行业与实践 · 方法与教程

最新优先最早优先

可以照着做的方法：从一个问题出发，给出步骤、代码，以及判断做对了没有的标准。

查看全部

方法与教程2026-10-1014 分钟
工具智能体评测审计：子串判定接近偶然，参数错误约六成传到错答案
AgentProp-Bench 用 14,750 条轨迹审计自动评测。子串判定与人工的 κ 只有 0.049；三模型集成 0.432。参数错误传到错答案的校准概率约 0.62。拒绝和恢复互不相关。编造工具调用最多占 37.5%。
方法与教程2026-10-1025 分钟
实时语音智能体评测：从部件质量到可核验的结果
Walmart Global Tech 综述 38 份来源、41 篇 PDF，把实时语音智能体分成六类。端到端最快约 702 毫秒，级联可到 516 毫秒，但架构不是判决。评测应同时报告时序、恢复和可核验结果。
方法与教程2026-10-1028 分钟
信任层：已记录的通过，四项检查后还剩 22.6%
Centific 在基准分数旁边加四项核验：评分器能否复现、通过是否可追溯、完成声明是否为假、五次重复是否换档。108 道 ALE 任务、五种配置上，84 次已记录通过只有 19 次全部通过（22.6%，95% 区间 15.0–32.6）。没干活就通过的比例，模型之间相差约十倍。
方法与教程2026-10-0916 分钟
LiteTrajEval：用一次评判、固定预算给生产轨迹定位失败
华为把轨迹评测收成一次量表评判。相对 AgentRx，Magentic-One 上失败定位对齐大约高 20–35 个百分点，同一 GPT-5-mini 下总费用从 2.4628 美元降到 0.4155 美元，评测时间从 15,990 秒降到 1,840 秒。只靠规则时，τ-retail 检出率只有 31.0%。
方法与教程2026-09-283 分钟
先看一条轨迹，再给对话打分
GitHub 上的 Arize Phoenix 用来把一次模型调用拆开：输入、工具、检索和最终回答。适合已经有对话功能、但还不知道坏在哪一步的人。不打榜，也不代替 Promptfoo 的规则断言。

工具智能体评测审计：子串判定接近偶然，参数错误约六成传到错答案

实时语音智能体评测：从部件质量到可核验的结果

信任层：已记录的通过，四项检查后还剩 22.6%

LiteTrajEval：用一次评判、固定预算给生产轨迹定位失败

先看一条轨迹，再给对话打分