Mikaela Grace、Jeremy Hadfield、Rodrigo Olivares、Jiri De Jonghe · Anthropic · 阅读材料
值得学什么
先确定通过意味着什么，再选择代码、模型或人的检查。原文提供从真实失败收集任务、检查判据与运行轨迹的实际流程。
准备
适合已有工具调用项目、能读基本测试代码的人。
动手试试
编辑练习：写五个成功条件明确的任务，另各造一个应失败和不应误拒绝的变体；用现有日志试判，记录错收与误拒绝。先写参考结果，不需要购买模型调用。
阅读依据
当日读取 2026-01-09 工程博客的结构定义、三类检查器、能力/回归测试区别，以及路线图第 0–8 步；不作新发布报道。
Agent 系统 · 评测与基准 · Agent Evaluation · Regression Testing · LLM-as-Judge