AI 前沿
AI 前沿
AI Agent 评测:越改越差?8 步锁定真实退步点
AI Agent 上线后,常出现修好一个问题、另一个功能又坏的“盲飞”。本文梳理 Anthropic 的 8 步评测方法:从真实失败提炼任务,组合三类评分器,把“感觉变差了”变成可追踪、可比较的任务失败,让团队少凭感觉改版,稳定定位回归。
同一主题下的文章、视频与资源。
AI Agent 上线后,常出现修好一个问题、另一个功能又坏的“盲飞”。本文梳理 Anthropic 的 8 步评测方法:从真实失败提炼任务,组合三类评分器,把“感觉变差了”变成可追踪、可比较的任务失败,让团队少凭感觉改版,稳定定位回归。
从六月 GPT-5.6 系列发布到今天,OpenAI 与 Anthropic 主流模型价格最大降幅达 80%。本文摊开 GPT-5.6 Sol($5/$30/$0.50)与 Luna($1/$6/$0.10)的定价结构,用一个 Python 脚本把单价换算成单次任务成本,再从厂商与使用者两边算清这笔账:为什么这次降价更像一次结构性的重新定价,而不是烧钱抢市场。
Anthropic 发布常驻型助手 Claude Duet,一个不用等你开口就自己干活的「主动式」AI Agent,关键操作先问批准。这道审批闸门划出了自主与越权的边界,也折射出近两个月硅谷巨头排队要解决的同一个命题;再加上 xAI 的多智能体分工与 Agent Skills 捐给 Linux 基金会 AAIF,主动式 Agent 的边界已经清晰可见。