评估驱动开发（智能体 CI）(EDD)

一种开发生命周期方法，即首先针对 eval（评估）来构建智能体和提示词。精心整理的黄金数据集（约 50 到 500 个用例，向已知失败模式倾斜）与提示词一同进行版本控制，在每个拉取请求上作为回归测试套件运行，合并或晋级则以指标阈值作为门槛。该流水线会固定模型和评判器（judge）的版本，因此提供方一侧对模型的静默更新会被检测为回归，而不会被悄然吸收；它还将检查分阶段编排为先 lint、再离线 eval、最后成本门，然后变更才能合并。它区别于 agent-observability-tracing（那是运行时遥测，而非合并前的门控），也区别于固定的公开基准测试（那些并非团队在 CI 中自有的回归套件）。