标签评审下的文章 | 我的小破站

我的小破站

朋友圈子动态昔日留言关于

朋友圈子动态昔日留言关于搜索

.Sam

2026 1篇文章

09-01 【AI Native开发-07】AI 预审之后，人还应该看什么？ #AI Native #SDD #评审 #质量闸门 #软件工程

.Sam

内容一般，热爱很满.

50

文章数

9

分类数

118

标签数

公告

欢迎来到我的小破站 🎉

随便写写，随便看看，内容一般，但心情很真 💖

分类

AI Native开发 17 智能体测评 12 LLM测评 9 AI 3 openclaw 3 Github探索 2 前端 2 运维 1 编程 1

热门标签

AI Native 17 SDD 17 AI Agent 12 Benchmark 11 软件工程 11 LLM测评 9 科普 9 测试工程 6 AI 6 可观测性 4 openclaw 4 工程实践 2 GAIA 2 τ-bench 2 SWE-bench 2 CI 2

推荐文章

1 【LLM测评-08】怎么给自家 LLM 出题：从读榜到自建评测 2026-09-06 下午 2 【LLM测评-07】榜单会腐烂：污染、刷分与退役 2026-09-06 下午 3 【LLM测评-06】从“答题”到“干活”：Agent 测评到底在测什么 2026-09-06 下午 4. 【LLM测评-05】代码：从“写个函数”到“修好一个真实 bug” 2026-09-06 下午 5. 【LLM测评-04】AI 的数学能力：从小学应用题到研究级难题 2026-09-06 下午 6. 【LLM测评-03】GPQA：AI 是真会推理，还是背得多？ 2026-09-06 中午 7. 【LLM测评-02】MMLU：当一场考试被考到“饱和” 2026-09-06 中午 8. 【LLM测评-01】一份跑分表，到底该怎么读？ 2026-09-06 上午 9. 【LLM测评-00】AI 为什么也要“考试”？ 2026-09-06 上午 10. 【AI Native开发-04】“删除要安全”为什么不是一份可执行的 Spec？ 2026-09-02 早上 11. 【AI Native开发-16】十个 Agent 同时开工，团队怎样不失控？ 2026-09-01 晚上 12. 【AI Native开发-15】同一个 Bug 反复修，真正该回到哪一层？ 2026-09-01 晚上 13. 【AI Native开发-14】42 个测试全绿，为什么仍不能证明需求完成？ 2026-09-01 晚上 14. 【AI Native开发-13】“测试通过了”可能是最贵的一句谎话 2026-09-01 晚上 15. 【AI Native开发-12】“修到通过”为什么会把真 Bug 修没？ 2026-09-01 晚上 16. 【AI Native开发-11】测试全绿，也可能什么也没测到：问题出在哪？ 2026-09-01 晚上 17. 【AI Native开发-10】为什么“管理员删除成功”不是一套测试设计？ 2026-09-01 晚上 18. 【AI Native开发-09】测试全绿之后，代码评审还应该拦什么？ 2026-09-01 晚上 19. 【AI Native开发-08】一次改 14 个文件，为什么 AI 交付会失控？ 2026-09-01 晚上 20. 【AI Native开发-07】AI 预审之后，人还应该看什么？ 2026-09-01 晚上 21. 【AI Native开发-06】Plan 不是待办清单：AI 动手前还要查清什么？ 2026-09-01 晚上 22. 【AI Native开发-05】技术不确定时，为什么不该让 AI 直接开写？ 2026-08-31 下午 23. 【AI Native开发-03】同一个 AI，为什么换个项目就“变笨”？ 2026-08-31 下午 24. 【AI Native开发-02】一句需求到可靠交付，中间要过哪四道闸门？ 2026-08-29 晚上 25. 【AI Native开发-01】AI 把没决定的事做成代码，代价有多大？ 2026-08-29 晚上 26. 【AI Native开发-00】代码生成变快之后，为什么交付反而更难了？ 2026-08-29 晚上 27. 【智能体测评-番外】测评之前：让智能体可测的工程准备 2026-08-27 上午 28. 【智能体测评-10】生产环境的Agent可观测性与持续测评 2026-08-27 早上 29. 【智能体测评-09】三类典型场景的测评方案：Coding Agent、客服Agent、深度研究Agent 2026-08-25 晚上 30. 【智能体测评-08】动手搭一套Agent测评流水线：开源工具链实战 2026-08-25 晚上 31. 【智能体测评-07】自建测评集方法论：别再拿20条case自欺欺人了 2026-08-25 中午 32. 【智能体测评-06】轨迹测评：不只看做没做成，还要看怎么做的 2026-08-24 晚上 33. 【智能体测评-05】LLM-as-Judge的可靠性问题：让模型当裁判到底靠不靠谱 2026-08-24 下午 34. 【智能体测评-04】主流Agent Benchmark全景拆解：GAIA、SWE-bench、WebArena、τ-bench、BrowseComp到底在测什么 2026-08-24 早上 35. 【智能体测评-03】测评的四个层次：从单元测试到生产观测 2026-08-24 早上 36. 【智能体测评-02】Agent失败分类学：智能体是怎么把事情搞砸的 2026-08-23 晚上 37. 【智能体测评-01】从模型跑分测到智能体测评的范式断裂 2026-08-23 晚上 38. 【智能体测评-00】我们的智能体测评体系：总纲 2026-08-23 晚上 39. OpenClaw技术原理分析 2026-03-16 凌晨 40. 从技术原理深度解析OpenClaw爆火的底层逻辑 2026-03-16 凌晨 41. OpenClaw多Agent协作完整使用教程 2026-03-14 晚上

稳定运行