Eval 駆動開発（エージェント CI）(EDD)

エージェントとプロンプトを、まず eval（評価）に対して構築するという開発ライフサイクルの規律。厳選されたゴールデンデータセット（既知の失敗モードに重み付けした、およそ 50〜500 件のケース）をプロンプトとともにバージョン管理し、プルリクエストごとに回帰テストスイートとして実行し、マージや昇格はメトリクスのしきい値でゲートします。パイプラインはモデルと judge のバージョンを固定するため、プロバイダー側でモデルが黙って更新されても、それがひそかに吸収されるのではなく回帰として検出されます。また、変更をマージできるようになる前に、lint、次にオフライン eval、次にコストゲートという順でチェックを段階的に実行します。実行時のテレメトリであってマージ前のゲートではない agent-observability-tracing とは異なり、また、CI 内でチームが所有する回帰スイートではない固定の公開ベンチマークとも異なります。