一份 Harness² 单轮测试记录显示：基础版和复杂版都过了原有检查，复杂版却明显更慢，追加检查还发现了回退。 只是单轮样本，不能直接判定工具无效。但给 … · @Paulmakyb · TwKit

@Paulmakyb

一份 Harness² 单轮测试记录显示：基础版和复杂版都过了原有检查，复杂版却明显更慢，追加检查还发现了回退。 只是单轮样本，不能直接判定工具无效。但给 Agent 加流程时，确实该同时记正确率、耗时和新增错误。

曝光 5 · 评论 1 · 点赞 0 · 书签 0