Agent-Evals

今天关注 coding-agent 评测中的真实运行验证，以及长时程 Agent 的 prompt cache 设计。

今天关注 context quality 与 agent evaluation 两个工程问题。

今天关注长时程 Agent 的两个规模化问题：Cursor 用真实生产流量说明 context、tool definitions、cache 与 subagent 如何决定 token 成本；RRSI 则研究 harness 自我进化为什么会过拟合，以及如何用稀疏更新、泄漏筛查、稳定性门槛与结构剪枝让改进真正迁移到未见任务。

今天两篇分别聚焦 Agent 评测与 Skill 生态。NVIDIA 给出从 tool-call accuracy 到真实环境 task completion 的评测框架；UCL 的 GitSkills 数据集则把数百万个 SKILL.md 当成新的软件工程研究对象，揭示了 Skill 复制、维护与安全治理问题。