构建 agent 系统的笔记

基准污染是数据管道缺陷：像管理代码一样对评估集进行版本控制

被归咎于模型能力不足的 agent 评估失败，往往是评估集卫生问题。评估语料需要与训练数据同等的来源追溯、版本控制和访问控制。