Agent 工程系统学习第 9 章：评测是把 Agent 开发从手工艺变成工程的分界线。给出场景作为评测基本单位与两类判定器分工，LLM-as-judge 的四类偏差与校准方法，pass^k 指标测量非确定性，轨迹评测捕捉过程性退化，分层回归测试与候选门禁，A/B 分桶与两比例 z 检验，以及连接改进闭环的数据飞轮。

完整版（含研究方法、逐条证据台账、口径冲突清单、常见误判澄清表、渐进式落地路线与 18 条参考文献）。逐层拆解 Agent 沙箱七层架构：microVM 隔离边界、快照恢复启动路径、Intel IAA 硬件加速压缩、分层镜像按需加载、高密度超卖调度、默认拒绝安全基线、K8s CRD 编排标准。锚定 Firecracker NSDI'20、Sabre OSDI'24、DeepSeek DSec arXiv 2609.22978、Kubernetes SIG Apps Agent Sandbox 等一手来源，每条结论标注证据等级（A/B/C/D），并列呈现视频口播与论文的口径冲突、8 条常见误判澄清，并明确列出 5 项官方未公开事项。

研究者提出ProbabilityBench基准，通过显式定义数据生成过程，在同行评审、隐蔽信息传递和信用风险三个模拟文本域中解析计算出精确的类别概率与贝叶斯误差，从而可基于KL散度直接衡量模型报告概率的质量。

幻觉不是 bug，是当前训练目标的内生属性：下一词预测的得分机制、知识以参数形式的有损存储、以及「承认不知道」缺乏激励，共同制造了自信的错误。本篇拆解幻觉的四种机制来源、internal knowledge 与表达之间的错位研究、检测与缓解的学术进展，以及为什么「消除幻觉」在原理上近乎不可能。

三周前涨星 +1,171 时它 76,479 星，今天 87,294 星、单日 +1,113 再次上榜。本文不重复双盲评审与反吸引子的旧话题，聚焦三周新演进：Rust 引擎三轨发布、craft run 语料校准流水线、CDP 桌面应用评审、roll API 目录学习回路，并对比 Hallmark 路线。

一份可直接照做的 Jev 实操手册（2026-09-22）：从 state/questions/answers 三件套与 Choice/Score/Noul 三种原语讲起，给出 state 设计、置信度三档路由与阈值标定，Speculative fan-out 与 Composite scoring 两大模式，四个生产级配方（客服分诊 / Agent 工具护栏 / 模型路由 / 上下文压缩），并逐条拆解官方披露的九类失败模式，附成本、限流、版本管理与一页速查表。

TypeSafe AI 的 Jev 全面开放，注册即得 5 美元额度（约 1.2 亿输入 Token），输出 Token 永久免费。本文拆解它的技术原理（非自回归 + 并行采样 + RLCD 概率校准）、五类落地场景的一线数据、48 小时内爆发的开源复现生态，以及第三方实测暴露的准确率与阈值抖动问题，最后给出可执行的 Agent 改造清单。

系列第 ① 篇，对应技能地图第 4 格「评估驱动开发」。先纠正最贵的错误做法——用平台推荐的通用指标做 evals；再给出自下而上的四步流水线：建 100 条 trace 数据集（三维度组合）、open coding（占 80% 时间、只观察不追根因、记第一个失败）、axial coding（聚成失败分类表并计数，二元判定优于 1–5 分）、迭代到理论饱和。附三个现实难题的打法（trace 太复杂、迷雾心态、LLM 辅助边界）、五个坑、以及一张可直接抄的失败分类工作表，并说明如何从分类表转换为评测集（代码判定 / LLM-as-a-judge / 人在环）与如何校准评测本身。

研究提出在闭环 Doom 环境中，由门控机制决定快速动作模型何时将控制权交给推理型视觉语言模型，并基于 900 道保留问题评估了 0.15B 到 9B 参数零样本决策模型在错误中的收集倾向、准确率与校准表现。

