本实验测试了一种多智能体编码流水线，其中将单个功能分解为三个明确角色：测试生成、实现与验证。Codex 生成了测试用例和最小化存根，导致测试虽能编译但断言失败。Claude 审查这些测试用例与源代码的准确性及符号存在性。随后，Claude 将代码置于隔离环境中，以确保测试因特定原因真正失败。Grok 被 tasked 编写实现代码，使其通过失败的测试用例，同时不修改测试本身。最后，Claude 独立验证 Grok 的工作，通过运行测试、检查内存泄漏以及审查代码变更来完成。识别出的核心优势并非替代人力，而是通过在各智能体之间建立清晰的测试契约，将错误检测提前并使其更加独立。该方法不同于由单一智能体执行测试驱动开发（TDD），后者自我验证的风险更高。它也与“人工编写测试、智能体实现”的模式形成对比，后者虽更可靠，但需要显著的人力成本。实验遇到了一些具体问题，包括与 Grok 的参数不兼容，以及 Zig 构建系统细节需要手动测试发现。该流水线在严格的测试协议下被视为可行，尤其适用于具有静态类型和健全测试框架的项目。对于探索性工作或规范尚未明确的功能，则不太适用。作者得出结论：该多智能体工作流的成功取决于项目能否将测试视为具体的契约。