ParanoiaEval：评测编码 Agent 的不必要防御

编码Agent越来越多自主承担实际工作，风险处理是否适当成为独立问题。已有研究分散评测相关行为，缺少统一框架。ParanoiaEval以软件工程的规避、转移、缓解、接受四种风险处理为基础，构造200组仓库级任务对，每组只改变决定处理方式的证据。专门指标测量风险处理违规与证据响应，以人工校准的Agentic评审支持可靠评测。八个代表模型的大规模实验和事后人工研究显示：即使有明确证据，11.2%—58.7%运行仍存在不必要风险处理，配置差异很大；更强任务能力不保证处理更适当，违规会显著损害开发体验，因此风险处理是独立能力维度；系统性模式与已有风险管理研究相符，人类实践可指导诊断和改进。