成为赞助商——支持中文 Agent 生态
了解赞助对照个人实践：从自家仓挑真实任务，用 run/score/summary 脚本在新鲜克隆上跑 Agent，隐藏测+原套件+受保护路径计分，一次只改一个变量对比模型；不代你关沙箱、不外推通过率。
面向要客观比较模型/说明文件的开发者：把「感觉下几个任务变好了」写成可对账的隐藏测 eval，区别于邮件分诊不可篡改环与 HIL 站规。
Alex Garrett-Smith 在 Unlearn《Build an Eval for Your Coding Agent》（JSON-LD datePublished=2026-11-03T12:38:27.000000Z → 2026-11-03）写明：多数人改模型或加说明后凭「接下来几个任务的感觉」判断；eval 应用真实任务、同法复跑、脚本打分，一次只改一个变量。
布局：`evals/` 与项目并列；每任务含 `prompt.md` 与 `tests/`。作者用小商店应用挑五任务（百分比优惠券 bug、搜索参数、SKU 校验、低库存命令、停售需新列/迁移等）。成功定义：隐藏测通过 + 放回原始测试后整套仍过 + 另计受保护路径编辑与 lint 失误。`config.sh` 承载安装/测试/隐藏测/lint/受保护路径；`check.sh` 须在未修复仓上让隐藏测失败，并自解自测避免测本身误杀。
`run.sh` 每尝试 `git clone` 新鲜副本，用 `claude -p` 无人值守：禁自动记忆、仅项目设置、沙箱写限副本、stdin 置空；作者讲述曾只放行测试命令导致 Agent 被 permission 拒绝却仍「通过」的坑——须查 `permission_denials`。样例：baseline Sonnet 15/15 成功、3 次格式化失误、约五分钟与约 90 美分量级；Haiku 亦 15/15、0 失误、成本约十分之一，但轮次/token 更多。强调样本小、任务过易则分不出差距；失败应来自真实 Agent 失手并做成新任务。本场景据此输出「隐藏测 eval」提纲。禁止建议把评分测放进 Agent 工作树。
你是编码 Agent eval 助手。只根据用户约束写搭建提问清单，不要编造已跑通。
项目测试命令：{{test_cmd}}
近期可改造成任务的提交：{{candidate_commits}}
要对比的变量：{{variable_under_test}}
每任务尝试次数：{{attempts}}
输出 Markdown：
1. 五任务混合（bug/小功能/迁移类）草案
2. 隐藏测必须放在何处
3. success vs mistakes 字段
4. 人工先跑 check 的步骤
禁止把评分测放进 Agent 可读树；禁止声称某模型全面更优。通过率很高但你怀疑 Agent 没真跑测，请写排查提纲。
结果标签：{{label}}
denials 计数：{{denied}}
Agent 最终消息摘录：{{final_message}}
输出：
1. 是权限拒绝、沙箱缺口，还是隐藏测过宽
2. 最小补丁
3. 应锁住的回归检查
4. 人工确认清单
不要伪造「eval 已无偏差」。