「评估驱动开发」共找到 2707 篇相关文章
从实践到原则：为 AI Agent 构建的 Harness Engineering 落地与探索
生成式 AI 进入软件开发核心流程，但 AI 写代码速度超团队控复杂度能力。问题不在模型，而在软件工程系统。Harness Engineering 试图解决此问题，从三层面重新设计工程系统，已有公司实践。
曾对AI嗤之以鼻，如今2周生成7万行代码：Rust大佬与Claude联手打造新语言Rue
2025年，Rust社区早期核心人物Steve Klabnik心态转变，开始借助Claude编写代码。他重启念头设计新语言Rue，探索编程语言‘中间地带’，两周生成约7万行代码，开发中人与AI分工明确。
24个月，从写第一行代码到破产：一位架构师在47个“死亡”项目里，看到的共同陷阱
架构顾问审阅47家初创公司代码库，发现它们因产品无法扩展、技术债积累走向停滞。提出花两周做架构可避免问题，还指出AI虽降低开发门槛，却加速技术债积累。
如何让AI“看懂”网页？拆解 Browser-Use 的三大核心技术模块
传统Browser - Use难应对界面变化，大模型驱动下正迈向智能化。文章拆解其三大核心技术模块，介绍历史发展、核心功能，分析源码各模块，指出创新点与不足，还提及业界更好解决方案。
大模型训练新突破！“不对称”训练让AI学会自我反思，推理零开销
字节团队提出全新语言模型训练方法PCL，首次打破训练与推理对称约束，实现‘训练-推理不对称’。在训练时让模型反思评估结果，推理时仅输出答案，零额外开销，显著提升模型能力。
「0污染」LLM理解基准来了！20000道题14个学科全覆盖，来自微软
MMLU-CF是微软亚洲研究院推出的无污染多任务语言理解基准测试，含20000道题、覆盖14学科。通过去污染规则和闭源测试集防数据泄露，保证评估结果可靠，已在Huggingface开放。
R1时代，RAG-Retrieval技术总结与展望~
RAG - Retrieval提供全链路RAG检索模型微调、推理及蒸馏代码，支持多模型、多loss和训练方式。还发布模型技术报告，设计评估框架，未来探索RL在检索领域应用。
泪崩！！！完啦，完啦 AI 编程，4k Star MonkeyCode！！！
现在很多AI编程工具，只让Agent“写出代码”。而MonkeyCode把AI编程任务接入完整链路，是面向专业研发团队的开源AI开发平台，本文介绍其特点、适用场景及注意事项。
阿里巴巴 & 蚂蚁 LoongSuite GenAI 可观测语义规范：从统一数据语言到规模化落地
随着GenAI发展，OpenTelemetry推动语义规范建设。阿里巴巴与蚂蚁联合推出LoongSuite GenAI SemConv，在OTel基础上增强，新增Entry/Step Span、Skill语义、Token级推理观测，还推出GenAI Utils简化插桩开发。
动动嘴写SQL！Codex+终身记忆，OpenAI把查询难度直接归零
2026年初，OpenAI曝光数据分析智能体，将数据查询从「天数级」缩至「分钟级」。它用Codex驱动，有六层上下文架构，能补齐数据语义、沉淀经验记忆，让工程师提问取代手动查表。