「评估驱动开发」共找到 2713 篇相关文章
Anthropic更新了Skill Creator，评测框架上线
Anthropic更新Skill Creator，上线评测框架。该框架无需写代码，能处理两类技能测试需求，可测试和改进技能，有捕获质量回归等用途。还增加基准模式、多Agent支持等，能让技能触发更可靠，更新已在Claude.ai等可用。
2026开年关键词：Self-Distillation，大模型真正走向「持续学习」
2026年刚开场，Self - Distillation成大模型领域高频词汇。传统强教师依赖范式难适配大模型持续进化，MIT等顶尖机构发布三项成果，用不同方法实现自蒸馏，推动模型持续学习。
我手搓了一个Seedance 2.0分镜Skill：一键生成电影级Prompt，再也不用为提示词发愁了
作者为解决用Seedance 2.0写分镜提示词难题，手搓Seedance Storyboard Skill。它能引导用户完成分镜细节，输出专业提示词。作者实测4种风格案例效果佳，还介绍了Skill原理、安装使用方法。
基于seekdb，教你从零开始构建智能搜书应用
OceanBase开源AI原生数据库seekdb，它统一处理多种数据，解决AI开发者难题。文章分享上手体验，介绍其优势、适用场景、玩法，还给出基于它实现智能搜书应用的教程。
开源版 Claude Cowork
Multica是原生桌面客户端，将编程智能体能力带给大众，支持Claude Code等。它类似Obsidian，可按需定制，能解决编程智能体使用障碍，具备简洁界面等特性，还介绍了使用、开发、构建等内容。
我宣布，这就是现在人声最真实的AI音乐模型。
作者体验Minimax新推出的音乐模型Music 2.5，称其真实感强，中文无敌，咬字清晰，能唱维语等多语言。搭配粉丝开发的小工具，可尝试多种曲风，价格实惠，但功能有待完善。
AI用3年时光，来了解你！首个AI Clone长期记忆基准
现有AI记忆评测存在数据源单一、忽视变化本质、注入成本高等局限。开源学术社区QuantaAlpha联合高校团队提出CloneMem基准测试，构建合成人生，设计评测任务，实验发现简单方法在检索上更有效，记忆系统应还原信息。
最新 Anthropic 人类经济指数报告：AI 如何重塑经济？
Anthropic 持续监测 AI 实际使用情况，在第四份报告提出「经济基本要素」概念，分析2025年11月对话样本，探讨AI提效、任务时长、不同国家应用差异等，还评估职业受影响情况及对经济的总体影响。
阿里千问落地谷歌UCP+A2UI，中国率先进入AI办事时代
谷歌联合零售巨头发布UCP和A2UI协议，试图定义智能体商务全球标准。而阿里千问App上线千问任务助理1.0，打通淘宝、支付宝等核心业务，接入多项生活与政务服务，快速落地应用，让中国进入AI办事时代。
SDD 如何在复杂业务系统中真正落地？
文章围绕SDD在复杂业务系统落地展开，介绍OpenSpec库使用，对比与系分差异，分析其优势与问题，如LLM与IDE执行能力鸿沟、无update命令等，还对比OpenSpec和GitHub Spec Kit，并给出流程及提示词。