工程笔记
写给真正
交付技术栈的人
关于 React、Node.js、TypeScript 与 AI 的文章。有译文正文时显示译文。没有时显示英文，并注明这一点。
标签：evals
利用LangGraph与LangSmith评估结果构建智能体改进循环。
逐步式的LangGraph与LangSmith循环：轨迹收集、三层评分机制、故障聚类、离线回归数据集以及发货前评估。
阅读约 24 分钟氛围编码与代理工程：谷歌新软件开发生命周期论文的观点
谷歌关于新软件开发生命周期的白皮书概要：验证作为分界线、利用而非模型、上下文工程、80%陷阱以及指挥者与协调者。
阅读约 9 分钟生成式人工智能与智能体的评估：CI环境中的单轮测试与多轮测试
比较基于轨迹的单轮评估与由模拟器驱动的多轮评估，涵盖黄金标准、大语言模型评分员、智能体指标、持续集成关卡以及七种工作实践。
阅读约 8 分钟评估人工智能智能体：黄金集合、大语言模型评审员与持续集成回归检测机制
通过AgentCore、LangFuse、Ragas和DeepEval为智能体提供离线与在线评估功能，同时还具备黄金数据集、持续集成校验、A/B测试以及记忆反馈机制。
阅读约 18 分钟代理人从未下达的审计订单确认：核对数值而非文字内容
如何为负责下真实订单的客服构建需求一致性评估器：按负责人划分结果，将标识符与工具输出结果进行比对。
阅读约 16 分钟保持向量存储的可靠性：生命周期管理、租户隔离、元数据处理、混合搜索机制。
在生产环境中运行用于RAG的向量存储：文档生命周期管理、嵌入更新、租户过滤、针对精确ID的混合搜索以及元数据与追踪功能。
阅读约 9 分钟面向人工智能智能体的评估驱动开发：契约、轨迹与评判器
将评估视为代理程序的 CI/CD 流程：将版本提示视为合同，利用 OpenTelemetry 和 Tempo 追踪运行过程，再通过确定性检查及大型语言模型评判器进行测试。
阅读约 13 分钟借助旅行机器人对代理进行评估：结果与轨迹、门控机制以及pass^k。
用于评估代理的旅行预订实例：结果轴与轨迹轴、加权得分前的确定性门控、2x2矩阵以及pass@k与pass^k的对比。
阅读约 8 分钟代理技能即代码：界定范围、公开信息、编写脚本并对其进行测试
为何 SKILL.md 是生产级逻辑：仅记录流程化知识，调整激活机制，逐步加载内容，将具体操作移至脚本中，构建评估体系并淘汰无效部分。
阅读约 10 分钟
常见问题
关于这些文章
是。每篇都是为本站准备的英文原创改写。结构与代码跟随来源；正文重写并做过重合检查。
英文是来源。只有存在该语言的正文译文时才显示其他语言。缺失或空白的译文仍是英文，包括在本地化网址上。
草稿经编辑后进入发布队列。站点导入只收录新的或有变更的 slug，不会重复添加。
示例仅供说明。上线前请核对技术栈与许可。若需交付，请发来简报。