解析测试工具工程：如何评估、迭代与防护 AI 编程智能体

针对 AI 编程智能体评估体系展开探讨。虽然 SWE-bench 等端到端基准能衡量智能体的综合性能，但存在耗时长、成本高且难以定位具体逻辑失效节点的问题。文章提出应引入行为评估机制，即采用快速、本地的单元化测试，针对工具调用、文件修改等中间行为进行断言校验。通过将微观检查与宏观基准相结合，工程团队可以低成本、高置信度地迭代提示词和升级模型，有效预防功能回退。

原标题：The Anatomy of Harness Engineering: How to Evaluate, Iterate, and Guard AI Coding Agents