Agent 评测别把「调优 Loop」 跑成「刷题 Loop」

2026-09-11 分类：技术专栏 阅读(2) 评论(0)

今天 72 分，下周 81 分，再过两周 89 分。看起来系统在变强，prompt 更稳，工具调用更准，失败 case 越来越少。