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。
Eval
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。
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。 ...
如何构建可靠的 Agent 评估体系：读 Anthropic 技术博客有感
基于 Anthropic 技术博客，探讨构建可靠 AI Agent 评估体系的方法论，包括任务定义、评估维度和实践建议。
从下半场开始，对于评估的重新思考: 一些概念
从模型评估进入 AI 下半场的背景出发，重新梳理 benchmark、任务定义、评估指标和真实场景有效性之间的关系。