为什么你的 AI Agent“越改越差”？Anthropic 总结了 8 步评测方法

Agent 上线后用户觉得它变笨了：改好一个问题，另一个功能又坏。Anthropic 称之为盲飞，并总结 8 步评测法：从真实失败提炼任务，组合三类评分器，把“感觉变差了”变成可追踪的任务失败。