Agent评估与CI验证34篇

没有评测的 agent 迭代全靠感觉。这组 33 篇讲 evals 怎么落地：基准选择、LLM-as-judge 的坑、回归测试怎么进 CI、线上 shadow 评估，以及 SWE-bench 等基准的批判性分析。既有方法论，也有可以直接抄的流水线配置和真实团队的落地故事。想让 agent 质量可量化、每次改动有据可依的团队，从这组开始。