← 所有标签

标签：评测

共 4 篇文章。

• 2026年9月17日

  Query Rewrite 对 RAG 召回的影响：怎么量化它到底有没有用

  多数 RAG 系统加了 Query Rewrite 却说不清收益。本文给出可落地的评测设计：拆分四类改写策略、构造对照集、用召回率与成本一起判断是否值得保留这一步。

• 2026年9月1日

  编程 Agent 重构任务横评

  Claude Code、Cursor、Codex CLI、Aider 在真实重构任务上的表现差异：拆分函数、消除重复、跨文件改名各有什么短板。

• 2026年8月15日

  AI 编程 Agent 内部基准设计

  讲清团队如何为 AI 编程 Agent 设计内部基准，覆盖任务集、评分维度、回归门禁与人审流程，避免只看公开榜单做错误优化。

• 2026年5月26日

  LLM 评测 Golden Set 构建方法

  系统介绍如何为 LLM 应用构建高质量评测基准集（Golden Set），涵盖数据采集、标注策略、维护机制与自动化评分实践，帮助团队建立可持续的模型质量体系。