评估与全局观：怎么量化 Agent 好坏、落地最大挑战
独立 Verifier 和 LLM-as-Judge 应该如何分工？
原题如何判断用户反馈真的让 Agent 变好，而不是噪声或选择偏差？
原题哪些业务场景不适合引入 Agent？
原题如何设计消融实验并判断模块贡献？
原题串行链路修改一个节点后，如何做精确归因？
原题供应商不返回 usage 时，如何核算 Agent 的 Token 和成本？
原题本题的 Token 指模型计量词元，而非身份认证凭据。
评审 Agent 为什么要左移？应该左移到需求、设计还是编码阶段？
原题Skill 的调用量、Token 成本和效果埋点应该放在哪一层？
原题如何为跨任务重复出现的安全或质量问题生成稳定 Fingerprint，并安全接入自动修复 Agent？
原题智能问数结果出现误差时，如何区分数据链路问题与模型数值理解问题？
原题
暂无题目