从“调用成功”到“修订正确”：一次 Worklist Agent Trace 与评测实战
用真实 GLM 调用验证 Worklist 工具与候选修订，复盘 20 条用例、评分规则修正和 LangSmith 轨迹，并整理 Agent 可观测性与评测的面试要点。
TAG / 03
#Evaluation
跨越分类的同一条技术线索。
↗
Loop Engineering：把提示词变成可验证的工程循环
将发现、执行、验证和记忆拆成可恢复的闭环，让 Coding Agent 从一次对话走向持续交付。
Agent Harness Engineering：模型之外，才是系统开始的地方
从工具、状态、沙箱、上下文和验证机制构建 Agent 运行时，把一次次失败沉淀为可执行约束。