动态与发布/2026-10-14/8 分钟套具工程：用行为评测看住编码智能体Google 在 2026 年 9 月 9 日说明行为评测。端到端基准单次常超过 100 美元且只给总分；行为断言单轮可低于 1 秒，本地套件用 pytest 在 5 秒内跑完。套件用来挡住回归，而不是庆祝好了 2%。
研究与基准测试/2026-07-16/8 分钟有 Skill 平均高 10.31 个点：蚂蚁用 18 道仓库任务评支付集成装上 alipay-payment-integration 后，六个模型的平均规则通过率高 10.31 个百分点，108 格里 101 格为正。静态检查可以到 92.79%，集成仍可能只有 38.6%。
