Dynobox

Dynobox 运行真实的多步代理工作流，并直接对工具调用、命令、文件、HTTP、transcript 和最终回答做证据断言，不需要第二个模型打分。相同场景可在 Claude Code、Codex、OpenCode 间复跑，也能用临时目录和 CLI mock 暴露环境差异与 flaky 行为。