谷歌提出Agent行为评测防回退方法

谷歌开发者博客介绍 coding-agent harness 的行为评测方法，主张检查智能体是否提出澄清、是否在宣布构建文件改动完成前运行本地校验器等离散动作，而不只看 Terminal-Bench、DeepSWE 等端到端基准的复合分数。 该方法主要用于发现提示词微调、工具 schema 变更或模型升级造成的整体能力回退。谷歌建议选取近期失败案例编写检查，并批量运行以降低单次运行噪声；工具调用断言和 LLM-as-judge 可辅助判断。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。