一句话定义
演化工作区（Evolving Workspace）是一种更接近真实交付的评测与训练设定：编码智能体（coding agent）接手的不是一份被冻结的仓库快照，而是一个任务期间仍在变动的工作区——函数签名被改、依赖库升级、同事的提交不断合进来，它必须在这种“环境一直在变”的状态下按最初的目标把任务做完。
先看它针对的是什么
传统 SWE-bench 类基准的做法是：取一个开源仓库的某个历史提交，配一个 issue，智能体提交补丁，跑单元测试判分。这样干净、可复现，但也把现实中最难的部分删掉了。
打个比方，这就像考驾照时让你在空停车场里倒库：车位线画得清清楚楚，周围没车，也没人催你。真实上路是另一回事——前车会突然刹车，路边的施工牌凌晨才立起来，导航让你右转的那条路昨天封了。
演化工作区就是把“空停车场”换成“早高峰”。任务开始时代码还能编译，跑到一半，它依赖的内部服务改了返回结构，或者有人重构了它正要调用的那个模块。智能体如果只按最开始读到的那份理解埋头猛写，最后交出的补丁看着漂亮，一跑就崩。有研究提出的 SWE-Shift 一类评测思路，正是想把“时间”这个维度补进评测里：判的重点不只是某一次补丁对不对，还包括智能体在环境漂移（drift）下能否重新读环境、重新验证、必要时推翻原方案。
| 维度 | 静态快照式基准（如传统 SWE-bench） | 演化工作区 |
|---|---|---|
| 代码状态 | 冻结在某个提交 | 任务期间持续变更 |
| 依赖 | 锁定不变 | 可能升级，接口漂移 |
| 判分关注点 | 一次补丁加单元测试 | 过程中能否保持自洽 |
| 典型失败 | 没改对 | 改对了旧版本，交出去时已过期 |
和相邻概念的区别
- 与多轮对话式编程相比：多轮是“让人多问几轮”，变化来自人的提示；演化工作区的变化来自环境本身，没有人会提醒你。
- 与长时程任务（long-horizon）相比：长时程强调步骤多、耗时长；演化工作区强调“你在做的时候外部一直在变”，任务本身很短也能成立。
实际意义
对做智能体的团队来说，把仓库打包扔给模型跑一遍，测出来的分数只说明它会写补丁，不说明它会交付。更值得盯的指标是：它多久重新读一次环境、能不能察觉前提变了、信息过期后敢不敢推翻自己已经写好的东西。
对普通职场人，这其实是个熟悉的提醒：真实工作里没有一份不会变的需求文档。能交付的人往往不是一次做对的人，而是每次发现前提变了，就重新核对一遍的人。
（具体工具与基准的细节，以官方页面为准。）