别再拿十道题测模型了：一个能真正比较三家 API 的 200 题评测脚手架
模型选型最常见的“伪严谨”，是准备十几道题，然后把 GPT、Claude、Gemini 各问一遍。
SWE-Bench 高就一定会写项目？一篇 GH200 实测给了三个反例
这两年选 Coding Model，SWE-Bench 几乎成了必看榜单。
手搓生产级 AI Agent 系统（13）：别让所有任务都上旗舰模型——路由、预算和降级
前十二篇把生产级 Agent 的执行链路基本补齐了：任务理解、Tool Calling、状态、Memory、Planner-Executor-Reviewer、Checkpoint、人工审批、多 Agent、安全沙箱和发布评测。
离线评测分数很高，线上用户为什么仍然不满意？数据分布与任务成功率排查
离线集可能过于干净、静态和均衡，无法覆盖线上噪声、权限、长对话、超时和真实业务结果。
离线Benchmark、影子流量与金丝雀评测怎么选？AI质量验证指南
AI发布前后可以使用离线数据集、影子真实流量和小比例金丝雀，本文比较风险与反馈真实性。
LLM-as-a-Judge评分忽高忽低？位置偏差、长度偏差与校准排查
评审模型会受答案顺序、长度、措辞、自身模型偏好和Rubric模糊影响。
用Spring Boot搭建AI发布质量门禁：离线评测、影子流量与金丝雀决策
实现统一质量门禁服务，汇总离线报告、影子指标和金丝雀业务结果，输出发布、暂停或回滚决定。
AI应用评测与质量保障（1）：从离线评测到线上质量门禁
建立覆盖数据集、规则、Judge、影子流量、金丝雀、用户反馈和发布决策的完整质量体系。
Code Interpreter临时文件为什么泄露到其他任务？工作目录与生命周期排查
多个任务复用容器、工作目录或缓存时，前一个用户生成的文件可能被后续任务读取。
容器沙箱、MicroVM与远程执行服务怎么选？Agent代码执行架构指南
Agent代码执行可以使用普通容器、MicroVM或独立远程执行平台，本文比较隔离、启动速度和运维成本。
Browser Agent遇到验证码和登录循环怎么办？会话、人工接管与站点策略排查
浏览器Agent在验证码、MFA、会话过期和反自动化策略前可能不断刷新或重试。
用Spring Boot搭建Agent安全执行网关：代码沙箱、浏览器会话与审计
实现统一安全执行网关，对代码、浏览器和文件任务应用策略、资源限制、审批和审计。
手搓生产级 AI Agent 系统（11）：代码与浏览器沙箱、安全执行与风险控制
实现Execution Policy、任务级沙箱、网络与文件限制、浏览器人工接管和Artifact治理。
多Agent协作时为什么总是传递旧上下文？状态版本与消息边界排查
子Agent读取的状态可能是任务开始时快照，而不是其他Agent刚更新的最新结果。
Supervisor、Handoff与Blackboard怎么选？多Agent协作模式指南
多Agent可以由Supervisor集中调度、Agent间直接移交，或通过共享Blackboard协作。
并行Sub-Agent为什么让Token成本暴涨？并发、上下文复制与预算排查
并行执行会复制System Prompt、工具Schema、历史和检索上下文，Agent数量翻倍时成本可能超过线性增长。
用Spring Boot实现预算感知的多Agent编排器
实现Supervisor分解任务、受控并行Worker、版本化共享状态和预算结算。
手搓生产级 AI Agent 系统（10）：多Agent协作、Supervisor与共享状态
实现Agent能力目录、Supervisor、任务DAG、受控并发、共享状态合并和结果聚合。
Agent从Checkpoint恢复后为什么重复调用工具？步骤提交与副作用幂等排查
Checkpoint保存时间点不正确时，恢复后会重新执行已经产生副作用的工具。
数据库Checkpoint、事件溯源与工作流引擎怎么选？Agent持久化指南
Agent持久化可以保存最新快照、完整事件或交给工作流引擎管理。本文比较恢复粒度和复杂度。