评分正确、行为跑偏:从 agent 轨迹里反推体验修复点
评分只回答任务是否完成,行为偏差藏在轨迹里。本文以微软 Dev Proxy 的五次 agent 评估为例,说明如何按“跨运行重复”筛出信号,再映射到文档路径、错误信息、CLI help、默认配置和搜索快照等具体修复点,并给出样本与截…
发布于 2026-11-10 · 沐小悠 · 约 9 分钟
42 次阅读 阅读 →