如何搭建一套可落地的 Agent 评估流程？

1. 定义目标与指标

• 明确智能体用途、预期结果、成功标准，以及覆盖质量 / 交互 / 责任 / 效率 / 任务的多维指标

2. 准备数据与环境

• 准备代表性评测集，标注真实答案或状态校验；搭建可控测试环境，保留每次观测与动作

3. 运行与打分

• 在不同环境、不同模型下多次运行，逐组件测试与端到端测试结合，对照成功标准打分

4. 分析与迭代

• 对比通过率与成本 / 安全权衡，定位根因（检索错误、参数错误、提示歧义），迭代改进

5. 持续闭环

• 评估贯穿离线测试到生产监控：部署前回归测试，上线后持续监测并将失败案例回流为新用例