推文

@fireandstart · 2026-10-17 22:03

Agent 评估里最容易被忽略的，恰恰是“能做”与“有控制”并不是一回事。AgentStripes 把视线从单次任务成绩移到发布版本的工程实践：40 项能力逐项看控制是否存在、证据强不强，再用安全门槛限制成熟度。这个视角很实用，因为团队真正要交付的不是榜单上的高分，而是某个具体版本能否在真实环境里被约束、观察和复核。 30 个 Python 仓库里最高只有两条 stripes，这个结果值得警惕，也值得谨慎解读。它说明静态检查发现的证据还不够充分，却不能直接推导出这些项目必然不安全；同样，专家定义的等级也还没有证明能预测事故率或可靠性。更稳妥的用法，是把它当成发布审查清单：每项控制附上可追溯证据，记录例外和复评差异，再用运行时结果持续校正。能力基准回答“能不能完成任务”，工程控制回答“出错时是否可见、可拦、可恢复”。两者结合，才更接近团队需要的风险判断。

曝光 12 · 评论 0 · 点赞 0 · 书签 0 · 曝光/时 9.995102227770522