「评估工具」共找到 2534 篇相关文章
全球首个历史基准！普林复旦打造AI历史助手，AI破圈人文学科
普林斯顿大学AI实验室与复旦大学历史学系联手推出全球首个历史领域评测基准HistBench及AI助手HistAgent。HistBench含414道题，能检验AI深度认知能力；HistAgent集成多种工具，在测试中表现优异。
Anthropic CPO：AI写9成代码后，我们迎来了新噩梦！
本文是对Anthropic CPO Mike Krieger的播客访谈。他谈到AI重塑软件开发，约90%代码由AI编写；还分享产品经理价值、Anthropic战略、Artifact关闭原因等，对AI认知从工具变为战略伙伴。
Claude Code 首席工程师揭秘 AI 如何重塑开发日常！
近日，Anthropic发布Claude Code首席工程师Boris与对外沟通负责人Alex的对话，揭秘Claude Code诞生、能力、技巧与展望。它可在终端辅助编程，适配多环境，还集成Claude Max套餐，新模型让其功能更强大。
你永远叫不醒装睡的大模型！多轮对话全军覆没，性能暴跌39%
研究人员进行超20万次模拟实验，耗资5000美元，评估大模型在多轮对话中的表现。结果显示，大模型在多轮对话中性能明显低于单轮对话，平均下降39%，还出现“对话迷失”现象。
5 万行代码 Vibe Coding 实践复盘：最佳实践、关键技术，Bitter Lesson
大厂资深工程师分享 3 个月用 AI 写 5 万行代码的体验，介绍 Vibe Coding 实践，分析 Coding Agent 关键技术如语义搜索、MCP，对比 Cursor、GitHub Copilot、Cline 等产品，还提到 Agent 开发要避免过度植入人类经验。
Artificial Analysis：DeepSeek成为世界前二AGI实验室
模型与API独立分析公司Artificial Analysis对DeepSeek R1-0528评估显示，其一举超越xAI、Meta等，与谷歌并列全球第二大人工智能实验室，在多方面性能提升，缩小了开源与闭源模型差距。
彻底说清 Human-in-the-Loop：企业级 Agent 系统的关键挑战与LangGraph解法【上】
文章围绕企业级Agent系统中Human-in-the-Loop（HITL）展开，介绍其必要性、常见模式，以LangGraph为框架解读关键挑战与实践，涵盖核心机制、原理解析，还阐述HITL下工具调用的两种管控模式。
炸裂！微软开源Windows子系统
今天凌晨微软宣布开源适用于Linux的Windows子系统WSL。它能让开发者在Windows上运行Linux环境，无需虚拟机或双引导。还介绍了WSL工具、架构及文件共享机制，回顾其发展历程。
3200+ Cursor 用户被恶意“劫持”！贪图“便宜API”却惨遭收割， AI 开发者们要小心了
近日，网络安全研究人员标记出三个恶意npm软件包，攻击Cursor编辑器macOS版用户，下载超3200次。这些包伪装成便宜API工具窃取凭据、替换代码，还凸显供应链威胁，Socket还发现另两个恶意包。
本周推荐的6个超级6的Github开源项目！
本文推荐6个Github开源项目。有Git效率神器Lazygit、美团前端日志系统Logan、解密工具Ciphey等，各项目功能强大，如Lazygit操作便捷，Logan可助定位端上问题，Ciphey能一键解密。