llm 评测 - llm 评测技术,学习,经验文章

deepseek23

2 小时前

从 MCP 工具定义自动生成 Agent 评测集：把可靠性验证接入 CIAgent 评测最容易失真的地方，是用例和真实能力脱节。MCP 工具定义同时描述名称、参数和返回约束，天然是一份机器可读契约。把它作为生成种子，评测就能随接口变化同步更新。每次提交都能留下可追踪差异。这一步让失败可定位。这一步让失败可定位。这一步让失败可定位。这一步让失败可定位。