共 2 个相关内容
用一个分数衡量Agent，等于什么都没衡量。本文教你设计多维度评测Rubric，覆盖任务成功、过程质量、成本与安全，附可直接套用的模板。
用大模型给大模型打分，是2026年最常见的评测方式，也是最容易自欺欺人的。本文拆解LLM-as-Judge的三类偏差、校准方法，以及一套可落地的双轨评测流程。