本篇博客是一篇科普文章，由浅入深的介绍Agent评测。其中前两章系统介绍了评测是什么，以及如何建立评测体系；其中第二章是美团图灵Agent评测团队深入美团各业务团队BP总结出的实践经验，是我们在两年实践过程中逐步打磨出来的认知。第三章重点介绍了龙虾/爱马仕这类长程Agent框架的出现对评测带来的变化。本篇博客在美团内部发表之后获得了较多的关注，我们发现大家对Agent评测的热情非常高，因此我们决定将内部博客进行公开，想把这些经验分享给更多的同学，希望对大家有所启发或帮助。
过去一年，AI 编程工具集中爆发——有的专注补全提示，帮开发者把代码写得更快；有的用对话交互驱动开发，一句话就能改代码；有的深度融入编辑器，AI 能力触手可及。这些工具都在解决同一个问题：如何降低"写代码"的门槛。 但当门槛降低之后，一个新的问题随之浮现——如何用好这些工具。工具本身的能力在那里，但体验好不好，很大程度上取决于是否掌握了正确的使用方式。 这篇文章整理了我在 Claude Code 上摸索出的一些实用技巧：如何让 AI 遵守项目规范、如何让重复操作自动执行、如何拦截危险操作、如何在长对话中保持回答质量。抛砖引玉，如有错误或疏漏，欢迎指正。
该文介绍了复杂业务场景下AI研发交付的实践方案，团队将流程分为三阶段，重点打造第一阶段底座。通过分层知识库设计（main全局业务、applications应用知识、candidate候选知识、personal个人经验、template模板），确保AI获取准确上下文；采用文件化的RD流程，用Markdown承载需求分析、拆解、实现校验全过程，使研发状态可接续、可review；前置质量门禁，在PRD验证、需求澄清、方案设计等关键节点设置人机协同review点，避免后期高成本返工。不追求100%全AI交付，强调AI负责分析实现、人聚焦关键判断，通过知识沉淀与流程规范提升整体交付质量与稳定性，为后续自动化和多Agent协同奠定基础。
