传统测试都通过了，怎么证明 Agent 真的变好了
传统测试只能证明代码没坏，无法评估 Agent 是否真正变强。需要引入 Eval：用固定任务集、统一评分规则重复运行，比较成功率、成本、耗时和回归。两套体系互补，发布前先过传统测试，再跑 Eval，才能避免凭感觉优化。
提效率·约 5 分钟阅读
最新文章
全部文章 →我做了一个 Coding Agent，才发现调用模型只是开始
做 Coding Agent 后才明白，调用模型只是开始。长任务中，状态管理、工具记录、可观察性和失败恢复才是关键。聊天只是入口，系统要像 Runtime 一样持续推进并验证结果；稳定可靠往往比一次惊艳回答更重要。
做产品·约 5 分钟阅读
ChatGPT 和 Codex 合并了，协议又动了一刀
ChatGPT 与 Codex 合并后协议再改，工具定义被移入 additional_tools，第三方模型收不到工具会假装调用。作者本地网关 AgentGate 已适配，将工具还原转发上游，合并版桌面端仍可指向本机调用 DeepSeek、
做产品·约 7 分钟阅读
分享个我自用的小工具（自己做的）
ReviewGate是一个开源MIT的代码合并前过滤工具，从安全、性能、逻辑和AI Smell等角度筛出高风险问题，分block/warn，宁可不通过也不给假绿灯。支持--fix、CI集成、误报共享，默认只读。建议先观察再逐步启用。
做产品·约 3 分钟阅读
中年以后，健身不只是为了身体，也是为了保住独处和思考的时间
中年以后，健身的意义不再只是锻炼身体，更是主动为自己保留一段不被打扰的独处时间。它能让人从工作、家庭和碎片信息中暂时退出，恢复注意力与秩序，找回安静和独立思考的空间。这种“回到自己身上”的能力，比单纯的身体管理更重要。
一人实践·约 6 分钟阅读
一人做事最容易高估执行力，低估方向和节奏
一人做事时容易高估执行力，低估方向和节奏。执行力虽可见，但方向不对或节奏混乱时，越努力可能越偏离关键结果。真正重要的是不断判断主线、阶段重点和优先级，避免忙得真却无实质推进。方向感和节奏感比单纯猛冲更能决定长期稳定前进。
一人实践·约 7 分钟阅读
最近在做
完整近况 →在做
一个 AI 效率工具（闭门打磨中），同时接少量项目合作。
在写
每周一篇，公众号先发，长文沉淀到博客。
在用
Claude Code · Cursor · Next.js · Go · 自研 Otaro。
想聊聊？
我长期做自己的产品，也接少量合适的项目合作。如果你有产品、系统、AI 工具或效率改造相关需求，欢迎邮件联系。
my@dengmengmian.com