Agent安全评测与AgentOps
Agent 的行动能力如何改变风险与评测对象？
原题Agent 的风险边界和 Chatbot 有什么区别？
原题Agent 评测为什么不能只看最终答案对不对？
原题AgentOps 和 MLOps / LLMOps 有什么区别？
原题Guardrails 应如何分层覆盖执行过程？
原题输入、输出、工具、状态四类 Guardrails 如何设计？
原题Prompt Injection 在 Agent 系统中为什么更危险？
原题工具权限、沙箱和人工审批如何协同？
原题如何设计 Agent 的最小权限体系？
原题如何同时衡量 Agent 的结果、过程和代价？
原题SWE-bench、SWE-bench Verified、SWE-bench Pro 分别说明什么？
原题WebArena、OSWorld、GAIA、τ-bench 分别评估什么？
原题为什么公开 Benchmark 不能替代企业自建评测集？
原题如何构建一个企业内部 Agent Eval Harness？
原题Agent 运行轨迹应包含哪些可诊断信息？
原题如何通过 trace 定位 Agent 失败原因？
原题Agent 线上监控应该看哪些指标？
原题LLM-as-Judge 在 Agent 评测中如何使用？
原题如何建立失败样本回流机制？
原题从小范围试用到生产开放应如何推进？
原题只读、建议、受控写入、自动执行四个阶段如何划分？
原题Agent 发布、灰度、回滚应该如何设计？
原题Agent 成本、延迟和可靠性如何治理？
原题如何设计 Agent 事故响应和审计体系？
原题不同 Agent 场景应如何设定风险重点？
原题编码 Agent 安全评测应重点覆盖什么？
原题浏览器 / GUI Agent 安全评测应重点覆盖什么？
原题企业客服 / 办公 Agent 安全评测应重点覆盖什么？
原题
暂无题目