我這里有一個Claude Code的對比，對于同樣的任務，Claude設計了一個很復雜的邏輯，但其實結果很不理想，第一頁有10個funding機會，它每次都只能找到6，7個。

接下來它開始執(zhí)行爬蟲操作，這里碰到個問題，那就是代碼運行沒報錯，但是也沒有返回任何有用的信息。

這個挺正常的，因為爬蟲總是需要修改幾次的，但是Qwen3-Coder的操作讓我有點兒大開眼界，它在之前的網頁分析中得知UKRI是有feed的，然后它竟然很聰明的測試了下feed，結果可行。

所以它就直接重構了代碼用feed來獲取funding信息，結果不出意外的成功了，爬到的內容用json格式來保存，都沒問題。

就這一點兒，我這兩天各種Agent試過不下20次，沒有一個找到用feed這個方法的。

接下來的網頁可視化沒問題，這一點兒對于絕大多數(shù)的AI都很簡單，但是有個問題，那就是它只爬取到了20個信息，而實際上UKRI的網站上有超過100+項目，然后我就提出了這個問題。

Qwen3-Coder的反應的也很快，它做了兩個操作（1）看看Feed最大的數(shù)量是多少，結果是20，所以這條路走不通了 （2）嘗試返回到老辦法，網頁直接獲取。

它接下來的操作是環(huán)環(huán)相扣的，可以很清楚的看到Agent需要的“感知-規(guī)劃-行動”的循環(huán)一直都在，它行動的每一步都進行了細致的思考與調整。

這是最后做的半成品，從界面美觀度，說實話不如Claude做的那么花里胡哨，但是對于一個信息集合站來說也足夠了。

因為讓我驚喜的是這一步，就是在我點擊了其中一個funding后，它不是直接跳轉到真實的地址，而是有個中間步，就是類似于對于這個funding的簡要描述。

我覺得這個好的點有兩個：首先我沒有說，它這么做說明它“自主“的覺得這樣好，其次就是我本來就打算加一個AI功能，就是調用AI工具對funding先進行初步的分析和篩選，最后做一個匹配。

那么多出來這一步，其實就是放AI分析的好去處。

與Qwen3-Coder的這次協(xié)作編程，整體體驗下來非常流暢高效。首先它的任務成功率很高，處理長上下文的能力也很強。但最讓我驚喜的，還是它對我編程意圖的把握——基于這種深刻理解，它做出的幾次“自主”決策，其精準度和前瞻性都相當出色。憑借如此卓越的表現(xiàn)，再結合其開源這一關鍵優(yōu)勢，我認為Qwen3-Coder已經具備了真正撼動Claude-4系列在編程領域領先地位的巨大潛力。