AgentLens、コーディングエージェント評価用ベンチマークを公開──成功判定だけでなく実行過程を詳細分析
成功・失敗の二値評価を脱し、指示追従やツール利用、自己修正を含むエージェントの全実行軌跡をLLMによるレビューとサイドバイサイド比較で定量化する。