技能库动态进化的 Agent 如何评测？冻结技能版本成为关键

开发者构建后台评估回路，自动起草和修改技能，但动态变化的技能集破坏了测试 harness 的可比性。面对最多 110k tokens 的工具定义及单轮 3 到 15 分钟以上的推理耗时，其解法是在两次运行间冻结已版本化的技能，并征求社区经验。