Agent 评估如何衡量工具调用的准确性？

1. 评估三个层面

• 工具选择：是否调用了完成该步骤所需的正确函数
• 参数构造：参数类型、取值、格式是否符合接口契约
• 执行顺序：多工具协作时是否遵循依赖关系与正确次序

2. 常用度量

• 函数调用准确率（Function-Calling Accuracy）：在单工具、5 个工具、20+ 工具等规模下的通过率
• 错误率按错误类型细分（参数错误、超时、权限拒绝等），并统计恢复比例

3. 基准对应

• Berkeley Function-Calling Leaderboard（BFCL）用于衡量模型在单次、并行、多轮场景下的函数调用准确率