我的代理循环中的一个验证步骤连续数周运行零测试并返回退出码0

我运行了长达几个月的自主循环。模型能够完成工作。问题在于，它根据看似正常但实际不正常的证据将任务标记为完成。最糟糕的是：我有一个表格，将更改的文件映射到测试命令。其中三行指向的测试文件后来已被拆分为兄弟文件。命令运行后，收集到零个测试，退出码为0，并打印了“未运行任何测试”。连续数周显示为绿色（通过）。报告“已验证”的代理完全诚实。一个运行后无操作却返回退出码0的命令，看起来与通过命令相同，而且自动化程度越高，这种假象持续的时间就越长。在争论使用哪个模型之前，我会在测试工具中检查以下几点：任务完成是否需要一个工件，还是仅仅依赖模型的判断？一个运行无操作的命令返回退出码0，证明不了任何事情。它运行的是真正的入口点，还是仅运行测试套件？pytest会将包添加到sys.path，而直接调用则不会，因此即使测试套件全部通过，实际调用时仍可能出现ModuleNotFoundError。我曾将这样的错误发布到一个cron job中。它能否区分截断的检索和完整的检索？长循环会积累自信的部分答案，每个答案都会为下一步提供输入。这些都不依赖于模型。在你的系统中，你如何判断“完成”？你是需要命令的输出，还是接受代理的报告？