Grafana 把 SLO 與錯誤預算套用到 AI Agent 行為：從系統可用性走向行為可靠性
此內容的價值在於把SRE領域數十年驗證過的治理框架，一致地移植到AI代理這種「持續運行但品質會緩慢劣化」的新系統上，方法論結構清晰且具操作性。我的保留條件是：整套機制完全依賴底層評估的可信度，若LLM裁判誤判或評估集不具代表性，錯誤預算只會製造精確的錯覺，因此在評估器驗證尚未成熟前，不建議將其作為唯一決策依據。
部落格
LLM評估
涵蓋軟體工程、AI 實作、系統設計、開發工具、效能優化與技術判斷的文章。
別讓 AI 產品死於『評估債』：從工程實務看 AI 評估體系的五層架構
該內容精準地捕捉到了當前 LLM 落地最核心的痛點——『量化指標與實際價值脫節』。我評價此觀點為『極具實戰價值的警示』，因為它將 AI 評估從單純的數學問題提升到了系統工程與心理學高度。然而，其提出的五層架構在實作上具有高度複雜性，若缺乏強大的數據標記能力，容易淪為理論上的完美，而難以在快速迭代的開發週期中全面落地。