如何评估、迭代与守护 AI 编程智能体：Harness Engineering 行为评测方法解析

行为评测把智能体拆解为可观测的离散动作（如是否先运行本地校验再提交、是否追问模糊需求），比端到端基准更能定位回归原因。评测框架将断言拆分为本地快速确定性检查，配合 LLM-as-a-judge 与批量评测监控稳定性，在提示词/工具/模型升级时提供安全网。文中示例基于 Antigravity SDK 的异步断言，验证智能体是否调用 SEARCH_WEB 而非凭记忆回答。