Agent评测入门，我最推荐Anthropic 这篇文章

@Jerry_fsy · 2026-10-15 22:31

之前我们在做一个问答机器人的 Agent 评测时，遇到过一个挺奇怪的问题。 有两条回答，LLM-as-Judge 给出的 Accuracy 分别是 0.94 和 0.90，准确率看起来都不错，但最终结果却是 Fail。 失败的原因都是

曝光 198 · 评论 2 · 点赞 3 · 书签 3