#人工评审
共 25 篇相关文章
·12 分钟
AI智能体复现ICML 2026论文：34%被验证，23%存在问题
Hugging Face举办ICML 2026论文复现黑客松，1200名参与者用AI智能体验证2200篇论文。结果显示34%论文被覆盖检验，多数可复现，但约23%存在问题，49篇几乎被完全证伪。
阅读全文 →
·7 分钟
LLM-as-a-Judge校准指南：裁判模型可靠性验证实践
探讨LLM-as-a-Judge评估方案中裁判模型校准的关键问题，包括人工评审对照、一致性比率监控、触发式重新校准等实践方法，帮助团队构建可信的AI评估体系。
阅读全文 →
·13 分钟
Cloudflare用AI落地工程标准化：从规范漂移到自动执行
深入解析Cloudflare如何利用大语言模型自动执行工程标准，解决大型团队规范漂移问题。探讨AI代码评审融入CI/CD流程的核心逻辑、落地挑战及对技术团队的启示。
阅读全文 →
·15 分钟
AI Agent评估标准化：Harbor平台实践与数据驱动评估飞轮
深入解读AI团队如何通过Harbor平台实现Agent评估标准化，以及从执行轨迹到评估任务的数据转化方法论，探讨Agent评估工程化的核心趋势与实践路径。
阅读全文 →
Gemini 3.6 Flash实测：质量与Token效率双升级
·7 分钟
Gemini 3.6 Flash实测：质量与Token效率双升级
深入分析Google Gemini 3.6 Flash的核心升级，包括输出质量提升与Token消耗优化。从用户反馈驱动的迭代策略、Flash系列战略定位到开发者实际迁移建议，全面解读这款轻量级AI模型的性价比表现。
阅读全文 →
·5 分钟
Claude Code+Skills实战：10分钟自动生成落地级测试用例
一位开发者分享基于Claude Code + Skills的测试用例自动化方案：将需求拆分、测试点提取、用例生成三个阶段封装为独立Skill，全流程不到10分钟，效率远超手工编写。本文深度拆解其核心思路与实现逻辑。
阅读全文 →
·17 分钟
Agent测试全解析：五大核心维度与自动化实战指南
深度解析AI Agent测试的五大核心维度：命令安全性、工具调用准确性、任务规划合理性、输出一致性、错误自我修复。掌握自动化测试脚本方法，了解测试工程师转型Agent测试的必备技能与实战路径。
阅读全文 →
·15 分钟
Claude Code+Skill：10分钟自动生成功能测试用例全流程解析
借助Claude Code配合Skill技能机制，测试工程师只需一条指令，即可在10分钟内将需求文档自动转化为落地级测试用例。本文详解三阶段自动化流水线：需求拆分、测试点提取、用例生成，并分析其对测试效率与质量的实际影响。
阅读全文 →
·7 分钟
非技术人员评估AI翻译质量的实战方法论
没有技术背景，如何科学评估AI翻译的准确性与可复现性？本文提供一套可落地的混合评分方法，涵盖人工评审标准、自动化指标使用边界、双盲机制搭建及常见陷阱规避，帮助NGO等组织做出知情的AI采用决策。
阅读全文 →
·13 分钟
Agentic MapReduce：AI Agent 实现全代码库分布式推理的关键架构
Cognition 团队提出的 Agentic MapReduce 架构，将经典分布式计算范式与自主智能体能力结合，突破 LLM 上下文窗口瓶颈，实现多 Agent 并行推理整个代码库。本文深度解析其工作原理、核心优势与落地挑战。
阅读全文 →
·10 分钟
OpenAI官方插件codex-plugin-cc：在Claude Code中调用Codex实现双AI协作
OpenAI发布开源插件codex-plugin-cc，允许开发者在Claude Code中直接调用Codex进行代码审查与任务委派。GitHub已获22k+星标，标志着AI编程工具正式进入多模型协同时代。
阅读全文 →
·17 分钟
Agentic AI开发实践：评估与错误分析才是核心竞争力
拨开Agentic AI炒作迷雾，看清智能体应用的真实价值。基于吴恩达课程精华，揭示顶级开发者与普通开发者的真正差距——不在于框架选型，而在于系统性评估（Evals）与错误分析能力。附真实落地场景与开发方法论。
阅读全文 →
·14 分钟
企业为何自研AI Agent？安全隐患与自主可控实践解析
第三方AI Agent存在数据泄露、权限滥用等安全风险，工信部已发出警告。本文深入分析企业自研AI Agent的核心逻辑，涵盖数据不出内网、Skill模块化扩展、开源生态复用等实践路径，帮助企业构建自主可控的智能体平台。
阅读全文 →
·11 分钟
Prompt工程的匠心：一句话背后的无数次迭代
从Dia Browser团队的实践出发，深入解析Prompt Engineering如何从简单指令编写演变为严肃的工程学科。探讨品味、工艺与用心三要素如何打造产品级AI体验，揭示AI产品差异化竞争的真正壁垒。
阅读全文 →
·10 分钟
Cursor三大重磅发布：移动端、Git平台与自研大模型
Cursor正式发布三项重大更新：Cursor Mobile移动应用、Origin代码协作平台挑战GitHub，以及从零训练的前沿自研大模型。深度解读Cursor从AI代码编辑器迈向全栈AI开发平台的战略布局。
阅读全文 →
·7 分钟
AI Scientist：Sakana AI自动化科研框架深度解析
深度解析Sakana AI开源项目AI Scientist，了解其如何利用大语言模型实现从假设生成、实验执行到论文撰写的全流程自动化科研，涵盖技术架构、工作流程及局限性分析。
阅读全文 →
·8 分钟
Claude Code+Skills：10分钟自动生成测试用例实战
详解如何利用Claude Code的Skills技能系统，通过需求拆分、测试点提取、用例生成三阶段自动化流程，将九章节需求文档的测试用例编写从数天压缩到10分钟，附完整操作流程与效果对比。
阅读全文 →
·9 分钟
企业级RAG全链路优化：多轮对话、检索调优与工程落地实战
深入解析企业级RAG系统从搭建到生产落地的全链路优化方案，涵盖多轮对话查询重写、检索精度深度调优、质量评测体系建立等核心工程难题，帮助开发者将RAG从Demo推向真正可用的产品。
阅读全文 →
