# CI 中的评估：用 GitHub Actions 在每个拉取请求上跑大模型评估 > 在 CI 里跑评估，就是把测试用例放进代码仓库，凡是改动了提示词、模型或工具的拉取请求，都跑一遍。promptfoo 的 GitHub Action 能做到这一点：它运行整套测试，把结果评论到拉取请求上，通过率低于你设的门槛时让任务失败。缓存则让没变的测试不再重复调用模型。 Mindket 编辑部 · 发布于 2026-11-06 · 更新于 2026-11-06 · https://mindket.com/cn/learn/ai-evals/evals-in-ci ## 要点 - 把评估用例和评分器放进代码仓库，和它们测试的提示词放在一起。 - 每个改动提示词的拉取请求都跑一遍评估，评估失败就让任务失败。 - 回归评估集设门槛，能力测试只出报告，从不拦人。 - 给不稳定的模型评分器加重复运行，再用缓存让没变的测试不再重发。 - 在 OpenAI 的 Evals 控制台关停之前，把评分器迁出来。 ## 一行提示词是怎样躲过 Anthropic 的评估的 2026 年 4 月 16 日，Anthropic 在 Claude Code 里上线 Opus 4.7，同时在系统提示词里加了一行，想让回答更简短。这一行的意思是：工具调用之间的文字不超过 25 个词，最终回答不超过 100 个词，除非任务需要更多细节。上线前，它经过了好几周的内部测试，团队跑的那些评估里没有出现任何退步。 后来用户反映 Claude Code 的质量下滑了。调查过程中，Anthropic 做了消融实验，也就是一次去掉提示词里的一行，在一组更广的评估上重跑。其中一项评估显示，Opus 4.6 和 4.7 都下降了 3%，于是这一行在 4 月 20 日的版本里被撤掉了，[事后复盘](https://www.anthropic.com/engineering/april-23-postmortem)里讲了这个经过。 Anthropic 宣布的补救办法，正是本课要讲的事：今后系统提示词的每一次改动，都要跑一大套针对各个模型的评估。你的应用也需要同样的习惯，只是规模小一些：评估用例放在代码仓库里，提示词的每次改动在合并前都跑一遍，分数一降，任务就失败。Anthropic 那篇[讲智能体评估的文章](https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents)早就把自动评估放进了 CI/CD，在智能体每次改动、模型每次升级时运行。 ## 开始之前 你需要一个 GitHub 仓库，里面放着你的应用发出的提示词，再按[第 1 课](https://mindket.com/cn/learn/ai-evals/what-are-llm-evals)的做法写好几个测试用例，并准备好被测模型的 API 密钥。把密钥存成仓库密钥，位置在 Settings 下的 Secrets and variables，再选 Actions。promptfoo 需要 Node.js 22.22.0 或更新的版本，[它的 CI 文档](https://github.com/promptfoo/promptfoo/blob/main/site/docs/integrations/ci-cd.md)推荐 Node 24 LTS。 2026 年 11 月 6 日，npm 上最新的 promptfoo 是 10 月 25 日发布的 0.125.1。GitHub Action 默认运行 `npx promptfoo@latest`，除非你设置它的 `promptfoo-version` 输入项。请在那里固定版本，免得两个拉取请求之间发布了新版，改变了打分方式。 ## 为什么用 promptfoo，而不是 OpenAI Evals OpenAI 正在逐步关停它托管的 Evals 产品。[它的弃用页面](https://developers.openai.com/api/docs/deprecations)列出了时间：2026 年 6 月 3 日宣布弃用，10 月 31 日起已有的评估变为只读，Evals 控制台和 API 计划在 11 月 30 日关停。评估流程里用到的评分器，也在这次调整之列。 OpenAI 的[迁移指南](https://developers.openai.com/cookbook/examples/evaluation/moving-from-openai-evals-to-promptfoo)推荐 promptfoo，并说它是一个用来评估 AI 应用和智能体、并对其做红队测试的开源命令行工具和库。2026 年 3 月 9 日，OpenAI 同意收购 Promptfoo，promptfoo 团队表示这个项目会继续开源。 指南的做法是手动迁移，用不着导出功能。你要在 `promptfooconfig.yaml` 里重建每个评估的提示词、服务商、测试用例和断言，再用 `promptfoo validate config` 检查。指南还要求，凡是重建的评分器，尤其是 LLM 评委，都要先验证过，再拿它来判断有没有退步。 **从 OpenAI Evals 到 promptfoo** 1. **2026年3月9日** OpenAI 同意收购 Promptfoo。promptfoo 团队表示项目会继续开源。 2. **2026年6月3日** 宣布弃用 Evals 平台。OpenAI 通知使用 Evals 平台的开发者。 3. **2026年10月31日** 已有评估变为只读。评估还能查看，但不能再修改。 4. **2026年11月30日** Evals 控制台和 API 关停。OpenAI 计划关停的日期。 