Un harness d'évaluation continue pour applications LLM
Construire le harness qui décide si un changement de modèle ou de prompt peut partir en production : jeu de données versionné, scorers enfichables dont un LLM-juge calibré, comparaison A/B avec intervalles de confiance, rapport HTML et porte de qualité en CI. Démonstration réelle : gemini-3.8-flash contre gemini-3.5-flash-lite.
Harness d'agents
