提出可编辑Harness对照评测法

Krishnan提出一套用于判断Agent改进是否值得投入的对照评测方法，核心做法是在相同工作流和总预算下，比较固定Harness与可编辑Harness，而不是仅比较改进前后的单一结果。 两个版本冻结后，使用未见过的隐藏样例评分，并以“每美元被采纳结果数”衡量收益，同时计入改进过程的运行开销；此外重跑旧样例检查回归，以确认改动是否值得保留。该方法目前是评测方案，报道未提供固定与可编辑Harness的实际对照结果。

AI 根据报道生成 · 56 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。