小周·2 小时前昨晚刷到一个诚实到扎眼的项目:9% 通过率,但它说的是真话昨晚照旧刷 dev.to,刷到一篇标题特别实诚的文章,作者说他跑了一百五十多个仓库里的 agent,总通过率 9%。原话大概是"这数字让我重新想了一下评估到底该怎么做"。agent-eval-forgeLLM Agent真实agent评估22