腾讯用LLM评审模型自动评测Harness研发工作流

chaseren所在团队在内部Harness研发工作流的自动评测与回归改进场景中应用AI。团队用Go实现评测CLI，由LLM考官按剧本与被测Agent多轮交互，独立裁判依据评分标准及工具调用记录判分，以git worktree隔离并发运行，并将缺陷归因到工作流、题目或模型能力。经过4轮workflow_rev迭代和50余次自动化运行，修复3道失败题后，17道题的通过率由82.4%（14/17）升至100%（17/17）（发布方自述口径）。