Agent 評測與執行可靠性

GameLogicBench 精讀：讓遊戲邏輯 Agent 經得起逐步執行

GameLogicBench 把 coding agent 放進 Godot 遊戲專案，用多個場景、隨機種子與逐 tick 狀態斷言檢查規則是否一路成立。本文拆解它怎樣校準評測器、哪些失敗最常見，以及為何這個 benchmark 仍不能代表一般軟體 Agent 的可靠度。