Eval harness 50 dòng chặn prompt regression trước khi ship
Sửa prompt xong ship luôn rồi vỡ ba thứ khác? Một eval harness chỉ dùng stdlib Python biến prompt thành thứ test được và chặn regression ngay ở CI.
28 thg 9, 20263 phút đọc
#llm-as-judge
LLM-as-Judge Reliability in 2026: What 8 June Studies Actually Show
Across 8 June 2026 studies of LLM-as-Judge tools and methods, identical-prompt runs disagree like coin flips and brand bias skews 3 commercial judges.
17 thg 6, 20269 phút đọc