- Theseus Lab 开源的DeliverBench评测聚焦Agent“端到端交付一致性”：不验单步正确性，而查跨文件依赖链中结论是否自洽。实测显示，前沿Agent平均交付分仅65/100，暴露出“初始口径错误→后续全部正确继承”的致命传播模式。核心启示：局部审验失效，必须建立证据锚点、影响面清单与修复传播断言。 Theseus Lab 开源的DeliverBench评测聚焦Agent“端到端交付一致性”：不验单步正确性，而查跨文件依赖链中结论是否自洽。实测显示，前沿Agent平均交付分仅65/100，暴露出“初始口径错误→后续全部正确继承”的致命传播模式。核心启示：局部审验失效，必须建立证据锚点、影响面清单与修复传播断言。
- 本文提出以“错判风险”与“可逆性”双维度划分决策权，将“是否需人工签字”从主观判断转为可操作的四档分类（高危不可逆/可逆、低危不可逆/可逆），明确各档断言写法、证据要求及常见误区（如误将“未知”当低危、“可逆”当随意），适用于发布、退款、权限等关键场景。 本文提出以“错判风险”与“可逆性”双维度划分决策权，将“是否需人工签字”从主观判断转为可操作的四档分类（高危不可逆/可逆、低危不可逆/可逆），明确各档断言写法、证据要求及常见误区（如误将“未知”当低危、“可逆”当随意），适用于发布、退款、权限等关键场景。
- 本文剖析阿里云多Agent研发实践，聚焦“交接链路的证据完整性”而非单点代码质量。提出三大可落地验收准则：交付必含完整trace、验证Agent输入需裁剪实现上下文、每次变更须跑固定回归题集，直击Agent协作中证据丢失、验证失焦与回归遗漏痛点。 本文剖析阿里云多Agent研发实践，聚焦“交接链路的证据完整性”而非单点代码质量。提出三大可落地验收准则：交付必含完整trace、验证Agent输入需裁剪实现上下文、每次变更须跑固定回归题集，直击Agent协作中证据丢失、验证失焦与回归遗漏痛点。
- 本文聚焦AI图像多轮编辑的稳定性测试，核心是验证“未编辑区域像素级不变”这一关键不变量。提出三版可执行断言（视觉/像素/容差）、轮次渐进式验收策略，并强调严重与轻微崩坏需分设阈值。强调：厂商数据不可直接复用，须基于自身业务样本重建评测体系。 本文聚焦AI图像多轮编辑的稳定性测试，核心是验证“未编辑区域像素级不变”这一关键不变量。提出三版可执行断言（视觉/像素/容差）、轮次渐进式验收策略，并强调严重与轻微崩坏需分设阈值。强调：厂商数据不可直接复用，须基于自身业务样本重建评测体系。
- 一篇搞懂：企业级智能体平台怎么搭，桌面 AI 助手怎么用。 一篇搞懂：企业级智能体平台怎么搭，桌面 AI 助手怎么用。
- 摘要NVIDIA 在 11 月 4 日的技术博客里公开了一个企业助手 Agent 的失败：用户让它起草一封邮件，它起草完直接调用了发送工具。文章给出的判定器只问一件事——有没有在无人确认时调用发送工具。这个看似简单的判定线，背后是三种不同层级的"完成"定义。这篇把三种定义拆开，讲清哪一层该写断言、留出集为什么要对改代码的 Agent 隐藏，以及把故障 trace 变成每日用例的实际成本。需... 摘要NVIDIA 在 11 月 4 日的技术博客里公开了一个企业助手 Agent 的失败：用户让它起草一封邮件，它起草完直接调用了发送工具。文章给出的判定器只问一件事——有没有在无人确认时调用发送工具。这个看似简单的判定线，背后是三种不同层级的"完成"定义。这篇把三种定义拆开，讲清哪一层该写断言、留出集为什么要对改代码的 Agent 隐藏，以及把故障 trace 变成每日用例的实际成本。需...
