从真实失败开始，为 Agent 写一组有效评测（旧文） 给一次修复补齐前后版本证据 Mason Mosen：改 prompt 后，先回放同一批旧失败 审查机器人也要会停：Claude Code 团队把误报和循环轮数纳入评估 SlopCodeBench：新功能通过，旧行为却未必保住 PHP 修复复盘：发现漏洞之后，还要解决兼容性与决策 Trail of Bits 把“修好了”拆成可重放的证据