工程化

评测盲区：为什么「能用」不等于「可用」？ 在大模型评测领域，我们有 MMLU 测知识、HumanEval 测代码、BFCL 测函数调用。但对于 Agent 系统，评测维度往往停留在「任务完成率」这个单一指标上。 这里存在一个评测盲区：我们很少评测 Agent 能力的「可迁移性」和「可工程化程度」。 举个例子：在 Claude Code 环境中，构建了一套完整…