Anthropic 发布 AI 智能体评测指南

Anthropic Engineering 发布 AI 智能体评测指南，系统拆解如何针对多轮调用、环境状态变更和非确定性输出构建可信评测体系。文章针对编码、对话、研究和电脑使用四类常见智能体，总结了结合代码断言、大模型裁判和人工校验的评分设计，并给出从 20 到 50 个真实用例起步的评测落地路径。