Anthropic 介绍如何用 Claude Code 与 claude-api skill 自动化评测设计和迭代优化

Anthropic 介绍用 Claude Code 与 claude-api skill 自动化评测设计与 hillclimbing

Anthropic 介绍用 Claude Code 的 claude-api skill 构建评测并逐轮优化应用，同时检查评测噪声与过拟合。/claude-api build-eval 引导用户确认样例和评分器，运行基线并报告置信区间；/claude-api hillclimb 每轮提出一项修改，通过训练集与留出测试集检查效果，遇到退化或疑似过拟合时撤回修改。

推荐理由：Anthropic 将评测设计与逐轮优化组织为可复用流程，通过人工确认样例和评判规则、留出测试集检查来减少误判与过拟合风险。