<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[u010190865的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/u010190865</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; u010190865]]></copyright><item><title><![CDATA[番外｜让编程 Agent 写一次技术文章，为什么能反过来改进项目？]]></title><link>https://blog.csdn.net/u010190865/article/details/169846149</link><guid>https://blog.csdn.net/u010190865/article/details/169846149</guid><author>u010190865</author><pubDate>Mon, 02 Nov 2026 18:11:24 +0800</pubDate><description><![CDATA[本文探讨在AI编程项目中，通过让AI撰写技术文章来突破人与AI共有的“惰性”——即沿用已有方案、忽视跨模块关联。文章揭示，写作迫使AI显化隐含假设、引入外部方案对比，并生成可验证的改进任务，从而发现连续开发中被忽略的问题。该方法有效推动工程优化与科研问题提炼，助力从功能实现跃迁至可研究的科学问题，为智能体开发流程提供闭环反馈机制。]]></description><category></category></item><item><title><![CDATA[Agent 总是验收失败？给验收规则做一编译检查]]></title><link>https://blog.csdn.net/u010190865/article/details/169840310</link><guid>https://blog.csdn.net/u010190865/article/details/169840310</guid><author>u010190865</author><pubDate>Mon, 02 Nov 2026 16:03:37 +0800</pubDate><description><![CDATA[本文从 AI Tutor Engine （信科院智能助手）中“全部必需”与“任选一种”的证据表达出发，检查规则声明、执行逻辑和采集能力之间的关系，并实现一个可运行的 Python 规则检查器。可真正需要修改的，可能是验收规则：文案表达了选择关系，配置却把两种材料都放进必需列表。它说明规则检查必须读取执行语义：一份适配原项目的检查器，应提示作者检查“声明为必需但运行时忽略”的条目，以及可选来源在不同字段中的不同作用。发布时，应在同一份构建产物内生成、核验和使用配置，避免“检查完旧配置，随后替换成新配置”。]]></description><category></category></item><item><title><![CDATA[AI Agent 验收未通过之后：评审意见如何进入下一轮指导？]]></title><link>https://blog.csdn.net/u010190865/article/details/168544634</link><guid>https://blog.csdn.net/u010190865/article/details/168544634</guid><author>u010190865</author><pubDate>Tue, 20 Oct 2026 12:50:32 +0800</pubDate><description><![CDATA[本文聚焦AITutorEngine验收后反馈传递问题，揭示默认路径中详细评审意见未自动注入模型上下文，导致指导失效。通过分析前端、服务端与模型请求三重断裂，提出基于提交与评审顺序的反馈契约：按序号选取最新有效反馈、限制上下文预算、更新过期意见，并以独立参考实现与请求级适配测试验证规则可行性。虽未完成生产部署或真实模型评估，但明确了反馈传递的工程前提，为后续指导有效性奠定基础。]]></description><category></category></item><item><title><![CDATA[AI Agent 交付物验收：Evidence Pipeline 自动验收链路工程实现]]></title><link>https://blog.csdn.net/u010190865/article/details/167698546</link><guid>https://blog.csdn.net/u010190865/article/details/167698546</guid><author>u010190865</author><pubDate>Mon, 12 Oct 2026 17:13:41 +0800</pubDate><description><![CDATA[本文以AITutorEngine为例，系统拆解了Rubric验收链的完整执行流程：从证据采集、Precheck类型校验，到CI直判、LLM语义评审与确定性聚合。核心设计是“程序负责约束，模型负责语义”，通过统一CI证据契约、明确证据存在性与通过性的区别，实现可复现、可验证的自动验收。当前方案虽依赖人工权重、自由字符串证据键，且存在边界未覆盖问题，但已构建可执行的工程闭环。下一步需向可校准、可解释的可靠性体系演进。]]></description><category></category></item><item><title><![CDATA[AI Agent 交付物验收：Rubric 验收标准设计与生效验证]]></title><link>https://blog.csdn.net/u010190865/article/details/167496974</link><guid>https://blog.csdn.net/u010190865/article/details/167496974</guid><author>u010190865</author><pubDate>Sat, 10 Oct 2026 22:22:49 +0800</pubDate><description><![CDATA[本文基于AITutorEngine真实代码，剖析Rubric设计中的常见陷阱：字段定义≠实际生效，required_evidence与pass_condition需分离，evaluation_role决定阻断权，证据预检存在类型歧义。通过一次CI验收失败的追踪，揭示配置合理却无法进入直判的链路断点，指出字段未消费、类型校验缺失、测试过期等问题。强调验证规则需端到端可追溯，建议强化运行时校验与回归测试，确保验收标准真正落地。]]></description><category></category></item><item><title><![CDATA[AI Agent 交付物验收：Evidence 证据采集的工程实践]]></title><link>https://blog.csdn.net/u010190865/article/details/167128378</link><guid>https://blog.csdn.net/u010190865/article/details/167128378</guid><author>u010190865</author><pubDate>Mon, 05 Oct 2026 17:12:37 +0800</pubDate><description><![CDATA[本文聚焦Agent任务验收中的证据采集工程实践，提出“自述≠硬证据”核心原则，强调基于Rubric定义需求后，从GitHub、CI、Issue等多源采集证据，并进行分级（如CI为强证据，报告为语义证据），避免全仓库输入与假证据陷阱。通过统一证据字典、证据快照哈希实现归一化与缓存优化，确保证据预检先行、缺证不调用LLM，最终构建可核验、可解释的自动化评估链路，推动验收从“LLM猜测”迈向“证据驱动”的工程化体系。]]></description><category></category></item><item><title><![CDATA[AI Agent 任务完成度如何评估？从 Response Evaluation 到 Deliverable Evaluation]]></title><link>https://blog.csdn.net/u010190865/article/details/167038769</link><guid>https://blog.csdn.net/u010190865/article/details/167038769</guid><author>u010190865</author><pubDate>Sat, 03 Oct 2026 20:41:45 +0800</pubDate><description><![CDATA[本文提出Agent任务验收应从“评估回答”转向“验证交付物”，针对LLM自评不可靠的问题，设计四阶段评审流程：证据预检、CI直判、语义判断与状态聚合。通过“确定性规则+LLM语义判断”结合，实现证据充分性识别、零冗余调用与可复现评分，明确区分代码、运行、测试等真实产物的验证逻辑，并引入“NEED_REVIEW”状态应对证据不足。方案在AITutorEngine中落地，强调职责分离：代码处理事实与总分，LLM专注语义判断，避免模型承担不可控任务。当前仍限于外部取证，不执行代码，边界清晰，为复杂Agent系统提]]></description><category></category></item></channel></rss>