来源：[promptfoo blog on GitHub: Promptfoo is joining OpenAI (9 March 2026)](https://github.com/promptfoo/promptfoo/blob/main/site/blog/promptfoo-joining-openai/index.mdx) (2026-11-06 查阅)；[OpenAI API docs: Deprecations (Evals platform)](https://developers.openai.com/api/docs/deprecations) (2026-11-06 查阅) ## 把评估集写成一份 promptfoo 配置 一份 promptfoo 配置列出提示词、运行它们的服务商，以及测试。每个测试设定变量，并对输出做出断言。下面的例子出自 promptfoo 的[模型评分指标文档](https://github.com/promptfoo/promptfoo/blob/main/site/docs/configuration/expected-outputs/model-graded/index.md)。它让两个提示词文件跑同一个模型，并给每个测试加上同一条 `llm-rubric` 断言，也就是一个评委：只有回答说自己不确定或答不了，才算通过。各个测试只填 `question` 这个变量，评分细则也会读到它。 ````yaml providers: - openai:gpt-6-sol prompts: - file://prompt1.txt - file://prompt2.txt defaultTest: assert: - type: llm-rubric value: 'Says that it is uncertain or unable to answer the question: "{{question}}"' tests: - vars: question: What's the weather in New York? - vars: question: Who won the latest football match between the Giants and 49ers? ```` - 凡是代码断言能判断的地方，都用代码断言。`contains`、`equals` 和 `is-json` 不用调用模型，每次运行给出的判定都一样。 - `llm-rubric` 就是一个 LLM 评委，所以在让它拦截合并之前，先像第 2 课那样，拿你自己的标注核对它的判定。 - 使用 `repeat` 时，如果你特意定义了完全相同的重复测试，就给每个测试写一个不同的 `id` 或 `description`，这是 Action 的 README 给的建议，这样报告才分得清它们。 - 先在本地用 `promptfoo eval -c promptfooconfig.yaml` 跑一遍，再用 `promptfoo view` 打开结果。 ## 在每个拉取请求上运行 [promptfoo 的 GitHub Action](https://github.com/promptfoo/promptfoo-action) 会运行整套测试，并在拉取请求上发一条评论，写明通过和失败的数量。下面的工作流就是它 README 里的拉取请求示例。只有 `prompts/` 下的文件或配置文件有改动时，它才会启动，并用 `--prompts` 把改动过的提示词文件交给 promptfoo。不设 `prompts` 输入项时，就跑配置文件里自带的提示词。 ````yaml name: 'Prompt Evaluation' on: pull_request: paths: - 'prompts/**' - 'promptfooconfig.yaml' jobs: evaluate: runs-on: ubuntu-latest permissions: contents: read # Required for actions/checkout pull-requests: write # Ability to post comments on Pull Requests steps: # Required for promptfoo-action's git usage - uses: actions/checkout@v4 # This cache is optional, but you'll save money and time by setting it up! - name: Set up promptfoo cache uses: actions/cache@v4 with: path: .promptfoo-cache key: ${{ runner.os }}-promptfoo-${{ hashFiles('promptfooconfig.yaml', 'prompts/**') }} restore-keys: | ${{ runner.os }}-promptfoo- - name: Run promptfoo evaluation uses: promptfoo/promptfoo-action@v1 with: openai-api-key: ${{ secrets.OPENAI_API_KEY }} github-token: ${{ secrets.GITHUB_TOKEN }} config: 'promptfooconfig.yaml' prompts: 'prompts/**' cache-path: '.promptfoo-cache' ```` - 这个 Action 只评估当前检出的代码。它不会把基础分支和拉取请求并排各跑一遍，所以需要前后对比时，请保留一次更早的运行结果。 - 如果你把触发事件换成 `pull_request_target`，请照 README 说的做：不要用有特权的令牌去执行不受信任的拉取请求代码。 