「央行印钱」是最流行也最失真的宏观叙事：现代货币的绝大部分由商业银行的贷款行为创造，央行只是控制「乘数的阀门」。本篇拆解基础货币与 M2 的层次结构、存款准备金率如何放大或收缩货币乘数、逆回购/MLF/降息三类工具的传导链，以及「看懂央行操作」对投资决策的三个实用信号。

基于 2026-09-22 独立研究整理：拆解 Meta Muse 的三层产品谱系与时间线、Secure VM 六层防护（凭据代理替换 / tainted egress / 审批绕过模型）、Muse Spark 1.3 能力口径（AA 指数 61–62 vs Claude Fable 5.1 的 66）、定价与商业模型、三情景推演与风险矩阵，并给出核心判断——Agent 的天花板由平台开放意愿决定，而非模型智力。

甲状腺激素是全身代谢的总油门：分泌过多（甲亢）时心跳快、怕热多汗、吃不胖；分泌过少（甲减）时心跳慢、怕冷水肿、精力枯竭。两极症状几乎处处相反，但都是可以被药物精准调控的慢性病——全球几千万人带着它们正常生活。本文讲清两极的机制指纹、化验单的读法、以及「要不要治、怎么治」的决策逻辑。

通用智能体赚声量，垂直智能体赚收入。法律、医疗、客服三个行业的智能体落地形态差异巨大——差异的根源不是技术，是各行业「错误成本、流程标准化程度、责任结构」的三元组。本篇逐行业观察落地的真实形态、卡点与共性规律。

招股说明书是上市公司提交给公众的第一份长答卷——几百页里藏着商业模式、财务真相、风险清单与募资去向。本篇给出一份按优先级排序的阅读路线（不必通读，五处必看）、财务数据的关键校验点、七面红旗信号（大客户依赖、应收暴增、对赌协议……），以及把招股书读成「排除工具」的正确心态。

「换了 reranker 感觉好了一些」「调大 chunk 之后好像更准了」——没有评测集，一切调优都是感觉。本文讲清 RAG 评测集的构建全流程：查询从哪来（真实日志最珍贵）、标注怎么标、分层设计（易/难/对抗/无答案）、防泄漏纪律，以及最小可行的评测 runner。

谷歌 Harness² 的双层递归要烧掉大量试跑 token，普通团队抄不动全套，但它背后的三条工程原则可以立刻用：把执行框架显式化为可编辑文件、没有执行证据不许沉淀经验、没有标准答案就用行为对比做探测。本文把它们翻译成八组件资产清点、EXPERIENCE.md 经验模板、盲选式 A/B 试跑与四道防退化护栏，并给出一个最小可行闭环。

FDA 批准的 AI 医疗器械已超 1600 个，四分之三以上是影像产品；但深挖审批数据会发现，做过前瞻性临床测试的只有 5%。本文讲清影像 AI 为什么跑赢所有医疗 AI 赛道、审批繁荣背后的证据缺口，以及从获批到「医院真用、有人付钱」之间还隔着什么。

AI 没有消灭交付瓶颈，只是把瓶颈从"写代码"搬到了"验证代码"。本文基于 2 篇 arXiv 论文、DORA 2025 报告与 2026 年三份行业基准（LinearB 8.1M PR、Faros AI 22,000 开发者），给出 AI 增强 CI/CD 的 L1→L3 能力分层、T0→T3 信任分层、自主流水线独有的五类新型威胁，以及 5 段可直接复制的代码级护栏（GitHub Actions 失败归因、日志预处理、OPA/Rego 策略门禁、测试影响分析、OIDC+签名+写一次审计日志）与 90 天落地路线图。关键数据：任务吞吐 +33.7% 但评审耗时 +441.5%、生产事故/PR 比值 +242.7%；AI PR 30 天合并率 32.7% vs 人工 84.4%；论文实验中 Lead Time −35%、CFR −38%、MTTR −43%，AI 干预准确率 87.5%、人工否决率 14.3%、零策略违规。

