方法与教程/2026-10-11/24 分钟技能一直在改:过程级评测才能拦住看起来正确的回归240 次试验里,175 次最终数字全对,其中 162 次(92.6%)仍有过程偏离。放宽到 7 项最终状态后,164 次通过里仍有 151 次(92.1%)违反轨迹检查。
方法与教程/2026-10-11/22 分钟AEVAL:把智能体技能测试从凭印象改成可重复NVIDIA 的 AEVAL 把技能变更接进 CI:执行器与评分器分开,按首次尝试而不是修补后的结果打分。故意写错动作名的分割技能,幼稚评测给 100% 通过,协议则记下 3 次首次错误和 2 处改动。Claude 家族与 GPT 家族的平均因果占比分别是 0.41 和 0.82。
方法与教程/2026-10-04/12 分钟人机 Agent 团队课:从单人助手到多人协作Anthropic 公开课把 Agent 从单人聊天改成多人协作:四条原则、上线前五问、前两周清单,以及技能、子 Agent 和 MCP 三条开发课怎么接上。