虽然端到端基准测试（如 SWE-bench）能为 AI 代理提供广泛的性能评分，但它们往往成本高昂、耗时较长，且缺乏用于解释代理逻辑具体在何处失效的根因诊断能力。为解决这一问题，开发者应采用行为评估——即快速、局部的单元测试式评估，其对离散的中间动作进行断言，例如验证特定的工具调用或文件修改，而非最终的字符串相等性。通过在宏观基准测试旁构建这些低成本微检查，工程团队可自信地对系统提示词进行迭代并升级模型，而无需担心出现回归问题。