OpenAI 开发者博客讲解如何用 Evals 系统化测试 Codex Agent 技能
OpenAI 开发者博客发布教程，讲解如何像测试 LLM 应用一样，用 evals 系统化评估 Codex 的 Agent 技能。核心流程为定义可度量的成功标准、用 $skill-creator 创建技能、以 codex exec -- 捕获 JSONL 轨迹做确定性检查，再用 --output-schema 输出符合评分规则的 JSON 做风格等定性评估。
AI 编码 大事记
重要进展 IMPORTANT_PROGRESS
2025-02-17 — 2025-02-17
重要进展 · 第 56 / 105 页
SWE-Lancer 评测真实付费软件工程任务
SWE-Lancer 从真实自由职业任务构建工程实现与管理决策评测，通过端到端测试衡量模型能否完成实际有偿工作。
AI 编码 精选历史资讯
— · 2 条
精选资讯 · 第 1 / 1 页
Cognition 发布 AI 代码审查工具 Devin Review
Cognition 发布 Devin Review，一款针对 GitHub PR 的 AI 代码审查工具，称代码审查已成为 AI 编程时代的瓶颈。
分类
排序
暂无内容