技术文章

Android Bench 2.0 保留 Pass rate 作为硬门禁，再用 Completion rate 解释长任务已经完成多少，以及问题卡在哪一类验收。

用 519 条海外公开 JD、28 条国内大厂岗位和 6 个真实项目，拆解 FDE 的职责、增长、国内落地、成本与规模化条件。

TypeSafe Jev 用 Choice、Score 和 Noul 处理 Agent 的受约束决策，让模型负责模糊判断，代码继续掌握合法动作和副作用。

Anthropic 与 Accenture 的 embedded evaluator 计划把评测范围从模型输出扩展到训练、部署、监控和事故流程，也暴露出独立性边界。

Alibaba skill-up 的 stateful 多轮模式逐轮恢复真实 Session，让 Agent Skill Eval 能检查上下文连续性、中间状态和逐轮断言。

Claude 把 Chat 与 Cowork 合并到同一会话，把能力路由交给系统，同时保留任务状态和权限确认，给 Agent 产品一个具体 UX 边界。

Gemini Live Extended Thinking 把对话回合与后台任务生命周期拆开，客户端需要用 interaction_status 管理真正的完成状态。

拆解 AWS 如何用确定性工作流分开 Agent 提案、规则验证、人工审批和真实执行，让模型负责候选方案，代码负责边界与幂等。

从 GitHub Agentic Workflows 的 jsweep 看 Agent 如何先判断有没有值得修改的目标，把 noop 作为正式结果，而不是为了自动化强行制造改动。

拆解 Herdr 如何接管现有 Coding Agent 所在终端，提供持久会话、阻塞状态、跨机器控制和 Agent 协作，而不重写底层 Agent。

拆解 Google Cloud Developer Plugin 如何把 Skill、MCP 配置和规则按 Agent Plugins 规范打包，暴露跨 Coding Agent 的分发、版本与权限问题。

从 Anthropic Agentic Search 事故复盘看自动监控和 LLM grader 的漏检问题，说明 Agent Eval 也需要覆盖率、独立性和失效模式测试。