Разработка на основе eval-ов (CI агентов)(EDD)

Дисциплина жизненного цикла разработки, при которой агенты и промпты строятся прежде всего под evals. Тщательно отобранные эталонные наборы данных (примерно от 50 до 500 случаев со смещением в сторону известных режимов отказа) версионируются вместе с промптами, запускаются как набор регрессионных тестов на каждом pull request, а слияние или продвижение ограничивается пороговыми значениями метрик. Конвейер фиксирует версии модели и судьи, поэтому тихое обновление модели на стороне провайдера обнаруживается как регрессия, а не поглощается незаметно, и выстраивает проверки по этапам: сначала lint, затем офлайн-eval, затем контроль стоимости, прежде чем изменение можно будет слить. В отличие от agent-observability-tracing, которая представляет собой телеметрию времени выполнения, а не контроль перед слиянием, и от фиксированных публичных бенчмарков, которые не являются собственными командными регрессионными наборами в CI.