L站有鹈鹕测试，有没有屎山测试

社区讨论针对大模型建立“屎山测试”的设想，旨在弥补“鹈鹕测试”考查范围偏窄的不足，直观评测后端复杂场景。初步设想征集 C#、Java、Python 等项目的疑难 bug 并提供最小复现环境，引入工具调用限制与动态维护机制。针对深层调试耗费大量 token 与依赖 AI 智能体的问题，可通过设置得分探针和梯度用例降低成本。