o11y-bench

「動いているように見える」AIの嘘をどう見抜くか。Grafana Labsが公開した「o11y-bench」を軸に、非決定的なLLMの振る舞いを決定的なテストとルーブリック評価で飼い慣らす、実践的なAI評価ループの構築手法を深掘りする。