编码代理评测框架：可复现任务与可审查证据

覆盖不同工作类别：代码解释、局部 Bug 修复、补测试、受约束重构、依赖调查和安全审查。移除凭据与私人数据，冻结起始 commit，并确保维护者能独立完成和验证每个任务。

不能让一个合成 Issue 代表所有仓库工作。明确报告覆盖空白，并且只在验收条件可独立审查时增加任务。

把可执行检查与人工量表结合。测试确认行为与类型，维护者评估范围纪律、可读性、架构适配和开放风险。还要列出禁止路径与安全要求，避免功能正确但不安全的补丁通过。

记录客户端和配置版本、起始 commit、任务 ID、权限、脱敏工具动作、退出码、最终 diff、测试输出、重试、人工干预与处置结论。只有政策允许且完成脱敏时才保存原始提示或源码片段。

基础设施故障与代理错误必须分开。网络中断、基线测试损坏、夹具无效和补丁错误需要不同处理。

分别报告任务完成、测试正确性、审查发现、越界、人工纠正、请求、用量和耗时。如需总分，必须公开权重和底层结果，让使用者能应用不同取舍。

运行足够次数以暴露不稳定，但没有合适统计设计时不能声称置信度。保留全部试验、可获得的随机设置和准确框架版本。客户端、模型、网关、权限策略或仓库发生重要变化后重新运行。