Google 联合多校开源 RRSI 框架，在冻结 LLM 前提下自动进化智能体 harness，并用正则化抑制基准过拟合，8 项基准最高提升 14.1 分。

拆解 GitHub 14.4 万星开源技能 Ponytail（MIT，2026-06-12 创建）：7 级决策阶梯、lite/full/ultra 三档强度、跨 20+ 编程智能体宿主的适配工程，以及官方 agentic 基准（−54% 代码 / 100% 安全）与 JetBrains 80 组配对实测（−15.4% 代码 / −10.3% 成本，p=0.004）的三次基准对撞；附设计系统、小模型、指令层三大边界与 6 条落地清单。

聊 AI 治理不能只聊欧盟与中国：美国的联邦-州双轨博弈、英国的「安全研究所路线」、新加坡的框架治理、G7 与联合国的国际机制——每个辖区都在用不同的哲学回答同一个问题。本文补全全球治理地图上「除中欧外」的部分，看清各条路线的分野与合流。

前 K 个高频元素是「选前 K」家族的第二课（第一课是快速选择）：计数之后，堆的 O(n log k) 与桶排序的 O(n) 是两条路线。本文讲清堆解法的通用性、桶排序的空间换时间、以及「前 K 问题」的选择决策树。

最长回文子串是回文系列的第一道正餐：暴力 O(n³) 不可接受，动态规划要 O(n²) 空间，而中心扩展用 O(1) 空间、O(n²) 时间优雅解决。本文讲清中心扩展的直觉、奇偶回文的边界处理、以及 Manacher 算法的一瞥。

打新曾是无风险套利的代名词，如今 A 股破发常态化、港股打新是概率游戏——「打新」从福利变成了需要算期望值的事。本篇拆解 A 股市值配售与新股竞价机制、港股认购倍数与暗盘的玩法，给出中签率、破发率与期望收益的三步计算法，以及什么样的新股值得打、什么样的直接放弃。

全排列是回溯算法的第一课：「选择→递归→撤销」的三步循环，是所有回溯题（子集、组合、N 皇后、数独）的共同骨架。本文讲清回溯的状态管理（used 数组与路径）、为什么这题不需要「去重剪枝」、以及从全排列到子集——两种遍历决策树的差异。

一个闭源模型最值钱的资产是权重，而权重可以通过 API 被系统性「抽取」：用大量查询与输出对训练出一个行为高度相似的「影子模型」。蒸馏攻击、成员推断、系统提示窃取——模型窃取已经从学术攻击变成了真实的商业争议。本文讲清模型窃取的技术谱系、真实的攻防案例与防御的现实边界。

「头晕」是门诊最常见的主诉之一，但「头晕」这个词里装着完全不同的病：天旋地转的眩晕、站不稳的失衡、眼前发黑的昏厥前感——它们的病灶分别在耳朵里的平衡器官、神经系统与心血管。绝大多数眩晕是良性且可手法治愈的（耳石症），而少数伴随神经症状的眩晕是脑干的重症警报。本文讲清三者的鉴别与该挂哪个科。

当代旗舰大模型的「万亿参数」几乎都由 MoE（混合专家）撑起：参数规模狂飙，单次推理只激活一小部分。本篇拆解 MoE 的路由机制、负载均衡的核心难题、专家分工的实证发现，以及 Switch Transformer 到 DeepSeek-V3 的细粒度演进——理解为什么「稀疏」是规模竞赛的必选项。

智能体生态正在经历每个新平台都经历过的周期：概念过热、供给过剩、整合出清、稳态分层。本篇不做涨跌预言，而是给出周期的阶段判断框架、每个阶段的生态信号、整合期的幸存者画像，以及参与者（开发者、企业、投资者）在各阶段的错位行为清单。

