Agent 评测 07：常见误区与推进路线
汇总系列中反复出现的评测误区，给出团队从零开始搭建 Agent 与 Skill 评测的分阶段路线，讨论评测驱动 Skill 自动迭代的做法和边界，并回顾整个系列。
02 / Writing archive
WRITTEN
SIGNALS.
记录探索途中捕捉到的信号，让零散的思考在时间、主题与关键词之间重新连接。
Agent 评测 02：一次执行如何变成可信的分数
以一次下发、隔离执行的方式评测 Claude Code、Codex、pi 和自研 Agent：用终态判定完成度，用关键检查点评估过程，先记录再定耗时与成本预算，用多次试次衡量稳定性，并防止 Agent 越权或钻评测的空子。
Agent 评测 03：Skill 评测，固定 Agent 只改 Skill
Skill 评测是 Agent 评测的特例：固定模型、Harness 和已安装的 Skill 集合，只改变目标 Skill。本文按准入、触发、遵循、增益、代价五个环节拆解 Skill 评测，并给出成对对照、触发评测、行为审计和模型升级复测的做法。
Agent 评测 04：评分器，先证明它判得对
规则、脚本、LLM Judge、Agent Judge 和人工评分各适合什么；怎样写评分标准、规避 Judge 的已知偏差、用人工标注校准 Judge，以及用参考解、空跑和变异测试检验评测本身能否发现问题。
Agent 评测 05：数据集，用例从哪里来、怎样不过期
数据集决定评测能测出什么。本文讲用例从哪里来、如何用错误分析归纳失败类型、如何系统覆盖正反例与边界、如何防止用例泄漏和暴露测试痕迹，以及数据集的版本化和用例的生命周期管理。
Agent 评测 06：把评测连成一条流水线
把前五篇的方法连成一条自动化评测流水线：按变更触发、用运行清单固定所有变量、隔离并发执行、统一轨迹格式、评分与人工复核分流、用配对置信区间判断版本差异、在报告中同时呈现效果与成本，并用门禁参与发布决策。
Agent 评测 01：评测到底在回答什么问题
评测是一次控制变量实验：固定其他部分，只改变一个变量，用同一批用例和评分器判断 Agent 能否在时间和成本约束内稳定完成任务。本文建立用例、试次、轨迹、终态、评分器等基础概念。
当 Claude Code + Skill 已经够强，企业 Agent 到底还在开发什么？
从财务对账 Agent 的生产化过程出发，讨论通用 Agent、Skill、Agent SDK 与企业自建业务控制层的边界，以及企业何时值得自建 Agent。
《反脆弱》读书笔记：别把平稳误认为安全
读塔勒布《反脆弱》后的方法论笔记：先削掉会让自己出局的风险，再用安全垫和小实验把不确定性变成成长来源。
智能体协议：A2A、MCP 与 ANP 的分层地图
梳理 A2A、MCP、ANP 三种智能体协议的定位、优缺点和适用场景，解释它们为什么不是简单竞品，以及工程选型时应该如何组合。
Agent Harness：让模型真正进入工作现场的系统层
基于 LangChain 对 Agent Harness 的分析，梳理 Harness 是什么、为什么重要、什么时候需要设计 Harness，以及如何在 Codex 工作流中落地。
01 / AGENT-EVAL Agent 评测 07：常见误区与推进路线 02 / AGENT-EVAL Agent 评测 02：一次执行如何变成可信的分数 03 / AGENT-EVAL Agent 评测 03：Skill 评测，固定 Agent 只改 Skill 04 / AGENT-EVAL Agent 评测 04：评分器，先证明它判得对 05 / AGENT-EVAL Agent 评测 05：数据集，用例从哪里来、怎样不过期 06 / AGENT-EVAL Agent 评测 06：把评测连成一条流水线 07 / AGENT-EVAL Agent 评测 01：评测到底在回答什么问题 08 / AGENT 当 Claude Code + Skill 已经够强，企业 Agent 到底还在开发什么？ 09 / 读书笔记 《反脆弱》读书笔记：别把平稳误认为安全 10 / AGENT 智能体协议：A2A、MCP 与 ANP 的分层地图 11 / AGENT Agent Harness：让模型真正进入工作现场的系统层
MOVE TO SHIFT THE FIELD · SELECT A NODE TO READ
NO MATCHING SIGNAL / 调整关键词或标签后重试
Archive fallback / Time
CHRONOLOGICAL INDEX
时间保留为检索坐标，而不是页面唯一的阅读顺序。
2026
- 01 Agent 评测 07：常见误区与推进路线 Agent / Skill
- 02 Agent 评测 02：一次执行如何变成可信的分数 Agent / Eval
- 03 Agent 评测 03：Skill 评测，固定 Agent 只改 Skill Agent / Skill
- 04 Agent 评测 04：评分器，先证明它判得对 Agent / Eval
- 05 Agent 评测 05：数据集，用例从哪里来、怎样不过期 Agent / Eval
- 06 Agent 评测 06：把评测连成一条流水线 Agent / Eval
- 07 Agent 评测 01：评测到底在回答什么问题 Agent / Skill
- 08 当 Claude Code + Skill 已经够强，企业 Agent 到底还在开发什么？ Agent / Agent Engineering
- 09 《反脆弱》读书笔记：别把平稳误认为安全 读书笔记 / 方法论
- 10 智能体协议：A2A、MCP 与 ANP 的分层地图 Agent / AI跟踪
- 11 Agent Harness：让模型真正进入工作现场的系统层 Agent / Harness