Google 提出用行为级评测守护 AI 编码 Agent

2026 年 10 月 4 日，Google Developers Blog 发布文章，提出用行为级评测（behavioral evaluations）来守护 AI 编码 Agent。文章指出，SWE-bench 这类端到端基准虽然能为 AI agent 给出总体性能分数，但往往昂贵、缓慢，并且缺少根因诊断能力，无法解释 agent 的逻辑究竟在哪个环节出错。

作为补充方案，文章建议开发者采用行为级评测：这是一种快速、本地运行的单元测试式测试，断言的对象是 agent 的离散中间动作，例如验证它调用了哪些具体工具、修改了哪个文件，而不是比对最终字符串是否相等。文章把这类测试与本地单元测试相类比，强调其轻量特性；文章标题还提到 Harness 工程这一提法。

目前信息停留在 Google 的这一提议上，没有关于落地情况或后续进展的报道。