goose 团队复盘自改进智能体仍需人类把关的基准使用方法

goose 团队阐述其基准方法论：编码智能体基准易因 Goodhart 定律被过拟合，他们把 Terminal-bench 当作失败信号来源而非排行榜分数，并刻意用 Sonnet 留出足够失败样本。