2026.09.205 分钟 AI智能体评测 ↗生产评测应再加入：写入准确率与漏写率、检索 Recall@k/nDCG、冲突更新准确率、错误经验传播率、隐私删除完整性、跨租户泄漏率、p50/p95 延迟、每轮 Token/模型调用成本，以及最终任务成功率。所有公开分数都要记录 reader LLM、embedding、reranker、top-k、提示、数据版本和 judge；否则“同一基准”并不代表可比#Agentic#评测与可观测性
2026.09.203 分钟 AI智能体可观测性与故障归因 ↗评测回答“系统好不好”，可观测性回答“刚才发生了什么、为什么失败”。智能体包含概率模型、动态工具和外部环境，只记录最终文本无法定位问题。#Agentic#评测与可观测性
SUN / 笔记