AI 评估

2026年7月12日

Hamel Husain 和 Antaripa Saha 拿 100 条真实生产 trace、39 个已知失败，横评了 Braintrust、Arize、LangSmith 三个评估平台和 Claude Code、Codex、Factory Droid 三个通用 coding agent - 成绩各有高低，但所有系统都漏掉了同一类 failure，引出 criteria drift 与人在回路的评估方法。