Un partenaire potentiel a demandé nos chiffres de référence. À l'époque, nos benchmarks nous plaçaient derrière d'autres agents. Nous avons passé un week-end à corriger cela : nous avons exécuté Cline contre les 89 tâches réelles de Terminal Bench, diagnostiqué chaque échec et expédié des corrections. 47 % → 57 %.

Nous avons rédigé le processus exact : comment nous avons mis en place le pipeline d'évaluation, les modèles d'échec que nous avons trouvés et les solutions qui ont fait la différence. La méthode (ascension de colline) fonctionne avec n'importe quel agent, pas seulement Cline. Guide complet :