2009 年底开始，丰田在全球接连召回近千万辆汽车——脚垫卡油门、油门踏板缺陷、混动刹车异常接踵而至。这家以品质神话著称的公司，起初的回应却是「否认、拖延、轻描淡写」，直到美国国会听证把总裁丰田章男逼到证人席。这场危机让「丰田=可靠」的核心资产一夜动摇，也暴露了快速全球化之下品控与危机文化的断层。

再平衡是资产配置的「维护程序」：把漂移的配比拉回目标，机械地卖涨买跌。本篇讲清再平衡为什么有效（它赚的是均值回归的钱）、日历法与阈值法的选择、带宽设置的算术、税费与摩擦成本的控制，以及它在单边牛市里的「心理成本」——读完能把「偶尔想起来调一下」变成一套可执行的纪律。

排序是算法的手工基础课：快排的分治与分区、归并的稳定合并、堆排序的原地选择，三种 O(n log n) 各有性格。本文用可运行的实现对比三者、讲清稳定性与原地性的取舍、以及面试与工程中「什么时候手写、什么时候用库」的边界。

一切超时与延迟测量的地基是内核时间子系统。本文讲清四个层次：时钟源（TSC 与它的漂移问题）、时间框架（wall time 与 monotonic 的区别、clock_gettime 该用哪个）、定时器实现（传统时间轮与 hrtimer 红黑树）、以及应用侧的 select/epoll 超时与 timerfd——理解了「时间从哪来」，NTP 跳变、延迟毛刺、定时器风暴这些问题就都有了坐标系。

排序是算法的手工基础课：快排的分治与分区、归并的稳定合并、堆排序的原地选择，三种 O(n log n) 各有性格。本文用可运行的实现对比三者、讲清稳定性与原地性的取舍、以及面试与工程中「什么时候手写、什么时候用库」的边界。

评级是债券世界的通行证：AAA 与 BBB 之间隔着的不只是几个字母，是融资成本、可投性资格与危机生死线。本篇讲清评级符号体系与投资级/投机级的分水岭、评级如何通过利差决定融资成本、下调评级的连锁反应（被迫卖出螺旋），以及发行人付费模式的结构性利益冲突——读完能带着折扣使用评级，而不是盲信。

「上下文切换 1 微秒」是流传最广的性能迷信——直接成本确实小，间接成本才是大头。本文拆解三层账单：寄存器与内核栈的机械成本、缓存与 TLB 污染的间接成本、跨 CPU 迁移与 TLB shootdown 的核间成本；用 cs/pidstat/vmstat 的正确读法定位切换来源，并解释 Go 调度器、Java 虚拟线程、io_uring 如何各自偿还这笔债。

「支持 1M 上下文」与「用好 1M 上下文」之间隔着一道位置偏差的沟：模型记得开头与结尾，中间的信息像掉进黑洞。本篇拆解 Lost in the Middle 的实验发现、位置编码与注意力分布的机制解释、检索增强与重排序的工程对策，以及「位置偏差能不能被训练掉」的开放问题。

每天掉 50-100 根头发是正常的毛囊轮休，真正需要处理的是三种病：雄激素性脱发（最常见、可药物控制）、斑秃（免疫误攻、多数可自愈或治疗）、休止期脱发（分娩、大病、节食后的集体罢工）。本文讲清毛发的生长周期、怎么判断自己属于哪一种、米诺地尔与非那雄胺的真实疗效、以及植发适合谁不适合谁。

层序遍历是 BFS 的第一课进阶：不只按层访问，还要「按层分组」输出。核心技巧是「按层处理循环」——外层 while 管层数、内层 for 管本层节点，队列的长度快照就是本层的边界。本文讲清分层技巧、它的三个杀手级应用（最短路径、右视图、之字形），以及 BFS 的「最短性」为什么成立。

