怎样知道 AI Agent 不是“看起来不错”？一套从 Trace 到 CI 的评测方法
Agent 每次回答和行动都不同，怎样知道新版本真的更好？
文章
由 AI 采访转化而来，每篇都能追到原视频。
反洗钱 Agent 不该自己封账户：Nacho Martinez 怎样把记忆、工具和人工复核装进 Harness
反洗钱系统发现可疑交易后，模型的判断不能直接变成封锁客户账户的决定。
别再让 AI 跟表格聊天：一笔婚礼预算怎样变成可信的财务 Agent
当 AI 的分析会影响真钱，怎样让人有理由相信结果，而不只得到一张漂亮表格？
Argon 做出了网站、3D 定制器和报价工具，但生意还得从人群里找
AI 能很快做出网站、定制器和报价工具，下一步仍要找到愿意使用和付费的人。
Claude Managed Agents 管了什么，又把什么留给开发者？
Claude Managed Agents 替开发者托管长时间运行和调度，却不会自动解决产品评测、租户隔离和用户界面。
Anthropic 怎样把一个聊天 Agent 搭成能自查结果的研究团队
研究任务要运行十分钟、协调多个步骤，还要给出可检查的结果，怎样从聊天窗口走到可交付的 Agent 工作流？
Agent 既要读数据又要动系统，权限怎样只给到这一次任务？
值班 Agent 为了完成工单，可能把客户资料写进交接记录，或用管理员权限操作生产数据库。
Agent 会选供应商，却还不会注册：WorkOS 用 auth.md 补上第一道门
Agent 已经能替人选择服务并编写应用，为什么部署时仍要主人回来注册账号、复制密钥？
AutoResearch 不是把 Agent 放出去跑：Parameter Golf 里，评测和人类转向怎样决定结果
自动研究 Agent 可以不停写代码和运行实验，但长时间搜索仍可能停在原地。
Arize 用 Skills 调试金融 Agent：从 0% 到约 90%，人还要做什么？
金融 Agent 给出糟糕答案后，团队往往不知道该改提示、工具还是评测。
Agent 只看见终端重绘：PayPal 用一台 Mac mini 测试交互式 CLI
交互式命令行给人看的选项，在 Agent 眼里可能只是不断重绘的屏幕，程序甚至不会报错。
Agent 写完代码不算完成：SonarQube 怎样把验证放回 Codex 循环
Agent 写代码的速度提高后，验证往往仍要等到提交和 CI 阶段，错误因此需要来回修补。