- 一句话定位：这不是"AI 审得好不好"，而是"两个 Agent 互相审，会不会把对方拖死"——被测对象是审查循环能不能收敛，不是某条意见对不对。同样的收敛规则可迁移到自动修复循环、告警去重、多轮评审、机器人客服转人工等任何"自动化会自己叫停自己"的场景。 摘要Anthropic 的 Claude Code 团队在 2026 年 10 月 15 日公开了他们的代码审查流程：六层关卡，按风险分档... 一句话定位：这不是"AI 审得好不好"，而是"两个 Agent 互相审，会不会把对方拖死"——被测对象是审查循环能不能收敛，不是某条意见对不对。同样的收敛规则可迁移到自动修复循环、告警去重、多轮评审、机器人客服转人工等任何"自动化会自己叫停自己"的场景。 摘要Anthropic 的 Claude Code 团队在 2026 年 10 月 15 日公开了他们的代码审查流程：六层关卡，按风险分档...
- 本文揭示AI时代质量度量的核心陷阱：指标失真源于口径异化而非数量变化。当Agent驱动开发，提交数、PR量、CI通过率、覆盖率等传统指标纷纷“变味”。文章剖析四大失真场景，提出可落地的替代指标——聚焦“有效变更率”“回滚率”“门禁通过率”“变更隔离度”，强调质量报告的本质是衡量“对产出的理解力”，而非单纯计数。 本文揭示AI时代质量度量的核心陷阱：指标失真源于口径异化而非数量变化。当Agent驱动开发，提交数、PR量、CI通过率、覆盖率等传统指标纷纷“变味”。文章剖析四大失真场景，提出可落地的替代指标——聚焦“有效变更率”“回滚率”“门禁通过率”“变更隔离度”，强调质量报告的本质是衡量“对产出的理解力”，而非单纯计数。
- 本文聚焦训推精度一致性验证：同一权重下，不同并行切分（如TP/DCP）、量化配置或硬件环境是否导致逐token logprob逐位相同。强调不比“容差”，而验“bitwise一致”，为量化上线、混合云部署、多卡扩缩容等场景提供可落地的数值回归方法。 本文聚焦训推精度一致性验证：同一权重下，不同并行切分（如TP/DCP）、量化配置或硬件环境是否导致逐token logprob逐位相同。强调不比“容差”，而验“bitwise一致”，为量化上线、混合云部署、多卡扩缩容等场景提供可落地的数值回归方法。
- 本文剖析Anthropic对AI Agent记忆系统的评测实践，聚焦“错误记忆的存活时长与传播范围”，提出记忆信噪比与四层失效模型（会话记录、笔记、结构化表示、注入上下文），强调测试应覆盖写入质量、检索成本、内容时效与错误传播，并按任务类型分组验收，拒绝以笔记数量或规则合规性替代实效验证。 本文剖析Anthropic对AI Agent记忆系统的评测实践，聚焦“错误记忆的存活时长与传播范围”，提出记忆信噪比与四层失效模型（会话记录、笔记、结构化表示、注入上下文），强调测试应覆盖写入质量、检索成本、内容时效与错误传播，并按任务类型分组验收，拒绝以笔记数量或规则合规性替代实效验证。
- 腾讯混元Hy4是770B参数级开源大模型，首次集成视觉理解、Computer Use与长程Agent能力，在多模态推理、专业软件协同（如Blender/CAD）及跨应用任务规划上实现突破，面向AI架构师与企业级Agent开发者。 腾讯混元Hy4是770B参数级开源大模型，首次集成视觉理解、Computer Use与长程Agent能力，在多模态推理、专业软件协同（如Blender/CAD）及跨应用任务规划上实现突破，面向AI架构师与企业级Agent开发者。
- 摘要腾讯 Hy4 在第三方智能指数拿到 35 分、位居国内实验室第二，同时在 AA-Omniscience 上准确率 50%、幻觉率 89%——也就是说，它不知道答案的时候，89% 的情况会编一个出来而不是说不知道。这两个数字指向同一个问题：能力分和"知道自己不知道"的能力，是两套不同的东西。 本文拆开讲分数该怎么分层读、哪四个维度必须分开记、以及上线前必须补的三项测试。先说两组摆在一起会... 摘要腾讯 Hy4 在第三方智能指数拿到 35 分、位居国内实验室第二，同时在 AA-Omniscience 上准确率 50%、幻觉率 89%——也就是说，它不知道答案的时候，89% 的情况会编一个出来而不是说不知道。这两个数字指向同一个问题：能力分和"知道自己不知道"的能力，是两套不同的东西。 本文拆开讲分数该怎么分层读、哪四个维度必须分开记、以及上线前必须补的三项测试。先说两组摆在一起会...
