「系统评估」共找到 2283 篇相关文章
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。
一夜之间，Claude Code删掉了80%系统提示词
本周五，Anthropic 技术团队成员 Thariq Shihipar 介绍新一代大语言模型工程趋势变化。Anthropic 发现旧提示词工程范式在新一代强推理模型发布后或过时，新的 Claude.md 应精简，大砍系统提示词后可把特定任务上下文交给 Skill。
在校生开发，榨干 win 系统全部带宽！
介绍在校生开发的开源工具 HypoMux，它面向 Windows，能把多张网卡「绑」在一起，让下载任务多线路并行。有双模式可选，还能智能分流，兼容主流加速器。操作简便，可解决下载慢问题。
首发 | 陈天桥盛大团队，推出最强开源记忆系统EverMemOS
EverMind团队发布面向人工智能智能体的长期记忆操作系统EverMemOS。它在主流评测集表现超此前工作成新SOTA，受人类大脑记忆机制启发设计，有四层架构和三大特点，已开源，后续将推云服务。
AgentIF-OneDay 发布，评估全场景长时复杂任务
红杉中国 xbench 发布 AgentIF - OneDay 评测体系，用于评估大模型解决复杂任务的能力。该体系从任务复杂度新视角出发，沿 Scaling Context 和 Scaling Domain 推进，构造了三类典型任务进行测评，揭示了主流 Agent 的能力边界。
别再手搓测试数据了！AE测试数据智造系统揭秘
本文介绍基于大语言模型的AE测试数据智造Agent，解决AliExpress跨境电商测试数据构造难题。它结合大模型与原子工具库，实现自然语言驱动的全链路测试数据生成，提升测试效率与智能化水平。
告别“一眼定生死”：Agent-as-a-Judge 开启 AI 评估的下半场
过去两年，LLM-as-a-Judge成评估界“黄金标准”，但面对复杂任务力不从心。论文《A Survey on Agent-as-a-Judge》指出，应从单一的大模型裁判进化为具备行动能力的智能体裁判，还阐述了其优势、发展阶段等。
首个Gemini桌面端曝光，系统级Agent空降PC！
5月20日Google I/O 2026前夕，谷歌提前“放大招”，Gemini桌面端曝光，Mac版先上线。它具备四大核心功能，如系统级Agent操控PC等。全新Gemini 3.2闪现，编程能力惊人，谷歌还更新Workspace应用图标。
万字解码 Agentic AI 时代的记忆系统演进之路
文章深入探讨 Agentic AI 时代记忆系统，介绍记忆对智能体的重要性、人脑与智能体记忆的定义分类及操作，还分析 Memory Bank、LETTA 等多款产品实现，总结技术演进趋势，最后提及 Tablestore 的优势。
5w颗星！前Google工程师为Agent打造的设计系统
Anthropic的frontend - design是Claude首个广泛使用设计技能，Impeccable由此起步并扩充功能。它有一次设置流程、23条命令、59条确定性检测规则等，还给出反模式，介绍多种安装方式及使用方法。