EvoClaw 是一个全新范式的编码 Agent 基准：评估 AI 在连续软件进化（而非一次性编码任务）中的表现。通过 DeepCommit 代理从真实提交日志中重建可验证的”里程碑 DAG”，EvoClaw 构建了 98 个人工验证的里程碑级任务，要求智能体处理时间依赖性和技术债务。
关键发现令人警醒：12 个前沿模型在孤立任务中表现优异（>80%），但在连续设置下性能急剧下降至最高仅 38%——超过 50% 的跌幅。这说明当前 AI 在长期维护中维持系统完整性和限制错误累积方面存在深层能力缺陷。EvoClaw 填补了编码评测从”单次修补”到”持续演进”的重要空白，对理解 AI 智能体在实际工程中的可靠性具有重大意义。