一项最新研究提出了一种基于自然语言推理（NLI）和超图的无参考推理评估框架，旨在解决医疗等高风险领域中大语言模型长文本推理难以验证的问题，并在临床场景中击败了传统的“LLM作为裁判”方法。

深入解析Anthropic关于AI Agent评估的工程方法论。探讨从传统测试到动态评估的转变，涵盖Task、Grader架构，以及针对代码、对话及计算机操作Agent的具体测试策略，助你掌握Claude级开发心法。