Agent Eval 实践指南 03: 如何选择评估方法
《Agent Eval 实践指南》第三篇：系统梳理程序化评估、LLM 判分与人工评估的适用场景与选择依据，探讨如何将业务目标转化为可量化指标，以及评估器自身如何被评估和校准。
Agent
Agent Eval 实践指南 02: 如何准备评测集
《Agent Eval 实践指南》第二篇：从 query 来源、反推合成、judgment 设计，到 world_state 与 trajectory_anchors 的必要性，拆解一条合格评测 case 的完整构成要素。
Agent Eval 实践指南 开篇01: 系统越复杂，评估越要先行
《Agent Eval 实践指南》系列开篇：拆解 Agent 系统的非确定性与复杂度累积，论证评估为什么不是成绩单而是目标函数，以及如何用最小评测回路将反馈从天级压缩到分钟级。
SOTA 之后：agent-memory benchmark 测了什么，又测不了什么
深入解析 agent-memory benchmark 全景：从 LoCoMo、LongMemEval 到 PersonaMem，拆解对话记忆、用户画像、多模态记忆的评测方法、指标体系和数据合成流水线。
从 Agent Trajectory 到 Agent Skill：如何把历史经验变成复利
如何从 Agent 的历史运行轨迹中提取、验证、去重和优化可复用技能，将经验转化为工程上的复利增长。
【Agent - Memory】Hermes-Agent 的 Memory 设计拆解
拆解 Hermes-Agent 的分层记忆设计，包括文件事实记忆、会话数据库、外部 Memory Provider 和可持续迭代的 Skills。
【Agent-memory】拆解 Claude Code 的记忆架构
拆解 Claude Code 的分层记忆架构，分析文件记忆、会话状态、外部检索与 Skills 如何协同工作。
浅谈Agent Harness ：面向 2026 的 AI Agent Harness 最小化设计指南
面向 2026 年的 AI Agent Harness 最小化设计指南：解析 loop、tools、filesystem、context、memory、subagent 和 observability 等核心组件。
告别手动优化：从新版 Skill-creator 看 Agent Skills的工程化评估和优化
Intro 过去一段时间，如果尝试过用claude-code 官方的skills-creator构建agent skills，大概率会发现：agent自己构建的skills往往不好用。于是乎，为了验证一个新写的 Skill 是否真正有效，不得不陷入无止境的“修改 Prompt -> 手动跑测试 -> 检查结果” 的循环中。 ...
2026-03 月刊
值得关注的模型和新技术 MiniMax M2.7: MiniMax 发布的自研迭代模型，核心创新是模型深度参与自身训练数据的生成与筛选，实现"模型自我进化"的闭环 Attention Residuals: Kimi 团队提出的新型残差连接机制，用 softmax attention 替代固定权重累加，解决 Transformer 深层"信息稀释"问题 Gemini Embedding-002: Google DeepMind 首个原生多模态 Embedding 模型，将文本、图像、视频、音频统一映射到同一向量空间 ...