对于具备工具调用能力的 Agent（如 ReAct、Function Calling），评估工具调用的正确性至关重要。但 Agent 不一样。Agent 开发是一种"概率性编程"——我们追求的不是"绝对正确"，而是"足够好且可持续改进"。我们可以在承认不确定性的前提下，将 Agent 的输出质量控制在可接受范围内，并不断提升。LLM 类指标使用大语言模型作为"裁判"进行评估，能够理解语义，适用于开

本文以实际业务场景为主线，深入讲解如何在 Agent 执行流程中实现 Human-in-the-Loop（HIL）——让 AI 在关键节点暂停执行、等待人工介入、再携带人工决策恢复运行。但编程式中断是"无限等待"的——Checkpoint 保存在持久化存储中，理论上可以等待任意长时间。在 Agent 应用越来越复杂的今天，HIL 不是可选项，而是生产级 Agent 系统的必备能力。没有 Check

这意味着 Hermes Agent 能"自己教自己"——通过不断的任务执行和反思，它的能力会持续增长。「把这套机制从 Hermes 中"解耦"出来，变成一个独立的、可移植的 Skill」AI Agent 的未来，不应该是"更大的模型"或"更多的工具"，而是。

一个产品如果有清晰的接口、稳定的权限边界、可回传的状态、可追踪的日志、可积累的记忆，并且能被 Agent 编排进更大的任务里——它就具备了在 AI 时代存活的基因。想象一下：未来你手里不是一个 AI 助手，而是一组 Agent——有的擅长信息检索，有的擅长数据分析，有的擅长内容生成，有的擅长流程执行。反过来，如果一个产品只有好看的界面，但没有标准化的能力输出，它在 Agent 时代可能会被绕过——

文档: https://github.com/hiyouga/LLaMA-Factory/wiki。以下是一个完整的微调示例，使用 Qwen2-0.5B 模型 + identity 数据集。等效于 batch_size=16，但显存只占用 batch_size=2 的量。Model name：选择基座模型（如 Qwen/Qwen2-0.5B）是一个开源的大模型微调框架，支持 100+ 种 LLM

一个产品如果有清晰的接口、稳定的权限边界、可回传的状态、可追踪的日志、可积累的记忆，并且能被 Agent 编排进更大的任务里——它就具备了在 AI 时代存活的基因。想象一下：未来你手里不是一个 AI 助手，而是一组 Agent——有的擅长信息检索，有的擅长数据分析，有的擅长内容生成，有的擅长流程执行。反过来，如果一个产品只有好看的界面，但没有标准化的能力输出，它在 Agent 时代可能会被绕过——

一个产品如果有清晰的接口、稳定的权限边界、可回传的状态、可追踪的日志、可积累的记忆，并且能被 Agent 编排进更大的任务里——它就具备了在 AI 时代存活的基因。想象一下：未来你手里不是一个 AI 助手，而是一组 Agent——有的擅长信息检索，有的擅长数据分析，有的擅长内容生成，有的擅长流程执行。反过来，如果一个产品只有好看的界面，但没有标准化的能力输出，它在 Agent 时代可能会被绕过——

一个产品如果有清晰的接口、稳定的权限边界、可回传的状态、可追踪的日志、可积累的记忆，并且能被 Agent 编排进更大的任务里——它就具备了在 AI 时代存活的基因。想象一下：未来你手里不是一个 AI 助手，而是一组 Agent——有的擅长信息检索，有的擅长数据分析，有的擅长内容生成，有的擅长流程执行。反过来，如果一个产品只有好看的界面，但没有标准化的能力输出，它在 Agent 时代可能会被绕过——

一个产品如果有清晰的接口、稳定的权限边界、可回传的状态、可追踪的日志、可积累的记忆，并且能被 Agent 编排进更大的任务里——它就具备了在 AI 时代存活的基因。想象一下：未来你手里不是一个 AI 助手，而是一组 Agent——有的擅长信息检索，有的擅长数据分析，有的擅长内容生成，有的擅长流程执行。反过来，如果一个产品只有好看的界面，但没有标准化的能力输出，它在 Agent 时代可能会被绕过——

一个产品如果有清晰的接口、稳定的权限边界、可回传的状态、可追踪的日志、可积累的记忆，并且能被 Agent 编排进更大的任务里——它就具备了在 AI 时代存活的基因。想象一下：未来你手里不是一个 AI 助手，而是一组 Agent——有的擅长信息检索，有的擅长数据分析，有的擅长内容生成，有的擅长流程执行。反过来，如果一个产品只有好看的界面，但没有标准化的能力输出，它在 Agent 时代可能会被绕过——