方法与教程/2026-10-11/24 分钟技能一直在改：过程级评测才能拦住看起来正确的回归240 次试验里，175 次最终数字全对，其中 162 次（92.6%）仍有过程偏离。放宽到 7 项最终状态后，164 次通过里仍有 151 次（92.1%）违反轨迹检查。
方法与教程/2026-10-09/16 分钟LiteTrajEval：用一次评判、固定预算给生产轨迹定位失败华为把轨迹评测收成一次量表评判。相对 AgentRx，Magentic-One 上失败定位对齐大约高 20–35 个百分点，同一 GPT-5-mini 下总费用从 2.4628 美元降到 0.4155 美元，评测时间从 15,990 秒降到 1,840 秒。只靠规则时，τ-retail 检出率只有 31.0%。
研究与基准测试/2026-09-28/7 分钟2026 年的精准测试：先圈影响集，再补回归用例精准测试要回答的是一次改动该测哪里。ICSE 2026 的 RIPPLE 用变更意图圈方法级影响集，ChaCo 给未覆盖的改动行补回归用例，FSE 2026 的 Cleverest 则用提交说明直接生成能暴露缺陷的输入。
研究与基准测试/2026-09-28/31 分钟通过率全绿，行为漂移仍然看不见AgentAssay 用三值判定和行为指纹做非确定智能体的回归测试。7,605 次试验花了 227 美元：通过率一直是 100%，一元检验力为 0，指纹检验力 0.86。SPRT 把 100 次降到 22 次。注入回归的实验作者写明还没做。
