Anthropic 详解如何为 AI 智能体设计评测
Anthropic 发布工程博客，系统讲解如何为 AI 智能体构建评测，覆盖编码、对话、研究和计算机操作四类智能体。文章给出从零到一的八步路线，包括先用 20-50 个来自真实失败的任务起步、编写无歧义任务与参考解、平衡正负样本、隔离环境、谨慎设计 grader 并阅读 transcript。
推荐理由：Anthropic 结合 Claude Code 等内部实践，给出从零搭建智能体评测的八步路线与常见陷阱。
技术方向
Agent 智能体 最新动态
能自己拆解任务、调用工具、一步步把事办完的 AI 智能体：Claude Code、Manus 等应用，各家 Agent 框架与评测。
124 条精选近 30 天 91 条共收录 987 条
更新
精选归档 · 第 7 页
Anthropic Engineering精选AI 评分6060
DeepSeek · 新闻精选AI 评分8888 DeepSeek 发布 V3.2 与 V3.2-Speciale 正式版模型
DeepSeek 发布 DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale 两个正式版模型，官网、App 与 API 均已升级为 V3.2。
推荐理由：官方给出两个正式版模型的基准对比与开源入口，可据此判断开源模型在推理与工具调用上的位置。
Anthropic Engineering精选AI 评分6666 Anthropic 介绍长时运行智能体的 harness 设计
Anthropic 分享了让 Claude Agent SDK 跨多个上下文窗口持续工作的 harness 方案，由初始化智能体在首次会话搭建环境，后续编码智能体每次只推进一个功能并留下结构化更新。
推荐理由：Anthropic 公开了让 Claude Agent SDK 跨多个上下文窗口持续开发的 harness 设计，包括初始化智能体、进度文件和逐项功能推进。
Anthropic Engineering精选AI 评分7878 Anthropic 在 Claude 开发者平台推出三项高级工具调用功能
Anthropic 在 Claude 开发者平台发布 Tool Search Tool、Programmatic Tool Calling 和 Tool Use Examples 三项工具调用功能，目前均为 beta。
推荐理由：Anthropic 公布三项工具调用能力的内部测试数据与适用边界，可据此判断大规模工具库下的上下文与准确率取舍。