AI 编码代理在生成代码方面日益娴熟，但评估其工程判断力仍面临重大挑战。仅通过测试并不足够，因为这无法保证 AI 对架构上下文、项目约束或历史决策的理解。随着 AI 从代码片段转向仓库修改，这种上下文正确性变得至关重要。当前的基准测试（如 SWE-bench）正在演进以应对现实世界的软件工程问题，但也面临任务质量和污染等挑战。作者提出应评估 AI 代理在适应相关上下文变化的同时，在无关上下文变化时保持稳定的能力。这涉及测试上下文适应性和上下文稳定性，超越简单的通过/失败指标。关注点应从“多少上下文”转向“哪些上下文”、“何时”以及“多可靠”。将仓库上下文视为具有生命周期的动态实体，对于长期项目至关重要。未来的基准测试应是动态的，以反映软件开发的演进特性。最终的问题是：AI 代理能否在变化的软件环境中保持稳健的工程判断力，涵盖架构、需求、依赖项和团队规范。这一复杂问题需要多样化的思维方法，这些方法可通过定义的“视角”进行结构化，以支持可视化、解释和分析。