#Eval

生產級 LLM 可觀測性與評估：沒有 eval 的 agent，等於沒有測試的軟體

你改了一句 prompt、換了個模型，怎麼知道系統變好還是變壞？拆解 eval harness（黃金題庫、LLM-as-judge、回歸測試）、agent 的 tracing（每一步檢索/工具/模型的 span）、token 與成本監控，以...