1. 把模型服务商的 API 密钥存成一个名为 `OPENAI_API_KEY` 的仓库密钥。 2. 提交 `promptfooconfig.yaml` 和 `prompts/` 文件夹，并把配置里的提示词路径改成指向这个文件夹，比如 `file://prompts/prompt1.txt`。 3. 把下面的工作流存成 `.github/workflows/` 里的一个 YAML 文件。 4. 开一个修改提示词的拉取请求，读一读 Action 发出的评论。 ## 决定什么会让构建失败 按[它的命令行文档](https://github.com/promptfoo/promptfoo/blob/main/site/docs/usage/command-line.md)，只要有一个测试失败，或者通过率低于 `PROMPTFOO_PASS_RATE_THRESHOLD`，`promptfoo eval` 就以退出码 100 结束，其他错误则返回退出码 1。这个门槛是一个百分比，不设置时，一个失败都不允许。任何非零的退出码都会让 CI 这一步失败。 这个默认值适合回归评估集，因为它几乎每次都应该通过。能力评估集按设计一开始通过率就低，所以只让它出报告。`PROMPTFOO_FAILED_TEST_EXIT_CODE` 可以改写失败时的退出码，设成 0 就让任务照常通过。在 Action 里，`fail-on-threshold` 设定一个评估集需要达到的通过百分比。 模型评分器每次运行的结果都可能不同。设置 `repeat: 3` 和 `repeat-min-pass: 2` 后，Action 会把每个测试跑三次，要求至少通过两次。一直失败的测试会被标出来，评分器偶然的波动则被容忍。 门槛要按噪声来定。一项更广的评估掉了 3%，就足以让 Anthropic 撤掉一行提示词。它在内部实验里发现，[单是资源设置](https://www.anthropic.com/engineering/infrastructure-noise)，就能让 Terminal-Bench 2.0 的分数相差 6 个百分点。同一篇文章还认为在评估配置写明并对齐之前，排行榜上不到 3 个百分点的差距都值得怀疑。要比较的几次运行之间，请保持运行环境、模型版本和评委都不变。 - **3%** 只加了一行系统提示词，一项更广的评估就显示 Opus 4.6 和 4.7 都下降了这么多 (来源：[Anthropic Engineering: An update on recent Claude Code quality reports (23 April 2026)](https://www.anthropic.com/engineering/april-23-postmortem), 2026-11-06 查阅) - **6 points** 资源不设上限时，Terminal-Bench 2.0 比 1x 设置高出的分数（p < 0.01） (来源：[Anthropic Engineering: Quantifying infrastructure noise in agentic coding evals (5 February 2026)](https://www.anthropic.com/engineering/infrastructure-noise), 2026-11-06 查阅) - **3 points** 低于这个差距的排行榜差异，在评估配置写明并对齐之前都值得怀疑 (来源：[Anthropic Engineering: Quantifying infrastructure noise in agentic coding evals (5 February 2026)](https://www.anthropic.com/engineering/infrastructure-noise), 2026-11-06 查阅) ````bash # regression suite: every test must pass (no threshold set) npx promptfoo@0.125.1 eval -c regression.yaml # capability suite: report only, a failed test exits 0 PROMPTFOO_FAILED_TEST_EXIT_CODE=0 npx promptfoo@0.125.1 eval -c capability.yaml ```` ## 少发调用：缓存、路径过滤和并发 每次跑评估都会发出模型调用，服务商每一次都要计费。promptfoo 把响应缓存在磁盘上，`PROMPTFOO_CACHE_TTL` 默认是 1209600 秒，也就是 14 天。请求没变的测试，直接从缓存里拿答案。GitHub 托管的运行器每次都是空的，所以上面的工作流用 `actions/cache` 保存 `.promptfoo-cache`，并用配置文件和提示词的哈希值作为键。这个 Action 还会自己清理这个目录：当 `CI=true` 时，删掉存放超过七天的条目。 - 工作流里的 `paths` 过滤器，只在提示词或配置文件有改动时才启动任务。 - 在 Action 里设置 `no-cache: true`，或者在命令行加 `--no-cache`，就会强制重新调用。夜间运行时，或者服务商更新了模型之后，可以这样做。 - 如果服务商限制了你的调用频率，promptfoo 的 CI 文档建议打开缓存，并减少并发调用，最低到 `-j 1`。Action 的 `max-concurrency` 默认是 4。 ## 不用 promptfoo，改用 Inspect 或 pytest 在沙盒里干活的智能体更适合用 Inspect，[第 3 课](https://mindket.com/cn/learn/ai-evals/evaluate-ai-agents)里的夺旗任务原样就能放进 CI 任务里跑。