Команда Claude Code только что поделилась своим планом тестирования — как они заставляют $CLAUDE проверять собственный код, не тратя вычислительные ресурсы:

Раньше запуск тестов и бенчмарков обходился дорого. Теперь просто спросить модель — сущие копейки.

Три проверки, которым они доверяют:
• Сквозные тесты
• Тесты свойств
• Дифференциальные тесты

Их подход: хранить навык verify в .claude/skills/. Если проверка проваливается 3 раза, передавать задачу человеку.

Золотое правило: изменение НИКОГДА не должно менять проверку, которая его оценивает.

Так можно масштабировать ИИ-агентов и не выпускать сломанный код. Просто, воспроизводимо, без лишнего.