优化TerminalBench-2工具，AI agent像人类工程师推理

我们在优化TerminalBench-2的测试工具方面取得了进展。提案者在阅读了数十个文件（中位数82个）后，推理出之前尝试为何未能形成有针对性的假设。这惊人地类似于人类工程师解决这个问题的方式。