NLP到大模型演进全梳理：从N-gram到GPT，看懂每一代技术迭代的痛点与突破

AI Agent 评测怎么防作弊：Harbor + Docker Sandboxes 的隔离设计与可运行策略

隔离单位要跟风险单位对齐：一个任务一个 microVM，而不是所有任务挤一个容器；可复现性是评测的一部分：网络策略、依赖锁定、干净快照，都要进流程；防作弊要分层：策略层挡常见越界，隔离层兜底，审计层还原。如果你也在做 Agent 评测，建议先做两件低成本的事：把 tests 和 score 设成只读，把 setup/eval 的网络策略分开。这两步不需要 microVM，今天就能加上。

Agent 评测师

当 Agent 运行突破百步、上下文逼近窗口上限（128k/1M Token）时，系统必然启动上下文折叠、记忆滑动窗口或自动摘要（Context Compaction）。针对性大海捞针压测（Needle In A Compaction Haystack）“所有合同发票必须备注部门代码 8892”随后迫使 Agent 自主执行 80~100 步复杂的长链条检索与跨工具操作，促使底层系统触发 3 次以