Agent 评测通过 65% 并不够：单次跑分应报告置信区间与方差

一名开发者在 54 次 Agent 评测运行中通过 35 次，通过率约 65%，但 95% 置信区间宽达 44.4%–83.3%。他公开了 repolace benchmark、完整运行记录和复盘文章，指出 Agent 评测应报告多次运行的区间与方差，而不是仅凭单次 pass rate 下结论。