实验

实验记录

DPO

DPO for Tool-use Preference

将工具调用问题样本转化为偏好数据，连接回放评测、策略优化与模型改进。

Replay Eval

Agent 回放评测框架

用生产 trace 构建可复现的 Agent 回归评测，支撑 prompt、工具和模型变更。