当 eval 变成 agent 的训练信号：agent 轨迹审查该看什么
eval 分数只回答 agent 有没有完成任务，轨迹才记录它怎么完成、在哪绕路。微软开发者博客以 Dev Proxy 的五次评测为例：五个脚本全部可用，轨迹里却有 15 个问题，包括猜错文档 URL、错误信息不说明合法取值、每次运…
发布于 2026-11-08 · 沐小悠 · 约 10 分钟
2 次阅读 阅读 →