基于仓库历史构造连续功能扩展任务，评估智能体维护自身早期代码的能力。
推荐理由：它要求智能体在自己此前实现上连续扩展并保持旧功能正确，比一次性补丁更贴近真实开发；可测出代码架构债务和长期一致性问题。
阅读原文