研究者称 Harbor 评测框架存在漏洞，agent 可改写自己的执行轨迹

Twitter 用户 idavidrein 指出，用于 Terminal Bench 的 Harbor agent 评测框架存在设计缺陷，agent（至少 Claude Code）对生成执行轨迹的文件拥有读写权限，而这些轨迹会展示给人类评审并用于 LLM judge 验证。