层序遍历是 BFS 的第一课进阶：不只按层访问，还要「按层分组」输出。核心技巧是「按层处理循环」——外层 while 管层数、内层 for 管本层节点，队列的长度快照就是本层的边界。本文讲清分层技巧、它的三个杀手级应用（最短路径、右视图、之字形），以及 BFS 的「最短性」为什么成立。

AI 的下一个大市场不在云端在端侧：AI 手机的通话翻译与图像处理、AI PC 的本地大模型、可穿戴的常驻智能——「把 AI 装进口袋」正在重写消费电子的换机逻辑。本文讲清端侧 AI 的技术约束（功耗、内存、散热）、小模型的演进、端云协同的架构，以及这场换机潮的真实与虚火。

AI 产品最脆弱的用户是儿童：AI 生成的儿童性虐待材料成为执法机构的新战场，AI 陪伴应用对未成年人的情感操纵引发诉讼，算法推荐把孩子推向有害内容的能力空前。儿童保护在 AI 时代被推到安全议题的最前排——本文讲清风险的三个层面、监管的响应与设计伦理的底线。

RLVR 用「答案对不对」训练推理模型，但答案可验证的领域有限，且只看结果无法指出「哪一步错了」。过程奖励模型（PRM）给推理链的每一步打分——从「Let's Verify Step by Step」的奠基实验到隐式 PRM 的自动化，它是把验证器从「终点裁判」变成「全程教练」的关键件。本篇拆解 PRM 的机制、数据难题与演进路线。

前 K 个高频元素是「选前 K」家族的第二课（第一课是快速选择）：计数之后，堆的 O(n log k) 与桶排序的 O(n) 是两条路线。本文讲清堆解法的通用性、桶排序的空间换时间、以及「前 K 问题」的选择决策树。

最长回文子串是回文系列的第一道正餐：暴力 O(n³) 不可接受，动态规划要 O(n²) 空间，而中心扩展用 O(1) 空间、O(n²) 时间优雅解决。本文讲清中心扩展的直觉、奇偶回文的边界处理、以及 Manacher 算法的一瞥。

全排列是回溯算法的第一课：「选择→递归→撤销」的三步循环，是所有回溯题（子集、组合、N 皇后、数独）的共同骨架。本文讲清回溯的状态管理（used 数组与路径）、为什么这题不需要「去重剪枝」、以及从全排列到子集——两种遍历决策树的差异。

IPC 是多进程架构的血管。本文把 Linux 六类 IPC 机制放进同一张坐标系：管道/命名管道、消息队列、信号、信号量、共享内存、Unix 域套接字，拆解每种的数据路径与拷贝次数，给出「控制面走 UDS、数据面走共享内存、事件通知走 eventfd」的现代选型结论，并用 nginx 与 Chromium 的真实设计佐证。

金融业是 AI 最早商业化的行业之一（风控评分早于大模型十年），也是大模型落地最谨慎的行业——监管、精度与责任的三重约束。本文沿着「落地光谱」梳理 AI 在金融业的真实渗透：哪些环节已大规模落地、哪些在试点、哪些因监管与风险被刻意按住，以及金融业给其他行业的 AI 落地示范了什么。

「你看人家谁谁谁」是流传最广的激励话术，也是被研究否定得最干脆的一个：社会比较激发的不是上进心，而是羞耻、嫉妒与关系损伤——它 benchmark 错了对象。本文讲清社会比较的心理学机制、向上比较与向下比较的不同毒效、比较的正确替代品（自我参照），以及家长自己的比较焦虑怎么处理。

「他怎么不跟别的小朋友玩」是幼儿园家长的经典焦虑，而答案常常是：那个年龄的孩子本来就不「跟别人玩」——同伴交往有自己的发育时间表：独自游戏、平行游戏、联合游戏、合作游戏，各有各的使命。本文讲清这个阶梯、冲突在友谊里的正面功能、以及家长在孩子的社交课里该站哪个位置。