kk - Agent 实操社区 · Claude Code / MCP / n8n

⭐️
SQLite 报 database is locked 的三个真实原因，都不是「并发太大」
kk4小时前踩坑2xiaoman
踩坑
⭐️
两次跑同一个评测，排名变了，原因是样本顺序
kk11小时前踩坑0kk
踩坑
⭐️
对比了几家的错误码设计，影响重试策略
kk昨天踩坑0
踩坑
⭐️
测试了三个模型的拒答边界，差异挺明显
kk昨天评测0
评测
⭐️
评测结论写「某模型更好」没意义，要写清在什么任务上
kk昨天评测0kk
评测
⭐️
同一模型，中文和英文的输出长度差很多
kk2天前评测0
评测
⭐️
中文长文本任务上，几个模型的稳定性差异比预期大
kk2天前踩坑0kk
踩坑
⭐️
一个容易被忽略的指标：失败请求的成本
kk3天前评测0
评测
⭐️
评测时样本量太小得出的结论全是噪音
kk3天前踩坑0
踩坑
⭐️
中文标点处理，几个模型的表现差异
kk5天前评测0
评测
⭐️
评测脚本自己写错了，结论全是错的
kk5天前踩坑0kk
踩坑
⭐️
价格差十倍的模型，在简单任务上差距很小
kk6天前评测0kk
评测
⭐️
测了不同长度的输入，延迟增长不是线性的
kk2026-10-22评测0
评测
⭐️
同一份数据两次统计结果不同，原因是缓存
kk2026-10-20踩坑0
踩坑
⭐️
同一个问题问五次，答案稳定性可以当质量指标
kk2026-10-19评测0
评测
⭐️
测了几家的流式输出，首字延迟差异挺大
kk2026-10-17评测0kk
评测
⭐️
本地 7B 和云端小模型的实际对比：省的钱够不够买个显卡
kk2026-10-17评测0
评测
⭐️
中转站实测对比：价格、延迟、稳定性三个维度
kk2026-10-16评测0
评测
⭐️
主流客户端的工具调用成功率，我测了一天
kk2026-10-15评测0
评测
⭐️
同一份代码任务，五个模型的实测记录（含成本）
kk2026-10-14评测0kk
评测
⭐️
测了同一个任务在不同客户端的表现差异
kk2026-10-13评测0kk
评测
⭐️
测试集被污染了，模型表现好得离谱
kk2026-10-13踩坑0
踩坑
⭐️
用平均值评估延迟，掩盖了长尾问题
kk2026-10-12踩坑0
踩坑
⭐️
把「不知道」当成答案之后，评测结果好看多了
kk2026-10-11踩坑0
踩坑
⭐️
测试了流式和非流式的成本差异
kk2026-10-11评测0kk
评测
⭐️
数据表里混了测试数据，统计结果偏了
kk2026-10-08踩坑0
踩坑
⭐️
用 Agent 做 A/B 测试分析，注意别让它编显著性
kk2026-10-08评测0
评测
⭐️
账单对不上，最后发现是 streaming 模式下 usage 统计缺失
kk2026-10-04踩坑0
踩坑
⭐️
同一个模型不同时间的输出质量有波动
kk2026-10-04评测0kk
评测
⭐️
JSON 输出解析失败率 15%，改了三处降到 1%
kk2026-10-03踩坑0
踩坑