Vercel 谈评估驱动开发：如何更快构建更好的 AI

Vercel 提出用 evals（评估）替代传统测试来开发 AI 功能，将评估分为代码评分、人工评分和 LLM 评分三类，其中 LLM 评估成本比代码评分高 1.5x 到 2x。评估针对 AI 输出的概率性特点，衡量整体质量而非单条代码路径，并可与高质量数据、模型策略和用户反馈组成 AI-native flywheel 持续迭代。