呼吁多步调试型编程测试

作者认为编程模型评测应覆盖迭代调试、截图和输出分析，而非只看一次生成。

推荐理由：核心问题指向当前编程评测失真：一次性生成无法衡量代理读取反馈、定位错误和修复自身输出的闭环能力。