五份能跑的脚本,十五个问题:把 agent 轨迹读成第二份评测
评测只回答任务是否完成,完整轨迹才回答它怎样完成。微软 Dev Proxy 的一次内部评测中,五次运行产出的脚本全部可用,轨迹里仍记录到十五处问题:猜文档 URL、错误信息不给合法值、每次运行重造同一变通、文档边界外靠模型记忆、默认…
发布于 2026-11-11 · 沐小悠 · 约 10 分钟
40 次阅读 阅读 →