Agent 评估的核心评估维度包含哪些？

1. 任务完成度（Task Success）

• 以业务目标是否真正达成、外部系统状态是否正确变更作为判断标准，而非仅看最终文本是否"看起来正确"
• 常用指标为任务成功率（Task Success Rate），应核对真实系统状态，避免被"假成功"误导

2. 轨迹质量（Trajectory Quality）

• 评估智能体从规划、工具选择、参数构造到结果利用的每一步决策是否合理
• 关注冗余调用、无效循环、不必要的动作、错误回溯等影响可靠性的中间行为

3. 工具使用正确性（Tool-Use Correctness）

• 衡量智能体是否选择了正确的工具、传入了正确的参数、以正确的顺序执行
• 工具调用错误（选错函数、参数格式错误、调用顺序错乱）是 Agent 失败的主要来源之一

4. 上下文与记忆（Context and Memory）

• 评估多轮、长程任务中信息的保留与检索质量，避免上下文漂移或遗忘关键约束

5. 效率与成本（Efficiency and Cost）

• 跟踪执行耗时、Token 消耗、工具调用次数与单次成功任务成本，判断规模化可行性

6. 安全性与合规性（Safety and Compliance）

• 考察越权行为、策略违背、敏感信息暴露、不安全升级等，需与安全评估独立成门