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
- Hermes Agent 重构提案引入 RIA 与 Logic Bus 规则 — Promptmethus · 2026-07-22
- Devin 接入 e2b 沙箱，支持远程 agent 执行 — badphilosopher · 2026-07-22
- LangChain 为四个语音框架加入 LangSmith tracing — LangChain · 2026-07-22
- Hermes Agent 架构重构提案：拆分单体与事件总线解耦 — Promptmethus · 2026-07-22
- ty 现在可读取 Pydantic 配置关键字和字段元数据 — charliermarsh · 2026-07-22
- Pensar推出AI安全智能体：自动挖掘0day并完成修补 — andriy_mulyar · 2026-07-22