给电子表格套一层 UI 还不够：Braintrust 为什么把 Evals 做成一套数据系统
一张电子表格足以开始评测 Agent，但真实用户上线后出现的失败，还要能被找到、复现并带回下一轮测试。
评测平台
4 篇文章
全部文章
ARIA 在生产里漏掉一次 weave.log，团队怎样把这条失败变成回归测试？
Agent 的一次线上错误修好后，换模型或提示词仍可能让同类问题回来。
银行 Agent 说“退款已发出”，其实什么也没做：Langfuse 怎样给高风险 Agent 设上线门槛
高风险 Agent 的回复看起来正常，怎样判断它真的完成了任务？
用 Claude Code 做 AI 评测的五步：先让人说清楚哪里不对
AI 输出总要人工重改，评测规则却越加越多，怎样找出真正影响质量的失败？