Evaluation

Evals Πριν τους Agents: Δεν Μπορείς να Κυκλοφορήσεις Ό,τι Δεν Μπορείς να Βαθμολογήσεις

Χωρίς eval harness, κάθε αλλαγή σε agent είναι απλή εντύπωση. Χτίσε τον πίνακα βαθμολογίας πρώτα και αντιμετώπισε τον LLM-as-judge ως κρίκο που λαθεύει.