Lyft 的真实用户评测闭环
AI Engineer · youtube · 2026-07-19
Nick Ung 讲的是 Lyft 如何给客服/代理系统做更接近真实生产的评测。
核心问题是：很多离线 eval 太“容易”——测试里的“客户”只是普通 LLM，完全不像真实用户那样烦躁、跑题、对抗性强，所以上线后会暴露出离线测不出来的失败模式。
Lyft 的做法是：
- 用真实 Lyft 乘客/司机对话微调一个对抗式用户模拟器，专门扮演情绪化、混乱、挑衅的用户；
- 搭建轻量的 eval harness，让工程师能用很少代码写 benchmark；
- 把 LLM judge 的 rubric 和人工标注做校准，尽量对齐标注一致性；
- 将生产中的失败轨迹持续回流到离线测试集，形成迭代闭环。
他们的客服代理系统大约处理 Lyft 客服问题的三分之一，规模是每月数百万次对话。这个案例的重点不是某个单一模型，而是如何把评测做成可持续的工程系统。
「编程与Agent」频道最新
- BELL stack 开源：浏览器+Agent 框架+iMessage+支付，一套搭个人智能体 — jeff_weinstein · 2026-10-27
- 法律 AI 公司 Legora 在 Modal 上并行跑 2000 个 agent eval — blelbach · 2026-10-27
- 两名工程师用 AI 3.5 个月重建 FedEx 供应商计费核心,原估 7-8 个月 — alex_verem · 2026-10-27
- AA 实测 GPT-6.1 Terra:编码 Agent 得 48 分,成本仅前代三分之一 — ArtificialAnlys · 2026-10-27
- Shift-1 模型路由器发布：编码 Agent 成本最高降 55% — ypatil125 · 2026-10-27
- 零基础用户用 Claude Code 两周 vibe coding 出一款 Godot JRPG — ADHDavid · 2026-10-27