LookingForErrors 开源 agent-improvement-lab：AI 助手失败分析与改进对比研究原型

LookingForErrors 发布 agent-improvement-lab，一个用于发现 AI 助手失败、选定具体改动并对比版本的研究原型，以评测可靠性优先。项目内置 252 个任务对、分属 84 个家族，演示中 Synthetic replay 从 58.7% 提升到 86.5%；支持导入 JSON/JSONL、六种内置或自定义评测标准，架构由 Python、LangGraph 与 Inspect 分层负责轨迹校验、结果审查与对照实验。