● 高价率运营 AI 工作台：约定驱动与 AI 编排的评测优化实践

📌 一句话摘要 阿里大淘宝技术团队分享其基于约定驱动与 AI 编排架构，构建自动化评测体系将 Agent Skill 可用性从主观判断转变为可量化工程闭环的实践，重点剖析了评测集生成、双引擎架构、金标设计陷阱及飞轮挑战。 📝 详细摘要 文章详细介绍了「高价率运营 AI 工作台」的评测体系设计与实

● 北大提出首个可验证的仓库级生成基准 RepoZero，评测 LLM 能否从 0 生成一个代码仓库

📌 一句话摘要 北京大学与百度联合提出 RepoZero，首个可验证的仓库级代码生成基准，通过跨语言复现任务和自验证框架 ACE，评测 LLM 从零构建完整代码仓库的能力。 📝 详细摘要 本文介绍了北京大学与百度联合团队提出的 RepoZero，这是一个全新的代码生成评测基准，旨在评估大语言模型

● 让 Skill 自己训练自己：8 阶段 Loop、3 层评测、5 维 AND 门控，从此实现自进化

📌 一句话摘要 本文提出并实现了一个名为 skill-evolver 的自进化框架，通过融合 Karpathy autoresearch 的外循环、Anthropic skill-creator 的评测引擎和 Stanford Meta-Harness 的 trace 诊断思想，让 AI Skil

● 赛博斗蛐蛐：9 大模型决战三国志，天命在谁？

📌 一句话摘要 本文通过一场由 9 个旗舰大模型参与的「三国志」策略游戏对战，深度评测了各模型在复杂环境下的战略推理、外交博弈及资源管理能力，并分享了 AI 原生游戏的开发实践。 📝 详细摘要 作者利用 Vibe Coding（AI 辅助编程）构建了一个简化版的三国志策略游戏引擎，旨在通过 PV

● 专家见解：迈向以评测框架为中心的 AI 智能体开发

📌 一句话摘要 来自 Qwen 团队的林俊扬强调，对于 AI 智能体的成功而言，评测框架的重要性已超越了单纯的模型性能。 📝 详细摘要 针对“Meta-Harness”的发布，林俊扬（Qwen 团队）从技术角度阐述了 AI 开发格局的演变。他指出，智能体的表现日益依赖于评测框架的设计与质量，而非