村民记得“芒果打折”，却忘了是谁说的：长期 Agent 为什么不能只靠 RAG 记忆
长期 Agent 即使能检索到记忆，也可能忘记消息来源、把传言说成事实，或没有用新信息调整计划。
Evals
52 篇文章
全部文章
她明明拼了 M-I-D-A-M，Voice Agent 还是叫她“Madam”：一次失败通话到底坏在了哪里
用户拼出名字并纠正最后一个字母，语音 Agent 却仍然念错；她慢慢读账号时又被打断，只好要求转人工。
Optiver 想让新模型当天可用，AI 团队要先做完哪些事？
怎样让有价值的新模型发布当天就能用于公司工作，而不是只接通一个接口？
Arize 给 Agent 加上代码沙箱后，省下了什么，又多了哪些麻烦？
Agent 反复翻页、把原始数据送进模型，怎样减少这些往返？
Arize 反复重建 Alex：哪些事交给模型，哪些事收回代码里？
模型已经会做事，为什么 Agent 仍会忙着更新清单、重复调用，或提前结束任务？
Agent 能在夜里自己改好故障吗？Arize 从一次玩具搜索错误讲起
怎样让 Agent 夜里排查故障，早上交回的修复又有依据可供审核？
给 Agent 加了 SQL 工具以后，怎么知道它真的会用？Phoenix 团队的 Harbor 测试
给 Agent 增加工具或修改提示词，怎样确认它真的更会做事，而非只是换了一条路径？
AI 写作为什么总要返工？Towards AI 用 Tone-Bench 测试模型能否写出本人的声音
怎样让 AI 写出更像自己、也更少返工的稿子？
第一个 AI 评测怎么写：把旅行需求变成能反复检验的标准
做第一项 AI 评测，怎样把“这个回答不错”变成可以反复检验的标准？
给客服 Agent 加一句安全提示，为什么任务反而做不完了？
修复 Agent 的一个问题，怎样避免弄坏原本正常的任务？
把 GPT-5.5 换成 Kimi、DeepSeek 或 Mistral，应用会在哪些地方变样？
把应用换成另一款模型，怎样知道原来的要求仍被满足？
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？