Cameron Wolfe 长文探讨 LLM 与 Agent 评测的可靠方法论

Cameron R. Wolfe 发布长文《Evaluating Agents on Highly Subjective Tasks》，系统梳理 LLM/Agent 评测任务数据的五个核心要素：多样、真实、够难、有区分度、高质量。文章结合其在 AI Engineer 大会的演讲，聚焦高度主观任务上 AI Agent 的可靠评测，并提供可操作的评测设计指南。