1影片進階EN
Paper MCP vs Figma MCP for frontend agents（在新分頁開啟原站）
探討了 Figma 與 Paper 兩個設計型 MCP 伺服器在生成前端頁面時的表現。透過 Braintrust 的獨立評估，作者使用無頭 Claude Code 代理重構了 40 個簡單頁面與 27 個複雜頁面，並從視覺相似度、LLM…
※ 摘要僅根據標題與說明
最受歡迎
依人氣
- 2影片進階EN
Stats for evals: Crash course（在新分頁開啟原站）
這則影片深入解析 Braintrust 獨立評估中使用的統計概念，涵蓋點估計、樣本變異、威爾森區間、有效樣本數及對聯比較等主題，幫助讀者撰寫更精準的評估分析並識別研究論文中的關鍵指標。
268次觀看※ 摘要僅根據標題與說明
- 3影片進階EN
Agent observability with Loop, Patterns, and Debugger（在新分頁開啟原站）
介紹 Braintrust Loop 如何透過分析 478 筆 Tau2 支援追蹤資料，將重複的代理行為轉化為可重用的模式，並建立分類器以監測未來流量。內容涵蓋追蹤級別排錯、自然語言調查、證據報告、自動化路由及 Slack 整合。
323次觀看※ 摘要僅根據標題與說明
- 4影片進階EN
Using a skill to eval Codex vs Pi（在新分頁開啟原站）
介紹如何使用 Braintrust 的「技能」功能，在 Claude Code 中進行 Codex CLI 與 Pi 的效能比較。
※ 摘要僅根據標題與說明
- 823次觀看
※ 摘要僅根據標題與說明
- 6影片入門EN
Online workshop: Evals foundations（在新分頁開啟原站）
Braintrust 舉辦的線上工作坊介紹了 AI 代理與傳統軟體不同的失敗模式，並教導如何建立主動觀察機制。課程涵蓋評估的重要性、實驗與演練的差異、結果分析、線上與離線評分，以及透過評估改進的完整迴圈。
259次觀看※ 摘要僅根據標題與說明
- 296次觀看
※ 摘要僅根據標題與說明
- 8影片進階EN
Behavior specs for long-trajectory agents（在新分頁開啟原站）
介紹了行為規格（behavior specs）這一新標準，用於評估持續執行數小時、執行大量決策的 AI 代理，而非僅依賴最終輸出。內容涵蓋撰寫行為規格檔案、設定 LLM 判分器，以及解析真實代理軌跡中的真、假、不適用三種判分結果。
223次觀看※ 摘要僅根據標題與說明
- 9影片入門EN
Trust the agents you build on your data（在新分頁開啟原站）
Braintrust 與 MotherDuck 的影片教導如何建立能準確回答自訂資料的 AI 代理，並展示如何將實際使用資料轉化為評估集，同時設定品質標準以在發布前發現錯誤。
170次觀看※ 摘要僅根據標題與說明
- 10影片入門EN
Topics: cluster agent failures without reading every trace（在新分頁開啟原站）
透過 Topics 功能，自動分析 Agent 的失敗模式與主題，讓使用者無需逐筆檢視所有追蹤資料。作者演示了如何從 32% 的追蹤資料中發現產品回傳問題，並指出 5% 的罕見折扣與帳戶問題。
144次觀看※ 摘要僅根據標題與說明
最新內容
依發布時間
- 影片進階EN
Stats for evals: Crash course（在新分頁開啟原站）
這則影片深入解析 Braintrust 獨立評估中使用的統計概念，涵蓋點估計、樣本變異、威爾森區間、有效樣本數及對聯比較等主題，幫助讀者撰寫更精準的評估分析並識別研究論文中的關鍵指標。
268次觀看※ 摘要僅根據標題與說明
- 影片進階EN
Agent observability with Loop, Patterns, and Debugger（在新分頁開啟原站）
