文章

共 11 篇第 1–11 篇

1. 使用 Claude 自动化评估设计与爬山优化

   设计评估并针对其进行爬山优化而不自欺的原则，以及 claude-api 技能的 build-eval 和 hillclimb 命令如何将这些原则付诸实践。

   claude.dev2026年9月28日正文不完整

   阅读 00—

2. 使用 Claude Code：把精力花在刀刃上

   什么是真正的精力，以及在 Claude Code 中何时使用哪个级别——基于我对三个版本的亲身测试，以及对 Opus 5.5 和 Fable 5.1 上 Terminal-Bench 3.0 的深入研究。

   claude.dev2026年9月25日正文不完整

   阅读 00—

3. 我让 100 个智能体来黑我

   探索 2026 年被移除安全限制的开源智能体能走多远。

   Shrivu’s Substack2026年9月8日

   阅读 00—

4. 探索 Claude/GPT 知识截止日期与预训练时间线

   一篇略有趣味的分析，探讨模型知道什么，以及这揭示了它们是如何被训练的。

   Shrivu’s Substack2026年8月10日

   阅读 00—

5. 长周期应用开发的 Harness 设计

   Anthropic Engineering2026年3月24日

   阅读 00—

6. Claude Opus 4.6 在 BrowseComp 表现中的评估感知

   Anthropic Engineering2026年3月6日

   阅读 00—

7. 量化智能体编码评测中的基础设施噪声

   Anthropic Engineering2026年2月5日

   阅读 00—

8. 使用评估系统化地测试智能体技能

   OpenAI Developer Blog2026年1月22日

   阅读 00—

9. 设计抗AI的技术评估

   Anthropic Engineering2026年1月21日

   阅读 00—

10. 揭开 AI 智能体评估的神秘面纱

    Anthropic Engineering2026年1月9日

    阅读 00—

11. 理解 AI 基准测试

    解读前沿模型发布及其 SOTA 基准分数的技巧。

    Shrivu’s Substack2025年12月22日

    阅读 00—