Surge 发布了一项编程智能体配置测试：固定使用 Claude Code 中的 Opus 5.5，比较原版工具、技能插件和多智能体工作流，并单独测试提高模型思考强度的效果。据 Surge 自测，提高思考强度带来的分数增益最大；部分插件也有帮助，但更复杂的配置并未获得统计上明确的提升，成本却达到原版的 8 倍。
测试采用 Surge 的 sudo L7 软件工程基准。任务来自真实代码库，提示往往不完整；评分除功能正确性外，还覆盖验证、实际判断、沟通等工程能力，共有 8 个维度。
Surge 比较了原版 Claude Code、要求编码前规划与测试的 Superpowers、带专门评审智能体和持续学习机制的 Compound Engineering，以及 Claude Code 自带的 /goal 加 /code-review 组合。上述框架对比统一使用 medium 思考强度，另对原版 Claude Code 进行 xhigh 强度测试。
据 Surge 自测，原版 Claude Code 从 medium 调至 xhigh 后，总分提高 11.3 分，成本为原来的 3.5 倍。分项上，Verification & Thoroughness（验证与周全）提高 14.9 分，Persistence（持续推进）提高 9.8 分，Thought Partnership（协作思考）提高 7.0 分。
插件配置的增益较小：Superpowers 提高 2.4 分，成本增加约 10%；/goal 加 /code-review 提高 3.3 分，成本为原版的 1.8 倍。Compound Engineering 的成本达到原版的 8 倍，但在此次实验中没有统计上明确的提升。
报告给出一个视频编辑应用案例：首个片段缺失时，拼接流程会崩溃。medium 配置修复直接原因后便报告成功；xhigh 配置继续追踪，发现修复后进入的备用路径仍假设首个片段存在。该任务中，两者得分分别为 14/100 和 100/100，成本分别为 0.12 美元和 0.41 美元。
在另一项任务中，用户要求给活动报名确认邮件添加 Zoom 链接和密码。Surge 的 Compound Engineering 配置装有 37 个额外技能，为此派出 17 个智能体：5 个审查方案、5 个寻找简化办法、7 个评审代码。
据报告，这些智能体均未发现确认邮件在报名时、付款前就会发出；照要求加入密码，会让未付款者也获得活动密码。
Surge 强调，结果仅反映一个模型的特定配置在一类工程任务上的表现，其他工作负载可能不同。此次也未测试 xhigh 与 /goal、/code-review 的组合，或各配置在相同费用、时间预算下的表现。
