评测与约束代码智能体：Google 提出“测试床工程”实践

虽然像 SWE-bench 这样的端到端基准测试能为 AI 智能体提供宏观的性能评分，但它们通常成本高昂、运行缓慢，且缺乏根本原因诊断，无法准确解释智能体的逻辑究竟在哪个环节出错。为了解决这一问题，开发者应当采用行为评估——这是一种快速、本地化、单元测试风格的测试，用于对离散的中间操作进行断言，例如验证特定的工具调用或文件修改，而不是仅仅比对最终的字符串是否相等。通过在宏观基准测试的同时构建这些低成本的微观检查，工程团队可以自信地迭代系统提示词并升级模型，而无需承担功能回归的风险。