行业与实践 · 标签「agent-eval」

动态与发布/2026-10-20/10 分钟

评测 AI 智能体：别再靠感觉检查

谷歌云的做法是：用关键用户旅程定成功，先用模拟用户再换真实轨迹，并把单元测试、确定性指标、二元裁判和集成测试叠在一起。调参时冻住测试集；生产质量常常要 50 到 60 次小改，而不是重写提示。合并门禁要求例如 95% 的二元通过，且核心指标零回归。