介紹 Braintrust Loop 如何透過分析 478 筆 Tau2 支援追蹤資料，將重複的代理行為轉化為可重用的模式，並建立分類器以監測未來流量。內容涵蓋追蹤級別排錯、自然語言調查、證據報告、自動化路由及 Slack 整合。
323次觀看※ 摘要僅根據標題與說明
- 影片進階EN
Using a skill to eval Codex vs Pi（在新分頁開啟原站）
介紹如何使用 Braintrust 的「技能」功能，在 Claude Code 中進行 Codex CLI 與 Pi 的效能比較。
※ 摘要僅根據標題與說明
- 影片入門EN
Topics: cluster agent failures without reading every trace（在新分頁開啟原站）
透過 Topics 功能，自動分析 Agent 的失敗模式與主題，讓使用者無需逐筆檢視所有追蹤資料。作者演示了如何從 32% 的追蹤資料中發現產品回傳問題，並指出 5% 的罕見折扣與帳戶問題。
144次觀看※ 摘要僅根據標題與說明
- 影片入門EN
Evaluating the GPT-5.6 family（在新分頁開啟原站）
Braintrust 獨立測試了 GPT-5.6 系列（Sol、Terra、Luna）與 Fable 5 等六款模型，透過 225 題任務評估其表現。研究發現 Sol 在數值計算上表現最佳，而 Fable 的低分實為分類器誤報，非能力不足。
114次觀看※ 摘要僅根據標題與說明
- 影片入門EN
Online workshop: Evals foundations（在新分頁開啟原站）
Braintrust 舉辦的線上工作坊介紹了 AI 代理與傳統軟體不同的失敗模式，並教導如何建立主動觀察機制。課程涵蓋評估的重要性、實驗與演練的差異、結果分析、線上與離線評分，以及透過評估改進的完整迴圈。
259次觀看※ 摘要僅根據標題與說明
- 影片入門EN
Trust the agents you build on your data（在新分頁開啟原站）
Braintrust 與 MotherDuck 的影片教導如何建立能準確回答自訂資料的 AI 代理，並展示如何將實際使用資料轉化為評估集，同時設定品質標準以在發布前發現錯誤。
170次觀看※ 摘要僅根據標題與說明
- 影片進階EN
Paper MCP vs Figma MCP for frontend agents（在新分頁開啟原站）
探討了 Figma 與 Paper 兩個設計型 MCP 伺服器在生成前端頁面時的表現。透過 Braintrust 的獨立評估，作者使用無頭 Claude Code 代理重構了 40 個簡單頁面與 27 個複雜頁面，並從視覺相似度、LLM…
※ 摘要僅根據標題與說明
- 影片進階EN
Behavior specs for long-trajectory agents（在新分頁開啟原站）
介紹了行為規格（behavior specs）這一新標準，用於評估持續執行數小時、執行大量決策的 AI 代理，而非僅依賴最終輸出。內容涵蓋撰寫行為規格檔案、設定 LLM 判分器，以及解析真實代理軌跡中的真、假、不適用三種判分結果。
223次觀看※ 摘要僅根據標題與說明
- 影片進階EN
How Pylon iterates on every prompt with evals（在新分頁開啟原站）
介紹 Pylon 如何將 Braintrust 從單純的知識庫聊天機器人，演變為能主動解決客戶問題的代理型支援平台。透過建立評測規範、利用演練場作為機構記憶，並自動處理異常與工具整合，讓 AI 成為團隊的核心工作流。
※ 摘要僅根據標題與說明
※ 摘要僅根據標題與說明
- 影片入門EN
How Box defines launch readiness with evals（在新分頁開啟原站）
介紹了 Box 如何透過評估來定義產品上市準備度，幫助企業在正式推出前驗證關鍵指標。
112次觀看※ 摘要僅根據標題與說明
- 296次觀看
※ 摘要僅根據標題與說明
- 823次觀看
※ 摘要僅根據標題與說明
