当规范涌现时：基准测试长程编码代理中的忠实度损失

现有编码代理基准通常预先提供完整任务规范，而真实研发中规范是逐步披露的。本文引入 SLUMP 基准，评估在规范涌现情境下代理实现忠实度的损失。实验显示，相比单次规范控制，长程交互中结构整合能力显著下降。为此，作者提出 ProjectGuard，一种用于追踪规范的外部项目状态层。在 Claude Code 上，该机制恢复了 90% 的忠实度差距，大幅减少了严重失败，确立了规范追踪作为长程编码代理的关键评估目标。