En potentiell partner bad om våra referenssiffror. Vid den tiden låg vi efter andra agenter i jämförelsetal. Vi tillbringade en helg med att fixa det: körde Cline mot Terminal Benchs 89 verkliga uppgifter, diagnostiserade varje fel och levererade fixar. 47 % → 57 %.

Vi skrev ner den exakta processen: hur vi satte upp utvärderingspipelinen, felmönstren vi hittade och de fixar som gjorde skillnad. Metoden (hill climbing) fungerar med vilken agent som helst, inte bara Cline. Fullständig guide: