一、为什么 Agent 评测比 LLM 评测更难？ 传统 LLM 评测（现在当然更复杂维度更多元化）关注的是文本生成质量——回答是否流畅、事实是否正确、格式是否合规。但 Agent 是一个完整的系统，它要自主决策、调用工具、与环境交互、在多轮对话中保持状态。这意味着：  不能只看最终输出，还要看中间过程是否合理（中间过程非常重要） 不能只看单次执行，还要看重复执行是否稳定 不能只看功能正确性，还要看性能、成本、并发能力 不能只在单一场景测试，还要覆盖工具调用、长上下文、多轮对话等维度（工具调用的能力评测也是目前的难点与重点）  LLM 评测像测发动机，Agent 评测像测整车——必须综合考察在...

0offer0约面  

春招 boss 每天投满 150，3 月份一共 3 家约面， 一家实习 oc 眼高手低了没去，结果到了 4 月份一家面试也没有了😭😭，简历有问题吗？要不要出去大城市找工作啊😭😭

上周去面试一家AI创业公司的全栈开发岗，HR提前发了封邮件：请带上笔记本电脑，预装Claude Code或Cursor。我心想：不会是现场写代码吧？这也太刺激了。结果到了面试现场，面试官说了一句话让我彻底放松——又彻底紧张起来："不是让你写代码，是让你教AI写代码。"面试题长这样面试官给了我一个需求："用Go实现一个分布式限流器，支持令牌桶和滑动窗口两种算法，QPS不低于10万。你可以用任何AI工具，时限1小时。"然后他补了一句："我们评估的是你的方法，不只是结果。"我打开Cursor，开始拆解任务：先让AI生成限流器的接口定义和整体...