Anthropic 详解 AI Agent 评测方法：从 grader 设计到落地路线图

Anthropic 发布长文，系统讲解如何为 AI Agent 设计可靠的自动化评测。文章区分任务、grader、transcript、评测框架等概念，介绍代码、模型、人工三类 grader，以及 pass@k 和 pass^k 两种非确定性指标，并按编码、对话、研究、计算机使用四类 Agent 给出对应评测方法。