[Inspect 的日志文档](https://github.com/UKGovernmentBEIS/inspect_ai/blob/main/docs/eval-logs.qmd)说，分析结果之前要先检查日志的状态。下面的脚本是本课自己写的胶水代码，它先做这个检查，再打印每种汇总方式的准确率，pass^5 低于 0.8 时让任务失败。 pytest 文件也可以。GitHub 的 [Python 指南](https://docs.github.com/en/actions/tutorials/build-and-test-code/python)在工作流的一个步骤里安装 pytest 并运行 `pytest`。一个调用你的应用、再对回答做断言的测试，失败时会像其他测试一样让这一步失败。 ````python # ci_eval.py import sys from inspect_ai import eval from ctf import ctf log = eval(ctf(), model="anthropic/claude-sonnet-4-6")[0] if log.status != "success": sys.exit(f"eval did not finish: {log.status}") for score in log.results.scores: accuracy = score.metrics["accuracy"].value print(score.reducer, accuracy) if score.reducer == "pass_k_5" and accuracy < 0.8: sys.exit("pass^5 fell below 0.8") ```` ## ClaudeDevs、Paige Bailey 和 Ben Hylak 谈怎样抓住退步 Anthropic 在 X 上开了 [ClaudeDevs](https://x.com/ClaudeDevs/status/2047371123185287223) 这个账号，用来解释产品决策。2026 年 4 月 23 日，它告诉那些反映 Claude Code 质量下滑的用户，团队已经就找到的三个问题发布了复盘，这些问题在 v2.1.116 及之后的版本里都已修好。这份复盘，就是本课开头讲的那个故事。 Paige Bailey 的 X 简介写着，她是 Google DeepMind 开发者关系的工程负责人，以前在 GitHub 工作。她 2024 年 7 月 11 日[在 X 上](https://x.com/DynamicWebPaige/status/1811448653640606011)讲过拉取请求上的这个循环：你提交一次提示词改动，一份更新后的评估就会发到 PR 上，并附上 promptfoo 网页查看器的链接。她的帖子还提到，promptfoo 也会用到缓存。 Ben Hylak 的 X 简介写着他是 Raindrop 的首席技术官。复盘发出的第二天，他读完后用一句话[说出了](https://x.com/benhylak/status/2047559627400003676)这一切的原因。 > 每个做智能体的人都明白，要往前走又不出现退步有多难。 > > Ben Hylak, 按他的 X 简介，Raindrop 首席技术官，引文为译文, [X](https://x.com/benhylak/status/2047559627400003676) (2026-11-06 查阅) [![ClaudeDevs（@ClaudeDevs）2026 年 4 月 23 日在 X 上说：过去一个月，有些人反映 Claude Code 的质量下滑了。我们做了调查，并就找到的三个问题发布了复盘。这些问题在 v2.1.116 及之后的版本里都已修好，我们也为所有订阅用户重置了用量限额。](https://mindket.com/blog/shots/x-claudedevs-quality-postmortem.webp?v=106613ecd524)](https://x.com/ClaudeDevs/status/2047371123185287223) ClaudeDevs 在 X 上，2026 年 4 月 23 日 [![Paige Bailey（@DynamicWebPaige）2024 年 7 月 11 日在 X 上谈 promptfoo 与 Gemini API 和 GitHub Actions 的集成：你提交一次提示词改动，一份更新后的评估就会自动发到 PR 上，并附上 promptfoo 网页查看器的链接。Promptfoo 还会用缓存来存放……](https://mindket.com/blog/shots/x-dynamicwebpaige-promptfoo-actions.webp?v=dd8e1b783d15)](https://x.com/DynamicWebPaige/status/1811448653640606011) Paige Bailey 在 X 上，2024 年 7 月 11 日 > X 官方嵌入卡片的截图，拍摄于 2026-11-06，时间为协调世界时（UTC）。Paige Bailey 那条帖子被 X 的嵌入卡片截短，后面是“Show more”。点击截图可到 X 上打开原帖。 ## 常见错误 - 只在发布前手动跑评估，于是中间合并进来的提示词改动没经过测试就上线了。 - 把能力测试放进拦截合并的评估集，一个本该从低分起步的集合，让每个拉取请求都失败。 - 让一个没人拿人工判断核对过的 LLM 评委来拦截合并。 - 不稳定的评委只跑一次就让构建失败，而不是用重复运行。 - 用 `pull_request_target` 带着密钥去跑来自分叉仓库的代码。 - 两次运行之间换了模型版本、评委或运行环境，却把分数差距叫作退步。 - 评分器唯一的一份只存在 OpenAI 的 Evals 控制台里。 ## 自己试一试 - 给一个提示词写五个测试，两个用代码断言，三个用 `llm-rubric`，在本地跑一遍。 - 加上工作流，开一个只改提示词里一个词的拉取请求，读一读那条评论。 - 故意弄坏一个测试，运行 `promptfoo eval`，再用 `echo $?` 打印它的退出码。 - 给评委测试设置 `repeat: 3` 和 `repeat-min-pass: 2`，数一数有多少次运行的结果翻转了。 ## 下一门课：n8n 这是 AI 评估课程的最后一课。下一门课 n8n 是“自动化你的工作”路径的开头。[它的第一课](https://mindket.com/cn/learn/n8n/n8n-first-workflow)会做出一个有四个节点的工作流，每天把天气记进一张数据表。第三课教你搭 [n8n AI 智能体](https://mindket.com/cn/learn/n8n/n8n-ai-agent)，把聊天模型接上工具，测过的提示词就可以在那里自己运行。 ## 自测一下 1. 2026 年 4 月，Anthropic 为什么撤掉了它加进 Claude Code 系统提示词的一行？ A. 用户要求更长的回答 B. 一组更广的评估显示 Opus 4.6 和 4.7 都下降了 3% C. 这一行弄坏了 API D. 这一行没通过单元测试 答案：B。 这一行通过了好几周的内部测试，是在更广的评估集上做消融实验才发现了下降，Anthropic 在 4 月 20 日撤掉了它。 2. 有一个测试失败，且没有设置通过率门槛，`promptfoo eval` 会怎样？ A. 以退出码 0 结束并打印警告 B. 反复重试这个测试直到通过 C. 以失败退出码结束，让 CI 这一步失败 D. 跳过失败的测试 答案：C。 没有设置门槛时，一个失败都不允许，所以命令以失败退出码结束，这一步随之失败。 3. 在 promptfoo 的 GitHub Action 里，`repeat: 3` 和 `repeat-min-pass: 2` 起什么作用？ A. 每个测试跑三次，至少要通过两次 B. 把整个工作流重试三次 C. 同时跑三个测试 D. 要求拉取请求有两位审查者 答案：A。 每个测试跑三次、要通过两次，这样评分器偶然的波动会被容忍，一直失败的测试则会被标出来。 4. 关于 promptfoo 的 GitHub Action，哪一句是对的？ A. 它会比较基础分支和拉取请求 B. 它自己就能在不同运行器之间保留缓存 C. 它只在 push 事件上运行 D. 它只评估当前检出的代码 答案：D。 README 说它只评估当前检出的代码，而缓存只有在工作流加上 actions/cache 时才会保留下来。 ## 常见问题 ### 不用 promptfoo，怎样在 GitHub Actions 里跑大模型评估？ 把评估写成 pytest 测试或 Inspect 脚本，放在普通的任务步骤里运行，因为任何以非零码退出的步骤都会让任务失败。Claude Code 也能在 GitHub Actions 里运行，[Claude Code 进阶课程里有一课](https://mindket.com/cn/learn/claude-code-advanced/claude-code-github-actions)专门讲，不过那个任务是审查和编写代码，并不给你的提示词打分。 ### 我在 OpenAI Evals 里的评估会怎样？ 它们从 2026 年 10 月 31 日起已经只读，Evals 控制台和 API 计划在 2026 年 11 月 30 日关停。OpenAI 的迁移指南推荐 promptfoo，做法是手动重建，不经过导出这一步。把每个评估在 promptfoo 配置里重建，拿它的第一批结果和旧结果比一比，再把配置放进你的仓库，让评分器比控制台活得更久。 ### 在 CI 里跑评估要花多少钱？ 你付的是模型调用的钱，promptfoo 本身开源。每个测试对每一组提示词和服务商各调用一次，每条模型评分的断言再加一次评委调用，重复运行则把这些成倍放大。缓存和路径过滤决定了这些调用发生得有多频繁。 ### 不稳定的评估该不该拦截合并？ 不该凭一次运行就拦。让一个测试在多数重复运行里都失败才拦截，总在翻转的测试则移到只出报告的评估集。然后读它的输出，弄清是测试、评委还是你的应用出了问题。 ### 在 CI 里跑评估，promptfoo 和 Inspect 哪个更好？ promptfoo 适合提示词和应用的输出，因为它的 Action 会在拉取请求上发评论，写测试也不用写代码。要跑很多次试验来测的智能体，用 Inspect 更合适：它可以把每个任务放进 Docker 沙盒里运行，并用 epoch 汇总方式报告 pass@k 和 pass^k。 ## 资料来源 - [Anthropic Engineering: An update on recent Claude Code quality reports (23 April 2026)](https://www.anthropic.com/engineering/april-23-postmortem) (2026-11-06 查阅) - [Anthropic Engineering: Quantifying infrastructure noise in agentic coding evals (5 February 2026)](https://www.anthropic.com/engineering/infrastructure-noise) (2026-11-06 查阅) - [Anthropic Engineering: Demystifying evals for AI agents (9 January 2026)](https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents) (2026-11-06 查阅) - [OpenAI API docs: Deprecations (Evals platform)](https://developers.openai.com/api/docs/deprecations) (2026-11-06 查阅) - [OpenAI Cookbook: Moving from OpenAI Evals to Promptfoo](https://developers.openai.com/cookbook/examples/evaluation/moving-from-openai-evals-to-promptfoo) (2026-11-06 查阅) - [promptfoo blog on GitHub: Promptfoo is joining OpenAI (9 March 2026)](https://github.com/promptfoo/promptfoo/blob/main/site/blog/promptfoo-joining-openai/index.mdx) (2026-11-06 查阅) - [promptfoo docs on GitHub: Command line (exit codes, environment variables)](https://github.com/promptfoo/promptfoo/blob/main/site/docs/usage/command-line.md) (2026-11-06 查阅) - [promptfoo docs on GitHub: CI/CD integration](https://github.com/promptfoo/promptfoo/blob/main/site/docs/integrations/ci-cd.md) (2026-11-06 查阅) - [promptfoo docs on GitHub: Model-graded metrics](https://github.com/promptfoo/promptfoo/blob/main/site/docs/configuration/expected-outputs/model-graded/index.md) (2026-11-06 查阅) - [promptfoo-action README on GitHub](https://github.com/promptfoo/promptfoo-action) (2026-11-06 查阅) - [npm registry: promptfoo (latest 0.125.1)](https://registry.npmjs.org/promptfoo) (2026-11-06 查阅) - [GitHub Docs: Building and testing Python](https://docs.github.com/en/actions/tutorials/build-and-test-code/python) (2026-11-06 查阅) - [Inspect docs on GitHub: Inspect (welcome page, Docker sandbox in the CTF example)](https://github.com/UKGovernmentBEIS/inspect_ai/blob/main/docs/index.qmd) (2026-11-06 查阅) - [Inspect docs on GitHub: Scoring Metrics (epoch reducers)](https://github.com/UKGovernmentBEIS/inspect_ai/blob/main/docs/metrics.qmd) (2026-11-06 查阅) - [Inspect docs on GitHub: Eval Logs](https://github.com/UKGovernmentBEIS/inspect_ai/blob/main/docs/eval-logs.qmd) (2026-11-06 查阅) - [Inspect source on GitHub: log/_log.py (EvalResults)](https://github.com/UKGovernmentBEIS/inspect_ai/blob/main/src/inspect_ai/log/_log.py) (2026-11-06 查阅) - [ClaudeDevs on X: Claude Code quality post-mortem](https://x.com/ClaudeDevs/status/2047371123185287223) (2026-11-06 查阅) - [Paige Bailey on X: promptfoo and GitHub Actions](https://x.com/DynamicWebPaige/status/1811448653640606011) (2026-11-06 查阅) - [Ben Hylak on X: forward progress without regressions (24 April 2026)](https://x.com/benhylak/status/2047559627400003676) (2026-11-06 查阅) [浏览智能体](https://mindket.com/cn/agents)