评估 -evaluation
子栏目 / 页面
- 评估方法论：从 LLM 评估到 Agent 评估
- LLM-as-Judge：使用 LLM 评估 LLM 输出
- Agent Benchmark：如何设计端到端的 Agent 测试？
- 回归测试：如何检测 Agent 性能退化？
- Trace 和 Span：Agent 执行的可观测性
- 评估工具对比：Ragas、LangSmith、Braintrust
- 静态 Benchmark 的陷阱：为什么 95% 准确率在生产中会失效？
- 如何构建持续评估（Continuous Evaluation）流水线？
- Eval Harness 设计与生态选型：lm-evaluation-harness / Inspect AI / HELM / METR