页面加载中
Claims
Relations
Timeline
Evidence
核心分歧在于：评测应当前置，还是应该和产品迭代同步演进。
Why It Matters
这类页面优先沉淀关键分歧、支持证据、反向信号和继续阅读路径。
Agent 产品在进入更大规模之前，是否必须先建立可重复 eval、回放和回归体系？
这部分强调没有基线就无法判断能力进步，也很难让错误定位、提示词迭代和工具升级形成稳定闭环。
另一侧更看重尽快验证真实用户价值，认为评测应随着产品成熟逐步补齐。
Snapshot
Claims
围绕同一问题的不同判断会在这里集中展示。
归属对象：Lilian Weng
Relations
相关 KOL、主题和概念会帮助你判断这场分歧来自哪里。
Timeline
帮助你快速回看争议是如何演化的。
文章指出大部分 Agent 项目失败，根源在于没有针对真实任务建立可重复评估。
本周重点是评估工具和可视化调试工具，生产可用性明显提升。
Agent 思维正从软件任务扩展到机器人与实体流程自动化。
Evidence
支持与反向信号都会回到具体内容出处。