世界上最顶级的几个 AI 大模型公司官方放出来的深度文章，大家一定要看，
这是 @AnthropicAI 第一次把他们内部是怎么做 Prompt 优化、Agent 评测和自动调优的底层方法论，毫无保留地全盘分享出来了，
同时在 Claude Code 的官方 Skill 里直接上线了两个神级指令：
一个叫 build-eval，一个叫 hillclimb。

一句话概括它干的事：
让 AI 在你的项目代码库里，自动建真实验收测试集，然后自己改代码、自己跑分、自己去重和防过拟合，直到把准确率拉上去、把 Token 账单砍到原来的五分之一。

做过 Agent 和重度提示词的人，应该都懂那种想砸键盘的绝望感：
改了一句 Prompt，这里好像变聪明了，那里又莫名其妙崩了；
或者自己写了几个测试用例自嗨，一上线遇到真实用户直接翻车。

以前我们调优全靠肉眼瞎试和玄学，
现在 Anthropic 直接把这套工业级的自动化调优流水线开源了。

我把这篇万字干货里的核心精髓，拆成三个最值钱的维度给大家讲透：

第一个，什么是真正能打的评测（Eval）？
Anthropic 给出了四条铁律，直接打碎了很多人的认知误区：

1. 别拿今天模型的短板去建题库：
大模型的能力表面是参差不齐的。如果你专门挑它今天答错的题去考它，你测出来的根本不是任务本身的难度，而是这个特定版本的指纹缺陷。下一代模型一出，你的题库全作废。

2. 顶尖模型在最强思考档下，跑分也必须远低于 100 分：
如果你的测试集让最强模型轻松拿满分，说明题目太简单，你根本测不出后续改动到底是变好了还是变差了。

3. 裁判优先用程序，其次才是大模型：
能用代码跑单元测试、校验 JSON Schema 的，坚决不用大模型当裁判；必须用大模型当裁判时，不要打 1 到 5 分这种模糊分数，而是写成可逐条核对的事实验证清单，或者做盲测 A/B 对比。

4. 必须能区分真变好和随机波动：
如果跑分每次都不一样，说明题目有歧义，或者环境残留了上次测试的文件让 AI 抄了近道。

第二个，神级指令 `/claude-api build-eval`
你在终端里敲下这行命令，Claude 会像个资深架构师一样采访你，在你的代码库里现场搭评测系统：
先抽你生产环境的真实对话记录，再翻 Bug 报告和工单，最后才补少量合成数据。
搞定后直接在本地生成一个极简的可视化网页，把每个测试用例、评分理由、调用链路 Trace 摆在你面前，你点个确认，基线就立住了。

第三个，全自动刷分爬坡 `/claude-api hillclimb`
这是整篇文章最炸裂的部分。
有了评测集之后，你只要告诉它你的目标是提高性能还是降低成本，它就会自动把数据切成训练集和测试集，开始自动迭代：

每次只改一个最小补丁，绝不大拆大改；
如果训练集分数涨了，但独立的测试集没动，它立刻判定为过拟合，秒级回滚；
如果改动有退步，立刻撤销重来；
只有训练集和测试集双双上涨，这个改动才会被正式保留下来。

当跑分卡住两三轮不涨的时候，它不会瞎猜，而是停下来把所有失败用例拉个清单做归因分析：到底是指南写漏了，还是裁判自己判错了。

官方在文章里放了两个真实实测战报，数据非常硬核：

第一个案例：客服 Agent 极限降本
原本用 Opus 4.8 跑高思考档，准确率 74.4%，单次成本 4.6 美分。
跑完 hillclimb 后，系统自动帮它删除了冗余的思维链和冲突规则，把模型换成低思考档的 Sonnet 5，
最终在未见过的测试集上，准确率从 78.6% 飙升到了 90.5%，而单次成本直接降到了 1 美分。
准确率大涨的同时，账单直接砍掉了近 80%。

第二个案例：修复 AI 脑子里的旧时代记忆
他们在优化官方 claude-api 技能时，发现评分一直卡在 77 分。
AI 复盘后发现：模型本身其实懂新接口，但由于预训练时期的习惯，总是下意识去写老旧废弃的 API 格式。
于是自动在规则最上方补了一张新旧 API 对照表，准确率瞬间冲到了 88%。

过去我们做 AI 应用，90% 的精力都在当人肉测试员和 Prompt 缝合怪；
现在顶尖大厂的解法是把玄学变成工程：用真实的业务数据立住标尺，剩下的调优和降本，让 AI 坐在工位上自己给自己爬坡。

这套工具已经集成在 Claude Code 的官方技能库里了，终端里装上 claude-api 就能跑。

做 Agent、写提示词、或者被 API 账单卡脖子的兄弟，强烈建议去啃一遍原文。
你们平时在业务里调优 Prompt，最头疼的是改完后测不准，还是跑分很高上线就翻车？评论区交流交流～