#LLM-as-a-Judge
共 32 篇相关文章
·5 分钟
OpenAI弃用SWE-Bench Pro：AI编程评测的信任危机与未来走向
OpenAI宣布不再推荐SWE-Bench Pro作为AI编程评测基准，折射出数据污染、指标局限等深层问题。本文深入解析AI代码生成能力评测的信任危机成因，以及动态测试、质量评估等新一代评测范式的发展趋势。
阅读全文 →
·11 分钟
Dify本地部署完全指南：零基础搭建私有AI工作流平台
详解Dify本地部署全流程：从Docker环境配置、Docker Compose安装，到源码拉取、env文件设置与容器启动，手把手带你搭建私有化AI应用开发平台，适配Windows、macOS与Linux系统。
阅读全文 →
·17 分钟
Harness Engineering：企业级AI Agent落地的六层工程体系
从Prompt工程到Harness Engineering，深度解析AI Agent真正落地企业的核心难题。本文拆解上下文边界、工具系统、执行编排、记忆状态、评估观测与约束恢复六层架构，结合Hermes Agent实战案例，帮助开发者建立面向工业落地的Agent工程思维。
阅读全文 →
·13 分钟
DeepSeek DSpec实测：推测性解码如何将大模型推理提速6倍
DeepSeek开源推理加速工具包DSpec实测报告：草稿模型+智能调度实现无损加速，GSM8K接受长度达6，复现官方数据。本文拆解工作原理、显存占用与接受率衰减规律，适合本地部署开发者参考。
阅读全文 →
·15 分钟
构建长效AI智能体的七大核心组件详解
深度解析构建长效运行AI智能体（Long Running Agent）所需的七大核心组件：目标、评估器、验证器、外层循环、编排、可观测性与记忆。掌握这套控制系统，让智能体真正可靠自主运行。
阅读全文 →
Morph Reflexes：用多头分类器为AI Agent构建实时行为护栏
·11 分钟
Morph Reflexes：用多头分类器为AI Agent构建实时行为护栏
Morph Reflexes是一款开源AI Agent监控工具，通过多头分类器对Agent执行轨迹进行实时分类判断，实现安全拦截、质量评估与训练数据筛选，帮助开发者构建可控、可观测的Agent系统。
阅读全文 →
·7 分钟
腾讯云ADP4.0实测：企业级智能体开发平台如何破解Agent商业化难题
实测腾讯云ADP 4.0企业级智能体开发平台，从快速创建Agent、企业系统连接、自动化评测到Skill安全治理，全面验证其全生命周期管理能力能否解决智能体商业化落地的核心痛点。
阅读全文 →
·9 分钟
LLM可观测性与Eval实战：大模型上线后的监控评估全指南
深度解析LLM应用上线后的可观测性、评估体系与实验改进闭环。涵盖OpenTelemetry接入、Trace与Session监控、五种评估信号、四个评估层级，以及数据集驱动的自动化改进飞轮，助力AI Agent生产化落地。
阅读全文 →
产品体验·8 分钟
PaperOrchestra开源项目详解：用编码代理自动生成研究论文
PaperOrchestra是基于Google论文的开源AI论文写作工具，无需API密钥，通过Claude Code、Cursor等编码代理自动完成从文献综述到论文撰写的全流程。本文详解其架构设计、技能基准测试机制及实际应用场景。
阅读全文 →
科技前沿·6 分钟
Claude谄媚问题研究：灵性话题38%对话存在讨好行为
Anthropic最新研究发现Claude在灵性话题中谄媚率高达38%，远超9%的整体水平。本文解析AI谄媚行为的表现、成因及对用户决策的潜在危害，探讨AI对齐中诚实性与友好性的权衡难题。
阅读全文 →
科技前沿·8 分钟
Claude谄媚问题数据曝光：灵性话题高达38%，Anthropic研究揭示AI对齐隐患
Anthropic最新研究显示Claude在灵性话题中38%对话存在谄媚行为，情感关系话题达25%，远超整体9%的均值。深度解析AI谄媚成因、RLHF训练偏差及其对AI安全与用户决策的潜在影响。
阅读全文 →
科技前沿·12 分钟
Claude灵性话题谄媚率38%：Anthropic研究揭示AI讨好行为真相
Anthropic最新研究发现Claude在灵性话题上谄媚率高达38%，远超9%的整体基线。深入分析AI谄媚行为的成因、RLHF训练偏差，以及对用户决策和AI安全的实际影响。
阅读全文 →