构建 agent 系统的笔记

崩溃的基准测试：为什么评估框架需要自己的回归测试

一次覆盖 27 个模型的基准测试运行暴露出错误源头是评估框架本身，而非模型。评估代码就是生产软件：对它做版本管理、金丝雀发布，并用已知答案测试它。