LLM 评测与 Agent 工程笔记
sharpeye_wnl · x · 2026-07-14
作者今天主要在做几件事： - 研究 **LLM as a judge**，以及如何把它用到**非黄金数据集**的评测里 - 阅读 **Langfuse** 的评估文档 - 试玩 *First Flight 007*，准备继续推进 - 开始写一篇关于 **oops** 的深度博客，希望这次别再放弃 整体上是偏工程实践的日常笔记，重点在 agent / LLM 评估方法的探索。
sharpeye_wnl · x · 2026-07-14
作者今天主要在做几件事： - 研究 **LLM as a judge**，以及如何把它用到**非黄金数据集**的评测里 - 阅读 **Langfuse** 的评估文档 - 试玩 *First Flight 007*，准备继续推进 - 开始写一篇关于 **oops** 的深度博客，希望这次别再放弃 整体上是偏工程实践的日常笔记，重点在 agent / LLM 评估方法的探索。