模型评估

AI Agent 跑通不等于真成功 — 一位工程师反思：漂亮数字正在骗所有人

一篇掘金长文拆解 Agent 评测黑箱：模型返回内容、自动裁判通过、系统显示 completed——但用户可能压根没看到完整答案。当漂亮数字可能正被基础设施噪音污染，企业采购 AI Agent 时需要重新问：到底在评什么？