Google Agent 团队建议用离散行为评测防止能力回退

Google Agent 团队建议不要只关注 Terminal-Bench、DeepSWE 等端到端基准的复合分数，而应检查智能体的离散可观察行为。文章提出从近期失败案例写一条检查并批量运行，以降低单次运行噪声，同时讨论工具调用断言、LLM-as-judge 和运行间噪声处理。