Google Developers Blog doporučuje u AI programátorů sledovat nejen výsledek celé úlohy, ale také konkrétní chování během práce. Takzvané behaviorální evaluace mohou testovat, zda agent při nejasném zadání požádá o upřesnění, před odevzdáním spustí validátor nebo použije kanonické odkazy v dokumentaci. Tým tak získá rychlejší signál o tom, proč se výsledek změnil, než jaký nabízí souhrnné skóre benchmarků Terminal-Bench a DeepSWE. Google navrhuje rozdělit kontroly na rychlé a deterministické testy podobné jednotkovým testům. Ty mají pomoci odhalit regresi po změně promptu, schématu nástrojů nebo použitého modelu. Přístup podle blogu dává největší smysl ve chvíli, kdy agent už zvládá běžnou práci a tým chce bezpečně iterovat.
