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...

这样是挂了么

xdm 早上喝奶茶差点喷出来。事情是这样的，我们班有个哥们儿，简称 L，去年秋招拿了字节sp，专业方向是后端。我们当时都震惊：这哥们儿平时课上从来不发言，期末小组作业基本是划水的那种，刷题平台 commit记录我点进去看过，绿格子稀稀拉拉。但他面试一路绿灯。一面二面三面 hr 面，全过，给的还是sp。当时班级群里恭喜他的、问他经验的、约饭的，热闹了一周。他说自己"运气好，准备充分"。我们都信了，直到三月初他入职。入职第二周开始，班里另一个进字节的同学W（在隔壁组的）开始跟我他的不对劲。一开始是写代码慢，后来写不出来，再后来是组里 mentor 让他fix 一个简单 bug 都搞了一下午没动静。最离谱的是上周。W 说他们大部门搞了个新人分享会，让新人讲一下自己负责模块的设计思路。L 上去讲了 20分钟，全程念稿子，问答环节别人随便问一个"那你这里为什么用 Redis 不用 Memcached"，他直接卡 30秒说"这个我回去再确认一下"。会后他 mentor 直接找 leader 谈，leader 找 hr 谈，hr调出了他面试录像，全程对比口型和回答节奏，发现他二三面有大量时长在偷偷看屏幕外（推测开了双机位 AI 答题）。（这段是 W后来转述给我的，他自己也是听他组里同事八卦来的）昨天下班前，W 告诉我L 被辞退了，让他自己走，不走就走仲裁但会发函到学校。L 现在已经回学校了，朋友圈仅三天可见。我说真的，我不是个心眼小的人，但是我看到这个消息的时候真的有种"嗯，挺好"的感觉。去年秋招我投字节后端，简历挂。我准备了八个月，背 八股 + 刷 500 题 +项目改了三版，连面试机会都没拿到。班里这哥们儿凭着一个外挂上岸，最后还是被甩出来了。不是说作弊就一定会被发现，但是当面试拿到的 offer远远超出真实能力的时候，迟早会有这一天。试用期三个月不是给你过家家的，是真的要写代码、要在会议上回答问题、要扛需求的。我现在反而有点同情他。同情他相信"上岸就是终点"。发出来不是为了嘲笑谁，就是想说给那些正在被身边作弊上岸的同学搞得很 emo 的 uu 们听——别急，回旋镖很长，但它一定会回来。你继续刷你的题，写你的项目，背你的八股。该是你的迟早是你的，不是你的早晚还得还回去。xdm 共勉。

5.12终面1.自我介绍2.参加过的项目里面选一个讲讲，项目内容和工作流程3.承接上一问，该项目包括哪些子任务，用到哪些软件4.承接上一问，你在其中负责哪些子任务，项目是否落地，实物5.就业规划如何6.上一问没回答好，又问想从事的行业有哪些7.感觉还是上一问没回答好，问想在哪些城市工作8.可实习的时间是多少，是否跟老师沟通9.参加实习能否保证准时毕业10.反问我觉得我的终面发挥的不好，根据牛客的面经准备了好多草稿，但是只有一点帮助。当时回答第五问的时候，我确实脑子一片空白，我没有参加过工作，只是个闷头学习做事的呆子，对整个就业市场完全迷茫。我脑子里只浮现出钱多事少离家近，但是这个回答显然不行。...