「评估标准」共找到 1007 篇相关文章
第九章 编码 Agent 实战——用 Deep Agents 构建代码审查助手
文章围绕用 `deepagents` 框架构建代码审查 Agent 展开。介绍 `deepagents` 核心能力、安装配置，给出最小可运行示例。还阐述自定义工具及使用方法，添加审查 Skill 明确审查标准和流程。
两个「最强AI」塞进Xcode！苹果这波杀疯了
苹果发布Xcode 26.3重磅更新，将Codex和Claude接入IDE，引入新框架和MCP开放标准。这影响万亿级市场，获开发者好评，是苹果AI战略成熟标志，放下身段提升开发效率。
3.9K Star！Antigravity 火了，但更狠的是这个配套工具！
2025年或成Vibe Coding爆发年，Google推出的Antigravity很火。但开源大神开发的Antigravity Tools更厉害，它是中间件，能将Antigravity模型转成“标准API”，有多种功能，适合Vibe Coding重度用户。
陶哲轩回应OpenAI新模型IMO夺金！GPT-5测试版也曝光了
OpenAI新模型在2025年IMO达金牌水平，GPT - 5也将发布。但陶哲轩指出缺乏统一测试标准，影响公平比较。MathArena测试中，Gemini 2.5 Pro仅13分，远低于铜牌线。
92% 工程师都在用 AI 后，Uber 开始给 AI “限额”了
Uber的‘零增长技术栈’解耦容量与业务需求，优化Go运行时性能。还将生成式AI集成开发，92%工程师在用，但成本压力大。为此，Uber限额每位开发者，审查代码效果，完善评估指标。
80%代码由Claude合并，Anthropic内部人员点破Agent真相：「Close the Loop」
Anthropic团队研究产品经理Theo演讲指出，Claude已深入其工程流程，超80%代码由它合并。模型角色转变，能力提升，失败率下降。开发者应升级研发战术，如刷新评估基准、精简“脚手架”、闭环设计。
翁荔最新博客：我们可能高估了模型，却严重低估了那层“脚手架”
前OpenAI安全研究副总裁翁荔在新博客聚焦AI领域Harness Engineering。她认为Harness是决定模型在现实任务中走多稳、多远的‘脚手架’，并梳理其演进路线，也指出研究面临评估、安全等瓶颈。
AI 浏览器压根不可能成为新的操作系统
近期AI浏览器成大模型主战场，营销中模糊Browser和OS边界。文章指出‘AI Browser = OS’不成立，分析原因，还提出定义为Agent操作层更合适，未来或走向能力优先、标准互通的‘通用容器’模式。
Shopify 经验贴：如何搞出一个生产级别可用的 AI Agent 系统？
Shopify 以 AI 助手 Sidekick 为例，分享从简单工具调用系统演变为复杂 AI Agent 平台的经验，包括架构设计、评估方法和训练技术等方面，还给出构建生产级别可用的 AI Agent 系统的四条核心建议。
MemOS：一种用于 AI 应用的记忆操作系统
大型语言模型缺乏记忆管理系统，限制其发展。MemTensor与高校联合开源MemOS，它将记忆视为可管理资源，有三层架构，系统化三种记忆类型。评估显示其在推理、检索、加速等方面表现优异。