用隐藏测试判分，改了测试自动重跑

​

用 loadText 读入判分文件

1. 把判分文件和评估用例一起放进仓库，不要放进给 Agent 的起始项目里：
   evals/
     react-datepicker/
       pr-6058.eval.ts
     fixtures/react-datepicker/pr-6058/
       tests/datepicker_test.test.tsx   # 隐藏测试
       tests/run-tests.sh               # 跑测脚本
   
2. 在 .eval.ts 的模块顶层读入。NiceEval 在运行前就要知道判分文件的内容，才能决定这条评估用例要不要重跑：
   import { defineEval } from "niceeval";
   import { loadText } from "niceeval/loaders";
   import { commandSucceeded } from "niceeval/expect";
   
   const fixture = (p: string) =>
     new URL(`../fixtures/react-datepicker/pr-6058/${p}`, import.meta.url);
   
   const hiddenTest = await loadText(fixture("tests/datepicker_test.test.tsx"));
   const runTests = await loadText(fixture("tests/run-tests.sh"));
   
   路径写项目根相对的字符串也可以：loadText("evals/fixtures/react-datepicker/pr-6058/tests/run-tests.sh")。 loadText 直接收 URL 对象，不需要 import node:url。
3. 在 test(t) 里，等 Agent 做完再把测试写进 Sandbox 执行：
   export default defineEval({
     description: "react-datepicker pr-6058",
     async test(t) {
       await t.send("修复 changeMonth 面板错位问题。不要改测试文件。");
       await t.sandbox.writeText("src/test/datepicker_test.test.tsx", hiddenTest);
       await t.sandbox.writeText("tests/run-tests.sh", runTests);
       t.check(await t.sandbox.runCommand("bash", ["tests/run-tests.sh"]), commandSucceeded());
     },
   });
   
   Terminal-Bench 这类仓库任务也是同样的做法。给 Agent 准备起始环境时只放公开的 Fixture，不把隐藏测试或跑测脚本放进镜像、工作目录或 prompt。等 t.send(...) 返回后，再把模块顶层 loadText 读到的原始文件上传进 Sandbox，执行原始的跑测脚本，同时检查预期结果和防泄漏的检查脚本。这样改了隐藏文件会触发重跑，Agent 工作时也看不到它。

​

确认改了测试会重跑

pnpm exec niceeval exp <experiment-id> --dry

​

常见错误

• loadText 必须写在模块顶层。 要不要重跑在运行开始前就决定了，写在 test(t) 里到运行时才读就来不及了。NiceEval 会直接报错，提示你挪到顶层。
• 读 Agent 改出来的文件用 t.sandbox，不用 loadText。 Sandbox 里的文件是这次运行的结果，每次都不同，不该决定要不要重跑。用 await t.sandbox.readText(path) 读取，再把字符串交给 t.check。
• 判分标准是结构化数据（例如用例对照表）时，用 loadYaml / loadJson，见数据驱动测试。