评估与全局观：怎么量化 Agent 好坏、落地最大挑战
Text2SQL 系统的准确性怎么评测？用户反馈 SQL 不可用时，系统怎么回流优化？
原题Agent 自进化闭环如何设计？怎样判断沉淀出的经验值得进入系统？
原题如何通过两套 Harness 的同任务对照与组件消融定位效果差异？
原题Skill 路由应该如何构造测试集并评估？
原题如何证明 Agent 的最终答案真正使用了工具或检索证据，而不是凭模型常识猜中？
原题树形意图识别和逐层路由应该如何设计，并构造评测集避免误差级联？
原题Multi-Agent 出现 Badcase 时，如何定位责任 Agent，并判断是否需要 SFT？
原题什么是 AI-native 团队？如何判断团队离 AI-first 还有多远？
原题如何实现基于 VLM 的 Benchmark 系统，并避免评测模型自说自话？
原题生成内容常见的质量 Bad Case 有哪些，如何分类与评估？
原题
暂无题目