随着编码代理在真实环境中自主完成任务的比例提升，判断其风险处理是否必要变得尤为关键。现有研究往往从不同视角评估相关行为，却缺乏统一的框架。为填补这一空白，我们提出 ParanoiaEval——首个统一评估编码代理风险处理能力的基准。
ParanoiaEval 基于软件工程风险管理中成熟的规避‑转移‑缓解‑接受（Avoidance‑Transfer‑Mitigation‑Acceptance）框架，将其四种基本处理方式在编码代理场景中具体化，并构建了 200 组证据受控的仓库级任务对，每对仅在处理定义的证据上存在差异。
我们进一步设计了专门的指标，用于衡量风险处理违规行为以及对证据的响应程度，并采用经人工校准的代理评审者（agentic judge）实现可靠评估。
在 8 种具代表性的模型上进行的大规模实验以及后续的人类研究表明： 1）即使提供了明确证据，非必要的风险处理仍出现在 11.2%‑58.7% 的运行中，且不同代理配置之间差异显著； 2）更强的任务能力并不保证更恰当的风险处理，违规的风险处理会显著降低开发者体验，表明风险处理是独立的能力维度； 3）代理的行为模式与人类风险管理研究结果保持一致，说明人类实践的知识可用于诊断和提升该能力。
点评：ParanoiaEval 为系统化评估编码代理的风险处理提供了可复现的基准，揭示了当前模型在防御性工作上的盲点，为后续模型改进指明了方向。