- 摘要2026 年 11 月 5 日，Cursor 上线"Build Live Apps"：云 Agent 可以按一句话需求搭出 Web 应用、开 Postgres 数据库、配好 SSO 登录、部署到一个可分享的链接。发布前会跑确定性与智能体两类安全检查，必须由人显式点击发布才会上线，团队管理员能看到每个应用与密钥、能加审核规则、能下架。这套设计给了测试团队一个清晰的观察点：当 Agent ... 摘要2026 年 11 月 5 日，Cursor 上线"Build Live Apps"：云 Agent 可以按一句话需求搭出 Web 应用、开 Postgres 数据库、配好 SSO 登录、部署到一个可分享的链接。发布前会跑确定性与智能体两类安全检查，必须由人显式点击发布才会上线，团队管理员能看到每个应用与密钥、能加审核规则、能下架。这套设计给了测试团队一个清晰的观察点：当 Agent ...
- 摘要： 现在不少测试工程师已经习惯用 AI 辅助编写自动化脚本、生成测试用例，甚至搭建测试框架。但到了技术面试，面对“这段代码是你写的还是 AI 写的”，很多人反而不知道怎么回答。面试官真正关注的，可能不是代码由谁敲出来，而是你能否解释设计思路、发现生成代码的问题，并对最终交付的测试结果负责。本文通过具体的测试开发案例和模拟面试追问，拆解如何回答这个问题。 01. 面试官一句“这是 AI 写... 摘要： 现在不少测试工程师已经习惯用 AI 辅助编写自动化脚本、生成测试用例，甚至搭建测试框架。但到了技术面试，面对“这段代码是你写的还是 AI 写的”，很多人反而不知道怎么回答。面试官真正关注的，可能不是代码由谁敲出来，而是你能否解释设计思路、发现生成代码的问题，并对最终交付的测试结果负责。本文通过具体的测试开发案例和模拟面试追问，拆解如何回答这个问题。 01. 面试官一句“这是 AI 写...
- 摘要自愈测试正在从"换选择器"扩展到"改断言、改用例"。2026年11月1日，开源项目 Qwen Code 的发布说明里给自动修复加了一条很值得抄的规则：最多推3次修复就交回人类。本文拆解自愈的三种"修绿"方式、给出修复权限分级表，并说明怎样用一次受控失败证明你的用例还有验证能力。2026年11月1日，开源项目 Qwen Code 发布 v0.26.5，其中一条变更很不起眼但很关键：无人值... 摘要自愈测试正在从"换选择器"扩展到"改断言、改用例"。2026年11月1日，开源项目 Qwen Code 的发布说明里给自动修复加了一条很值得抄的规则：最多推3次修复就交回人类。本文拆解自愈的三种"修绿"方式、给出修复权限分级表，并说明怎样用一次受控失败证明你的用例还有验证能力。2026年11月1日，开源项目 Qwen Code 发布 v0.26.5，其中一条变更很不起眼但很关键：无人值...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签