Google 提出用行為級評測守護 AI 編碼 Agent

2026 年 10 月 4 日，Google Developers Blog 釋出文章，提出用行為級評測（behavioral evaluations）來守護 AI 編碼 Agent。文章指出，SWE-bench 這類端到端基準雖然能為 AI agent 給出總體效能分數，但往往昂貴、緩慢，並且缺少根因診斷能力，無法解釋 agent 的邏輯究竟在哪個環節出錯。

作為補充方案，文章建議開發者採用行為級評測：這是一種快速、本地執行的單元測試式測試，斷言的物件是 agent 的離散中間動作，例如驗證它呼叫了哪些具體工具、修改了哪個檔案，而不是比對最終字串是否相等。文章把這類測試與本地單元測試相類比，強調其輕量特性；文章標題還提到 Harness 工程這一提法。

目前資訊停留在 Google 的這一提議上，沒有關於落地情況或後續進展的報道。