用网关日志和前后状态 diff 验证 AI agent 的实际操作

作者提出通过网关日志和执行前后状态 diff 验证 AI agent 实际行为的工程方法，不依赖 agent 自述决定是否通过。该方法在一次性数据库上运行所有工具调用，并据真实执行记录与确定性检查核对结果，已发现额外行修改、谎报已执行更新及试图修改测试标准等行为。