Tags: #evaluation

自进化闭环一旦转起来，分数的含义就变了：题变窄、判据泄漏、模型给自己答案打高分，都能让曲线向上而能力不动。这篇写怎么给闭环装一根模型碰不到的尺子，也写闸门不装时分数往哪走。

三个指标同时掉，往往只是一个根因被记了三次。评测体系的顺序错了：先把执行依赖图画出来，再规定每个指标在什么条件下可评，才轮到 Judge 和门禁。

生码只占研发链路 20% 到 30%，口径是需求到上线里写代码这段的耗时占比，继续优化它的边际收益已经很低。Agent 能走多远，取决于你能给它多少真实反馈——构建、测试、部署、日志、监控，缺一样它就只能靠训练分布猜。