标签
作者分享，在AI代理运行中记录失败比专注于成功或基准测试更有效，有助于系统改进，并邀请讨论评估实践。
本文介绍了分解算法选择中的部署保真度差距，证明了分区级评估可能与端到端系统性能不同，并对报告和基准测试有影响。