⚙️ 工程化与评测
Agent 评测：结果、轨迹、工具与工程指标
建立分层指标，避免只用主观评分。
四层评测
- 结果层：任务是否真的完成，业务结果是否正确；
- 轨迹层：关键步骤是否发生，是否重复、越权或绕路；
- 组件层：路由、检索、工具选择、参数和 Guardrail；
- 工程层：延迟、Token、费用、重试、稳定性和安全事件。
评分优先级：环境执行验证 > 确定性规则 > 人工评分 > LLM-as-a-Judge。能用测试、数据库状态或 API 回执判断，就不要只让模型打分。
非确定系统应多次运行，报告均值、分位数和失败分布。结果正确时，不因轨迹与参考不同就简单判错；但越权和危险捷径必须单独扣分。
关联面试题： E08 检索评测 · E09 工具评测 · T19 假完成
基准参考： GAIA · AgentBench · SWE-bench