Not translated yet — showing the Chinese originals.
Industry & Practice · Tagged “轨迹”
Case Studies//16 min
Google 用 AQuA 扫 travel-concierge 的 32 个生产会话：42 条发现收成 6 个已核验问题。两处提示词修改后，绕过选座从 15 个会话降到 2 个，整段通过从 5/32 升到 13/32。
Techniques & Tutorials//14 min
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%。
Techniques & Tutorials//25 min
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。
Techniques & Tutorials//28 min
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。
Techniques & Tutorials//16 min
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%。
Research & Benchmarks//18 min
165 个 WebArena Lite 任务的人工复核显示，自动评测器在四种 GPT 5.5 设定上漏掉 5.45 到 8.49 个百分点的成功。滚动循环和过早作答占失败的大头，早期进展也常常以失败收场。
Research & Benchmarks//6 min
Wesley Pasfield 在 2026 年 5 月的笔记本里搭了一条闭环：真实轨迹、人工和模型反馈、Promptfoo 评测、HALO 排序，再交给 Codex 改支架。评论先过，再考虑自动合并。
Techniques & Tutorials//3 min
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。
Research & Benchmarks//10 min
阿里云 AgentLoop 把企业 Agent 飞轮写成采集轨迹、自动建 Golden 和 BadCase、再用 Agent 做评测。文中给出 55 个字段、84% 覆盖率和三层评分，并标明哪些数字来自外部论文。
