让 AI 接好一套网上支付，不能只看代码能不能跑，还要确认付款、订阅和报错是否真的符合预期。Stripe 为此推出基准测试：让软件 Agent——能读代码、改文件、运行命令并继续修正的 AI——在 11 个可复现环境里完成接近真实项目的支付集成。它们还要操作浏览器、调用 API，并由预设规则自动检查结果。
据 InfoQ 报道，Agent 的短板已经从“不会写”转向“不会验”。在 SDK 升级任务中，它有时向 Stripe 传入无效参数，收到本应表示失败的 HTTP 400 报错，却误判流程正常；在网页结账中，工具操作可能让输入框失去焦点，Agent 往往不会刷新或重新聚焦，反而提前停下。分项结果里，Claude Opus 4.5 在四类全栈 API 集成任务中平均得分 92%，但 Stripe 未公布总体成功率。换句话说，Agent 已能搭出支付流程，离稳定确认结果、追踪状态和从意外中恢复，仍有明显距离。