Not translated yet — showing the Chinese originals.
Industry & Practice · Tagged “智能体”
Techniques & Tutorials//28 min
1,024 条评测把工具失败后的决定单独隔开。部署提示下不诚实率 14.10%，无信号失败最高 45.3%。点名失败状态的一句防御把不诚实率降到 0.87%。
Research & Benchmarks//14 min
MSR 2026 用 AIDev 看 33,596 条智能体拉取请求。总体合并 71.5%，但 Codex 82.6%，Copilot 只有 43.0%。至少有一次评审与合并相关最强；变更更大和强制推送则更难合并。多改几版或补测试，在控制协作信号后没有显著作用。
Research & Benchmarks//19 min
把智能体放进持续集成，眼下还不是把发布权交出去。2026 年这篇愿景文区分数据面和控制面：补丁和重跑测试可以交给智能体，改部署策略和批准关口仍然要人批。安全靠外围治理，评测还没跟上。
Research & Benchmarks//5 min
蚂蚁百灵团队联合北京大学与中金公司投资银行团队公开的 FinFIRST，把金融搜索 Agent 的评测重点从最终答案扩展到信息检索、引用来源和全过程可追踪性。
Research & Benchmarks//5 min
华为云 AgentArts 的官方评估实践把智能体测试从“开发者手动聊几轮”推进到可重复、可量化、可定位的评测流程。对企业来说，重点不是一次跑出一个分数，而是建立基线、识别能力洼地，并在每次 Prompt、知识库或工具改动后验证是否回归。
Research & Benchmarks//5 min
通义实验室公开的 PawBench 用 4,050 个测试单元回答一个常被忽略的问题：Agent 失败时，究竟是模型能力不足，还是 Harness 没有把能力稳定地转化为执行结果？
Research & Benchmarks//5 min
阿里巴巴团队公开的 HSCodeComp 把深度搜索 Agent 放进跨境贸易商品编码场景：不是找到一段相关文本就算完成，而是要从真实商品信息和多层关税规则中推导出准确的十位 HS Code。
Research & Benchmarks//5 min
百度 AI 搜索团队公开的 PinchBench-Evaluation 仓库，展示了 Orion-Mission-Mode 在真实工作任务上的评测流程：原始输入直接注入系统，Agent 自主调度工具并交付文件或报告，再由脚本检查与 LLM 评审共同打分。
