AI 生成的测试会让编码 agent 更糟：怎么检查你自己的测试

📋 概述

一个订单筛选函数有三条需求：不传或传 None 时返回全部、传空列表时返回空、传状态列表时只返回匹配项。报出的 bug 是不传筛选条件时返回了空，于是出现了一版看起来很合理的修复：statuses 为假值就返回全部订单。两条断言全过，if 的两个分支都被覆盖，症状也消失了——但第三条需求被悄悄破坏，因为 Python 里 None 和空列表同为假值，而这三条需求给它们的语义完全不同。作者引用 9 月 8 日的 ExecCritic 预印本：固定修复 agent 不变，把反馈换成较弱的生成测试后，SWE-bench Verified 解决率从 61.2% 掉到 57.3%，而换成更强的测试模型则升到 65.3%。