建立 Eval Regression Gate

背景

随着 Prompt 和 Context 模块的演进，Agent 的行为变得越发复杂。传统的端到端断言（仅检查输出文本）无法发现“工具调用链错误”或“静默打转”等轨迹级退化。

设计目标

• 在 CI 阶段拦截 Agent 能力的静默退化。
• 保障核心工具链和收敛机制的稳定性。

架构设计

扩展 eval/ 框架，在 EvalCase 中引入 expect 字段断言。通过消费底层 Trace 事件，强制校验 mustUseTools、maxToolCalls 和 stopReason。在 GitHub Actions 中增加 eval-gate Job，运行核心（critical）用例子集，失败则阻塞合并。

影响评估

• 正向：Prompt 修改的安全性大幅提升。
• 负向：CI 耗时增加（约 106 秒）；受 LLM 非确定性影响，偶发误报。