超越單次提示詞：EvoCode-Bench 如何評估 AI 程式碼代理的多輪迭代能力

傳統的單輪程式碼評估往往高估了 AI 的實際可靠性，因為真實開發往往涉及持續的迭代與需求變更。全新多輪基準測試 EvoCode-Bench 透過持續性工作空間、動態演進的需求規格與累積性測試，全面考驗 AI 在複雜專案中的表現。

• 持久性工作空間讓容器保留跨回合的程式碼與架構決策，而演進式規格則會隨時引入新需求或推翻先前的假設。 • 研究顯示，即使是頂尖模型在多輪互動下的表現也會顯著下滑，而高達 57% 的失敗發生在模型從乾淨狀態本可輕鬆解決的回合中。 • 回歸錯誤（Regressions）是目前最大的瓶頸，AI 往往在實作新功能時不小心破壞了原本正常運作的舊邏輯。 • 測試發現，會主動利用持久性文件追蹤需求的代理，其成功率能夠翻倍成長，顯示結構化管理比單純的模型能力更重要。

當需求逆轉先前決策時，連頂尖模型也難以應付；AI 代理真正的挑戰不在於「寫不出新功能」，而在於「無法維持既有功能」。