EvolveTool-Bench：评估 LLM 生成的工具库作为软件制品的质量

现代 LLM 智能体常在运行时创建自有工具，但现有基准仅通过下游任务完成度进行评估，忽视了冗余、回归和安全等软件质量指标。本文提出 EvolveTool-Bench，一个针对软件工程工作流中 LLM 生成工具库的诊断基准。该基准在三个需实际执行工具的领域定义了库级质量指标（如复用性、冗余度、组合成功率等）及单工具质量评分。实验表明，任务完成率相近的系统在库健康度上差异显著，揭示了仅关注任务评估的盲区，强调应将演进中的工具库视为一级软件制品进行治理。