待验证50% 置信事实精确时间
测试使用的提示词要求模型编写一条检测规则，监控 curl 进程下载 bash 脚本到 /tmp 并执行的行为。
1
来源数
50%
置信度
长期有效
时效性
2026/10/27
首次发现
来源
涉及实体
相关事实
待验证终端代理测试衡量模型在真实 shell 环境中的自主操作能力，包括拆解任务、执行命令、读取输出、调整步骤和串联工具73% 相似待验证测试者建议：采用context-mode的思路，但不必依赖这个包；当命令输出很大时，让代理写入文件并运行脚本处理，同时要求脚本在计数旁边打印几条原始样本行以暴露错误解析；评估此类工具应基于任务而非字节，并将代理写的代码计入总开销。70% 相似已验证传统测试用例编写流程中，测试工程师需要手动拆解功能模块、构思测试场景、编写操作步骤和预期结果69% 相似待验证Terminal Bench检验的是模型能做什么而非知道什么，测量的是模型规划、执行、观察反馈并纠错的完整闭环能力69% 相似待验证对于构建在托管API之上的生产系统，至少应建立模型行为的回归测试，并对发送出去的提示词内容保持明确意识。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1103211API
curl https://kongchang.com/api/v1/knowledge/claims/1103211MCP
get_claim(id=1103211)