为什么传统 NLP 评估指标（BLEU、ROUGE）对现代 LLM 局限性很大？  传统指标核心是比较生成文本与参考答案在 n-gram 上的表层重合度，存在以下问题：  语义缺失：只关心词汇匹配，不理解语义。如"今天天气很好"与"今天日光很灿烂"意思相近，但得分很低。 无法评估事实准确性：无法检测幻觉，流畅但包含错误事实的回答可能得高分。 忽略多样性与创造性：开放式任务没有唯一标准答案，基于固定答案的评估会惩罚优秀但不同的回答。 长文本评估能力差：无法评估长篇内容的连贯性、逻辑性和结构性。 无视推理过程：只能比较最终答案字符串，无法评估思维链步骤是否正...

坐标上海某末211计科 学了一个学期的agent想要投简历大佬可以帮忙看看出了什么问题吗

还没被八股，准备开始背了，所以还不敢投

这句话是四年前的需求评审会上说的。说这话的是后端组的L，入职两年，技术不错，说话一贯有点冲。当时在讨论一个新功能的发布计划，我提了句要预留回滚窗口，他就笑着接了这句："运维嘛，出了问题重启一下不就好了。"旁边坐着产品、测试、还有我们组长。大家都听到了，有人低头看手机，有人假装在记笔记。我没有立刻回他。由于是政府的项目，接口的错误率在五分钟内从0.1%飙到了38%，写入开始大量失败。我从床上爬起来，开电脑，登跳板机，第一眼看到的是数据库连接池耗尽的报错：连接池最大设置的200，全部被占满，新请求全部超时。我拉了一下慢查询日志，发现有一个SQL在疯狂跑全表扫描，平均耗时从正常的...