回归测试

AI 能力怎么做评测？从「断言式 Eval」到「A/B 基准」

📚 前言开篇那篇我们说过，AI 基建里最被低估、面试最加分的，是「评测」。 原因很简单： 大部分人能把 prompt 调到「看起来还行」，但答不出「你怎么证明它行、改了之后怎么知道是变好还是变坏」。 而这恰恰是「会调 API」和「能做基建」之间最深的那道沟。 这一篇不空谈方法论，我们直接解剖一个真实存在、设计得相当讲究的评测系统——Claude Code ...