Melhore prompts com medição — não com uma resposta que parece boa.

Modelos não são determinísticos. Uma única resposta pode esconder regressões em preço, segurança, ferramentas ou escalonamento. AI Gym compara baseline e edição sobre o mesmo conjunto de comportamentos e exige repetição suficiente para separar ganho de sorte.

Os cenários descrevem uma única responsabilidade observável e os stubs devolvem contexto canônico sem tocar produção. Depois, juízes aplicam a mesma rubrica aos transcritos e o scorecard reúne resultados por dimensão. O torneio só é útil porque qualquer candidato também precisa preservar comportamentos que já funcionavam. A etapa final é cirúrgica: levar para o prompt real apenas a alteração que sobreviveu ao conjunto completo.