note
文章目录
- note
-
- 一、论文想解决什么问题？（Why）
- 二、论文的核心贡献（What）
-
- [1️⃣ 提出一个 **二维评测分类体系（Taxonomy）**](#1️⃣ 提出一个 二维评测分类体系（Taxonomy）)
- [2️⃣ 系统梳理已有工作](#2️⃣ 系统梳理已有工作)
- [3️⃣ 明确指出 **企业级 Agent 评测的缺口**](#3️⃣ 明确指出 企业级 Agent 评测的缺口)
- 三、二维评测框架（核心）
- [第一维：Evaluation Objectives（评什么）](#第一维：Evaluation Objectives（评什么）)
-
- [1️⃣ Agent Behavior（外在行为表现）](#1️⃣ Agent Behavior（外在行为表现）)
- [2️⃣ Agent Capabilities（内部能力）](#2️⃣ Agent Capabilities（内部能力）)
-
- [• Tool Use（工具调用）](#• Tool Use（工具调用）)
- [• Planning & Reasoning（规划与推理）](#• Planning & Reasoning（规划与推理）)
- [• Memory & Context（记忆与上下文）](#• Memory & Context（记忆与上下文）)
- [• Multi-Agent Collaboration（多 Agent 协作）](#• Multi-Agent Collaboration（多 Agent 协作）)
- [3️⃣ Reliability（可靠性）](#3️⃣ Reliability（可靠性）)
- [4️⃣ Safety & Alignment（安全与对齐）](#4️⃣ Safety & Alignment（安全与对齐）)
- [第二维：Evaluation Process（怎么评）](#第二维：Evaluation Process（怎么评）)
-
- [1️⃣ Interaction Mode（交互模式）](#1️⃣ Interaction Mode（交互模式）)
- [2️⃣ Evaluation Data（评测数据）](#2️⃣ Evaluation Data（评测数据）)
- [3️⃣ Metrics Computation（怎么算分）](#3️⃣ Metrics Computation（怎么算分）)
- [4️⃣ Tooling（工具）](#4️⃣ Tooling（工具）)
- [5️⃣ Context（评测环境）](#5️⃣ Context（评测环境）)
- Reference
一、论文想解决什么问题？（Why）
核心问题
-
现在 LLM Agent 越来越复杂 ：
会规划、用工具、有记忆、能多轮互动、能协作
-
但 评测方法仍停留在 LLM 级别：
- 单轮 QA
- accuracy / BLEU / pass@k
-
👉 这些方法已经不足以评测 Agent
论文用一个很形象的比喻（在 Introduction）：
评测 LLM ≈ 测发动机
评测 Agent ≈ 测整辆车在不同路况下的表现
二、论文的核心贡献（What）
论文做了三件非常重要的事：
1️⃣ 提出一个 二维评测分类体系（Taxonomy）
- 不是堆 benchmark
- 而是抽象出 评测的"空间坐标系"
2️⃣ 系统梳理已有工作
- 把零散的 benchmark、指标、工具
- 放进统一框架里对齐
3️⃣ 明确指出 企业级 Agent 评测的缺口
- 可靠性
- 合规
- 长时交互
- 权限与审计
三、二维评测框架（核心）
第一维：Evaluation Objectives（评什么）
👉 Agent 本身哪些"能力 / 属性"需要被评测
1️⃣ Agent Behavior（外在行为表现）
黑盒视角，像用户一样看 Agent
- ✅ 任务是否完成（Task Completion）
- ✅ 输出质量（质量、可读性、准确性）
- ✅ 延迟 & 成本（Latency & Cost）
📌 典型指标：
- Success Rate
- pass@k
- TTFT
- Token cost
2️⃣ Agent Capabilities（内部能力）
白盒 / 过程导向，Agent 是怎么做到的
• Tool Use（工具调用）
- 会不会调用
- 选没选对
- 参数对不对
- 是否能执行成功
• Planning & Reasoning（规划与推理）
- 工具序列是否合理
- 中间决策是否正确
- 是否能动态调整（ReAct）
• Memory & Context（记忆与上下文）
- 多轮对话是否记得关键信息
- 长时任务是否一致
• Multi-Agent Collaboration（多 Agent 协作）
- 是否能分工
- 是否有效沟通
- 是否同步目标
👉 这是 Agent 和普通 LLM 最大的分水岭
3️⃣ Reliability（可靠性）
企业和生产最关心的，但研究里最容易忽略的
- 一致性（同样输入是否稳定）
- 鲁棒性（输入扰动、工具失败）
📌 重点提出：
- pass@k 不够
- pass^k（每次都成功） 才是生产级要求
4️⃣ Safety & Alignment（安全与对齐）
不只是"有没有骂人"，而是：
- 公平性
- 有害内容
- 合规 & 隐私
- 企业政策遵循
第二维：Evaluation Process（怎么评）
1️⃣ Interaction Mode（交互模式）
- Static / Offline（离线）
- Dynamic / Online（交互式）
👉 论文强调：
Agent 必须大量用动态评测
2️⃣ Evaluation Data（评测数据）
- 人工标注
- 合成数据
- 模拟环境
- 真实日志
3️⃣ Metrics Computation（怎么算分）
三大类：
- Code-based（规则/执行）
- LLM-as-a-Judge
- Human-in-the-loop
👉 强调 没有银弹，需要组合
4️⃣ Tooling（工具）
- LangSmith
- DeepEval
- OpenAI Evals
- AgentOps
提出一个概念：
Evaluation-driven Development（EDD）
评测不是收尾，而是开发过程的一部分
5️⃣ Context（评测环境）
- Mock API
- Sandbox
- Web Simulator
- 真实系统
Reference
1\] Evaluation and Benchmarking of LLM Agents: A Survey