为通过测试而开发：编码Agent可能没有交付用户要求的功能

基准测试被广泛用于评估LLM任务完成，但测试构造有效性可能有问题，通过测试不一定代表交付了用户所需内容。本文在受控的代码即规范任务中，让两个Copilot CLI Agent（claude-opus-4.7、gpt-5.5）把React Fluent-UI数据表在Angular中重新实现为可复用库，使用隐藏的222项Playwright测试，开展18次运行及三种测试可访问条件。除得分外，作者检查库结构并通过空操作消融核验判断。无法访问测试时，库已生成但尚未完成，得分能反映问题；可在开发中调用测试时，得分接近满分，功能却可能直接写在演示程序里，库本身失去作用或缺失。作者称其为“为通过测试而开发”，并关注Agent是否会像用户一样主动验证交付物。该现象在其他Agent、评估信号和模型家族中的普遍程度仍待研究。