ThoughtTrace：揭示用户在与LLM交互时的真实想法

本文提出HASP框架，将智能体技能升级为可执行程序函数，在推理时或训练后主动干预智能体循环。在网页搜索、数学推理和编程任务上，HASP相比现有方法提升25%-30%性能，揭示了技能内化与稳定演化的机制。

本文论证了交互式评估应被视为一种原则性的评估范式，而非仅仅是一类新的智能体基准。作者通过将评估定义为从证据到判断的自主映射，揭示了交互式评估如何改变了证据和评估过程两个方面，并提出了双轴分类法、设计原则和报告标准。这项工作有助于系统化碎片化的交互式评估实践，推动AI评估方法的发展。