满分之后，看看过程

Agent 评测跑出满分，先别急着相信分数。除了换小模型做对照，更要检查环境隔离、联网权限，以及 Git 历史中是否藏着答案，再逐条看执行轨迹：它到底完成了任务，还是找到了答案的捷径？