**两个AI评委给代理答案打0.85分，但它从未打开过文件**

_Two AI judges scored our agent's answer 0.85, but it never opened the file_

> 当前代理评估普遍采用LLM作评委，但仅依据最终答案的合理性打分，无法验证代理是否有权访问所依赖的信息。案例中，两个前沿评委对代理回答打出0.85分，而代理从未打开其声称不存在的文件。这暴露了现有评估的盲区，轨迹感知基准亦未覆盖此类失败。解决方案是引入基于访问策略和事件日志的确定性状态契约。

**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：论文
- **发布时间**：2026-06-22 01:23（北京时间）
- **原文**：[打开原文](https://tenureai.dev/writing/llm-as-judge-became-the-default-for-agent-evaluation)