'LLM 应用的评估工程：从人工测评到 Eval-Driven Development 的方法论升级'
系统性介绍 LLM 评估体系，包括自建 Benchmark 和自动化评测流水线
分类
6 个页面
AI工程
'大模型应用的'最后一公里'：Evaluation-Driven Development 实践方法论'
Demo 跑通了不等于能上线。大模型应用从实验室到生产环境之间，隔着一道被严重低估的鸿沟——评估。本文提出 Evaluation-Driven Development（EDD）方法论，从指标定义、数据集构建、CI/CD 集成到持续监控，把评估变成和写单元测试一样日常的工程实践。
'企业级 RAG 系统的评估体系：从召回率到业务价值的量化度量'
很多企业上了 RAG，但没人说得清效果好不好。本文构建一套从检索质量到业务价值的四层评估框架，给出可直接复用的指标体系和评估流程。
'大模型 Agent 的上下文工程：从 Prompt Engineering 到 Context Engineering 的范式跃迁'
Agent 的能力天花板不在模型参数量，而在你喂给它的上下文质量。本文拆解从 Prompt Engineering 到 Context Engineering 的本质跃迁，结合 MCP 协议、记忆架构和工程化落地策略，用真实案例说明上下文工程如何让客服 Agent 准确率提升 40%。
'AI 编程工具的产品力竞争：从代码补全到全流程 Agent 的能力边界分析'
AI编程工具正在从代码补全升级到全流程Agent。本文构建AI编程产品力矩阵，对比Cursor、Copilot、Codex、Windsurf在需求分析、编码、测试、部署全链路的覆盖度和能力边界。
'MCP 协议与 Context Engineering：大模型 Agent 的记忆管理从 RAG 走向工程化'
从 Agentic RAG 延伸，聚焦 MCP 协议如何让 Agent 拥有结构化上下文，对比3种记忆架构，拆解 Context Engineering 的工程化落地路径。