agent评测

花生了什么事o

Agent 评测：如何判断一个 Agent 是否可靠Agent 的输出是非确定的。同一个问题问两遍，可能给出不同的回答、走不同的执行路径、调用不同的工具。手动试几个 case 觉得还行，上线后才发现大量问题。靠肉眼判断"看起来没问题"覆盖不了真实场景的复杂度，你需要一套系统性的评测方法。

Agent在无效重试？Verification Loop评分器设计：5套Rubric+3种Judge（2026版·附代码）金句：Grader = Verification Loop 的灵魂。Generator 负责写，Grader 负责判——裁判不行，写再多也是白烧 token。

玉面大蛟龙

可复用的 Agent 评测体系：方法论与实践Agent 评测体系是一套标准化的质量度量方法论——它定义了“好的 Agent 长什么样”、“如何衡量好不好”、“如何持续变得更好”。

我是有底线的